9月4日，在第六届太和文明论坛上，北京华职教育科技集团业务总监潘晓莹出席论坛并发表演讲，其演讲题目为《数字职教大脑引领产业人才需求与专业建设深度融合》。

以下为演讲全文：

结合今天论坛的主题，我要给大家介绍的分三个部分：一是什么叫“职教大脑”。二是怎么通过大数据和人工智能技术做产业人才需求的分析。三是产业人才怎么样和院校尤其是高职院校的专业建设进行结合。

国家教育数字化战略行动，怀部长从年初就开始在教育部重点推出的重要工作。从公众的角度来看，数字化战略行动从1月份在全国教育工作会议上开始正式提出，又在新春发布会上重点提出，它是今年教育部的一项重要工作。紧接着在3月份已经上线了一期，在7月8日二期上线。可以看到，教育部对推数字化教育的工作进度非常快。

目前在整体国家公布的智慧教育平台分了三个主要大的板块：基教、高教和职教，华职主要支撑职业教育板块的内容，所以今天给各位领导汇报的主题是职业教育板块我们是怎么做的，“职教大脑”到底是什么？

今年2月份时，职成司的司长陈子季来到中关村北京市海淀的城市大脑建设中心的展厅来参观，了解海淀的城市大脑是怎么建设的。在此基础上，在我们这边连续开了几次的专题会议。

“职教大脑”的建设，因为是整个海淀区智慧城市的建设，在北京市是一个样板，它的建设集合了很多人工智能、大数据的技术，可能给职成司领导一些启发，紧接着委托我们做了职业教育板块智慧平台的顶层设计。

在公众层面上能够看到的对外发布的顶层设计，职业教育目前“职教大脑”的总体结构是“1+2+4+4”，1指的是“职教大脑”；2指的是两个平台：教育管理平台、教学服务平台。教育管理平台基本上是职成司下属直管的一些业务管理系统，做数据收集；教学服务平台主要是面向公众提供所有教育教学的数字化资源。

（国家职业教育智慧平台架构示意图）什么是“职教大脑”？“职教大脑”是在最顶端的目前，击中了很多数据、算法池，在公众层面上，不管是3月28日上期的公共服务平台还是7月8日上线的二期，只是“职教大脑”面向公众服务其中的一个板块。这个板块只是面向公众服务，在教育部内部有一个数字驾驶舱，也就是“职教大脑”对外的表现形式一是面向公众的服务平台，提供各类的数字化教育资源，二是用于决策支持的数字驾驶舱，它下面的支撑1+2教育管理平台，下面有四个子系统，另外是教学服务平台，下面有四个子中心，他们的数据汇集到“职教大脑”，再通过“职教大脑”的算法、数据模型两种展现形式展现为数字驾驶舱和公共服务平台。

“职教大脑”到底是什么？“职教大脑”总体的构造，首先最底层会有一些数据，比如教学服务平台、教育管理平台以及一些外部数据，这些数据要汇聚到一个数据中台，我们要把所有的数据在数据中台把所有的数据进行汇集，汇集完了之后通过“职教大脑”内部的智能决策中枢的内部数据计算，最后呈现为数字驾驶舱和公共服务平台。比如在数字驾驶舱里有一个板块想要呈现全国学校或者某一个省的专业设置和当地的产业匹配情况怎么样，这可能是我们要展现的一个点，这个点怎么展现？如果要展现这一部分，我们首先要进行业务模型的分析，我们要去分析当地的产业是什么，你的专业设置是什么，这两个是否匹配，这个分析怎么分析？我要从数据中台抽取数据，要抽取专业建设的数据，抽取当地人才需求的数据，这些数据抽取过来之后，按照我这个业务模型进行数据挖掘，通过大数据的统计分析模型，数据挖掘就会用到很多人工智能的算法。这些数据挖掘完了之后就能够在我这个板块呈现在数字驾驶舱里。结合今天的主题是就业、产业人才的需求，所以后面会有一个案例来说明这一块怎么呈现。

