疫情就是命令,防控就是责任,这是对坚决打赢疫情防控阻击战的行动号令。
随着疫情防控狙击战的深入,各地方政府数据统计以及即将到来的企业复工和学校开学管控困难等问题逐渐显现。中国系统作为中国电子旗下二级企业、现代数字城市业务的主要推动者与践行者,结合自身业务和技术优势,针对政府疫情上报统计、企业复工以及学校开学疫情管控等三大场景,设计开发了一套公益性疫情防控系统“疫情通”,免费开放给政府、企业、学校等使用。
目前,疫情通已入选陕西省工业和信息化厅、陕西省大数据与云计算产业发展领导小组办公室发布的疫情期间推荐使用大数据和工业互联网解决方案名录,为抗击疫情、企业恢复生产贡献力量。
疫情通采用一云二端四应用架构,平台是一个基于互联网访问的云服务系统,同时支持APP端采集上报和PC端的智能分析服务,为政府工作人员提供疫情上报、为企业复工提供人员防疫管理、为学校提供学生和教师健康每日追踪以及后台不同组织疫情数据分析四大应用服务。
APP端支持政府数据采集人员、企业员工、学校学生、学校教师、普通市民同时使用,包括企业信息填报、企业员工上报信息、学校信息填报、教职工上报信息、学生上报信息等采集功能项。
PC端支持政府、企业、学校等各类应用场景采集到的信息按照不同组织、不同权限进行信息统计,可生成实时报表,以时间或区域为维度等查看报表数据。
基于整体架构设计,疫情通以APP作为采集上报平台,以PC后台智能分析为支撑,主要构建政府疫情上报子系统、数据统计子系统、企业复工子系统和学校开学子系统四大系统服务当前疫情三大核心场景。
疫情通APP
疫情通APP集疫情统计、上报、查询功能于一身,可帮助各地方政府、企业、学校等组织实现随时随地上报疫情,提高防疫整体效率,并且确保同步各级组织疫情数据一致性和实时性,为疫情防控指挥提供有效数据支撑。总体功能设计包括账号登录、数据采集、数据查询、我的上报等。
政府疫情上报子系统
政府疫情上报子系统主要是用于解决政府部门相关工作人员对所管辖区域内发现疫情进行上报的系统,系统通过数据采集模块进行多维度数据填报,包括是否外来人员、所在街道、所在社区及详细住址、健康状况等字段,并且可按照发热、疑似、患者、治愈、隔离观察、死亡、人员登记、解除观察等进行查询和统计。
数据统计子系统
数据统计子系统一方面提供基于用户管理、角色管理、角色菜单权限管理及个人角色管理等用户统一管理中心;另一方面,企业、学校等不同组织可进行各自组织内不同时间周期的不同维度统计数据上报和查询实时数据统计,及时掌握目前各人员身体状态,方便快速开展针对性防范工作。
主管部门则可以通过疫情统计功能查询所属区域疫情整体统计数据、个人上报信息数据、新增疑似数据、人员分布数据等。
企业复工子系统
企业复工子系统提供包括企业信息采集、企业每日上报统计数字、企业实时上报疫情信息、员工上报自己的疫情信息、出入企业登记管控、企业数据统计展示等功能。通过企业复工模块实现企业、街道、政府等员工健康信息同步和跟踪,解决居民因企业复工离开居住小区引起无法掌握健康动态的难题。
学校开学子系统
学校开学子系统能帮助学校在开学前及时掌握返校学生的健康状况、返程出行交通方式,方便快速开展针对性防范工作。开学后,系统可追踪每位学生、教师等健康状况,实时动态掌握最新信息,防止疫情蔓延扩散,助力学校疫情排查和防控。
具体功能包括学校开学采集、学校每日上报统计数字、学校实时上报疫情信息、教职工上报自己的疫情信息、出入学校管控、学校数据统计展示、政府需求统计等功能。
当前,疫情通已经完成第一版系统供客户试用,并已入选陕西省疫情期间推荐使用的大数据和工业互联网解决方案名录。据悉,疫情通预计将于近期陆续推出更全功能的版本。任何问题,请发送邮件至zhuwei@cestc.cn。
好文章,需要你的鼓励
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
人工智能初创公司aiOla推出基于流匹配训练技术的语音AI模型Drax,挑战OpenAI和阿里巴巴等巨头。该模型重新定义语音算法训练方式,能在嘈杂环境中准确识别语音,兼顾速度与准确性。相比OpenAI的Whisper和阿里巴巴Qwen2,Drax采用并行流处理技术,速度提升32倍,词错误率仅7.4%。该模型已在GitHub开源,提供三种规模版本。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。