讲案例之前必须先要搞清楚人才需求的逻辑是什么，我们有自己的一套研究逻辑。要研究产业人才，首先要看我们建的这个专业，你的人才培养将来在哪一个产业就业，这些产业当中有什么企业，企业名单都能够通过大数据采集的方式找到。找到企业之后，这些企业的招聘信息是什么，招聘信息找到之后就能够获取岗位对人才的需求，就是这样一套研究逻辑。我们如果研究一个产业，先要看这个产业范围，研究它的产业特征，为什么？因为现在国家都在发展战略新兴产业，北京市发展的是十大高精尖产业，这个产业特征都是非常新的，和传统的国民经济产业是不一样的。所以先要看产业是什么，将来人才培养往哪个方向就业。把这个特征通过人工智能算法算出来，算完之后再和北京市几百万家企业特征进行比对，比对了之后就能够找到北京市这个产业所有的企业名单，找到企业清单之后再去主流的招聘网站采集他的招聘信息，最后把这个招聘信息通过算法就能够形成紧缺人才画像。这里面会用到很多大数据和人工智能技术，比如做机器学习，学习到产业特征进行分类的算法，进行比对，然后采集，进行结构化的算法。

举一个例子，比如我要研究北京市人工智能产业紧缺人才画像是什么，首先要通过机器学习获取人工智能的产业特征，机器学习怎么学？我会把北京市所有的人工智能产业政策、白皮书、各个研究机构的研究文献都喂给机器，它的产业特征就学出来了。学完之后，我目前已经有北京市所有企业的特征库，我会拿产业特征和企业特征进行比对，比对完了之后就能够找到符合人工智能产业特征的企业清单，这个清单在工商、税务、财政的口上找不到，因为他们的分类是按照传统国民经济分类，你不能说在工商找一个人工智能的清单，是找不到的，所有的新兴产业都是这样的。找到了这些企业之后，我们就去采集他的招聘信息，用一些算法获取紧缺岗位的清单，最后通过算法获得这个产业的岗位人才画像。如果学校开一个人工智能应用技术的专业，将来的就业方向如果就是人工智能产业，这个时候它的算法算出来的岗位人才需求和这个专业对口的精准度就非常高了。这是我们对产业人才研究的总体逻辑。

产业人才画像分为八个纬度：学历、专业、工作年限、工作经验、能力素质、认证、专业技能和知识，也可以对人才画像进行图形化的展示。

有人才画像之后，怎么把岗位的人才和院校的专业建设进行结合，仍然是通过人工智能算法，对产业人才有一系列的算法，最后出来会有一个岗位画像，对院校的专业也有一些算法，最后出来的算法两方面进行匹配。这个匹配完了之后，根据后面不同的应用用一些算法，怎么把产业的人才需求和院校的专业建设进行匹配？下面的案例就用到了岗位群的匹配算法，用到了专业画像和岗位群的分析模型。

分享一个具体的案例，这个案例实际上能够表现的是产业人才需求和专业建设如何进行动态联动，所谓的动态联动就是说我能够通过这套算法和大数据动态地调整专业的岗位群，能够快速适应产业人才的需求变化，提升学生未来的就业质量。所谓的动态动在哪？有这么几个方面：1.时间，岗位群尤其是战略新兴产业，产业技术技能的变化非常快，日新月异，随着时间的变化，这个岗位群的技能要求不停在变化。所以我们可以做到岗位群随时间的变化动态变化，我可能每个季度、每半年更新一下数据就出来了。2.区域，区域上非常灵活，可动态可定制的。根据人才培养将来就业的范围，比如北京的高职院校就业范围可能是对应着京津冀的产业，我们可以匹配北京的，也可以匹配京津冀的。3.产业，产业的灵活可以根据专业人才培养的就业方式为这个专业匹配不同的产业岗位群，可以选人工智能产业，可能还要开一个大数据，可以把产业扩大到大数据相关就业岗位。4.匹配度，可以调节匹配度的阈值调整岗位群的数量。5.学历，拥有高职院校是专科学历，我抓的数据只抓招聘专科的学历，这些都能够实现产业人才和专业建设的动态联系。这些都是可以随时调的，这就是新一代信息技术和专业建设结合出来的一些更灵活的方式。

具体怎么匹配？首先有院校的专业，比如我们帮学校做这件事情，学校给我它的专业人才培养方案和课程标准，这些人培方案、课程标准通过算法能够提取出它的专业特征向量。产业里所有的紧缺岗位也都有，产业画像，我们会把专业特征和北京市高精尖技术所有企业的岗位特征进行比对，比对出来之后就是这个专业的岗位群。这是我们拿一个学校的人才培养方案和北京市高精尖产业所有紧缺人才岗位进行的匹配，匹配出来之后是28个岗位，实际上就是这个专业的岗位群。这里面有很多灵活度是可以调的，比如我可以选择区域，这里选择的是北京，我可以选择京津冀。可以选择产业，这里选的是高精尖产业，也可以选择国民经济产业。还可以选择匹配度的阈值，在这28个岗位里，我选的是匹配度大于0.7的岗位，我如果把这0.7调成0.8，岗位数会变小，如果调到0.6，岗位群就增多了。还可以选择学历氛围。这个人才培养方案是能够各种灵活地调整参数。给学校28个岗位，每一个岗位都可以列出来，后面就是对这28个岗位进行多维度的分析，比如说28个岗位群工薪是怎么样的，需求企业类型，工作年限、工作资格、工作要求以及技能要求，这是通过大数据算出来之后，排在前面的是属于词频比较高的，还包括有专业知识要求、素质要求。这些都是我们在做专业人才培养方案里必须要涉及到的内容。还可以把这28个岗位群再进一步颗粒度细化，把28个岗位群分成不同的岗位类型，比如销售类、研发类和技术支持类的典型工作任务是什么，素质要求、技能要求、知识要求是什么，颗粒度可以非常细。

刚才一个专业是这样分析的，多个专业也可以用同样的方法分析，比如一个学校给了N个专业给我们，我们匹配到每一个专业对应的岗位群、需求人数、企业数量、平均工薪、紧缺度指数、匹配度，这个匹配度可以为一个院校整体来看，比如一个院校20个专业给我们，可以看哪些专业和产业匹配度比较高，哪些专业的匹配度比较低。目前根据我们的经验，大于0.7的匹配度还可以。如果多个专业进行匹配，可以为院校提供专业设置的策略分析。

横坐标表示专业和岗位群的匹配度，越往右贴的越紧，纵坐标是岗位群的紧缺度，越往上说明这个专业对应的岗位群越紧缺。一象限的专业属于紧缺度好、匹配度高。二象限属于匹配度弱一些，但市场紧缺很高，这种情况调整它的人才培养方案，把它的课程、知识点往产业方面靠，很快就到一象限里了。这个象限属于匹配度很高，紧缺度没有那么高，建议学校招生名额是不是向第一象限倾斜，还有匹配度不好，紧缺度不高的，考虑是不是要撤并，可以为院校专业设置策略上提供一些数据的支撑。

以上就是我简单分享的案例，这个案例在我们的“职教大脑”里只是其中的一个很小的板块，“职教大脑”包含的内容是非常丰满的，时间关系没有办法向各位进行具体的介绍，请大家关注教育部六个部门在2021年7月份发布的推进教育新型基础设施建设，构建高质量人才教育支撑体系的文件，这个文件里提到了教育新基建的概念。首先要在学校建设新网络、新平台、新安全，这都属于信息化的基础建设，在这个前提下，我们可以孕育具有教育行业特色的基础设施，包括数字资源基础设施的建设、智慧新校园的基础建设，最顶层才是到创新应用的建设，所有这些整体教育新基建如果有一个“职教大脑”把所有的数据、所有的资源进行汇总、关联，通过人工智能技术进行关联，而不是像现在大多数的学校可能更多的是做统计分析的看板，我们在这里面能够得到更深入的数据，给领导做决策支持的支撑。