


Künstliche Intelligenz, maschinelles Lernen und die Zukunft der Softwareentwicklung
Jede erfolgreiche Interaktion mit Ihren Lieblings-Apps ist das Ergebnis einer gemeinsamen Anstrengung des Qualitätssicherungsteams (QA). Diese unermüdlichen Problemjäger stellen sicher, dass alle Aspekte der Apps, auf die sich Mobilgerätebenutzer auf der ganzen Welt für ihre täglichen Bedürfnisse verlassen, bei jeder Veröffentlichung und jedem Update reibungslos funktionieren.
Wenn Sie morgens mit dem Klang Ihres Weckers aufwachen, das Wetter überprüfen oder einem geliebten Menschen eine Nachricht senden, müssen wir diesen oft unbesungenen Helden danken.
Wenn die Bemühungen des Teams scheitern, werden sie die Neuigkeiten mit Sicherheit erfahren: Viele Benutzer zögern nicht, negatives Feedback auf beliebten (und sehr offensichtlichen) Bewertungsseiten abzugeben.
Die Erwartung moderner mobiler App-Nutzer – das sind mittlerweile so ziemlich wir alle – ist Perfektion, und das Hauptziel der QA-Teams besteht darin, sicherzustellen, dass bei jeder Bereitstellung ein fehlerfreies Produkt bereitgestellt wird.
Das Vorhandensein von Fehlern und Problemen kann eine App schnell zum Absturz bringen. Leider ist es keine leichte Aufgabe, ein fehlerfreies Erlebnis zu gewährleisten. Und es wird immer komplizierter. Die heutige Welt der Softwareentwicklung wird immer komplexer, und das Testen anhand der vielen Potenziale und Szenarien, die diese Komplexität mit sich bringt, führt dazu, dass das Testen selbst immer komplexer und ressourcenintensiver wird.
Angesichts der Geschichte der Entwicklung mobiler Apps kann man durchaus davon ausgehen, dass Apps nur noch komplexer werden und komplexere und häufigere Tests erfordern. Aber muss es so sein? Sind wir dazu bestimmt, immer mehr Personal und immer größere QA-Teams zu brauchen?
Die 1980er Jahre: Manuelles Testen
Nehmen wir uns einen Moment Zeit, um darüber nachzudenken, wie wir hierher gekommen sind. Bis vor Kurzem – „Wow – das war wohl wirklich so lange her“ – verließen sich Software-Qualitätssicherungsteams stark auf manuelle Tests ihrer Geräte, um sicherzustellen, dass die auf den Markt gebrachten Produkte eine gute Leistung erbringen
Das war in einfacheren Zeiten eher eine Herausforderung Da die Geräte weitaus weniger Funktionen und aktive Szenarien aufwiesen, war die manuelle Codierung eine geeignete Möglichkeit zum Testen. Obwohl mühsame Arbeit bei gründlicher Ausführung viel Zeit in Anspruch nimmt, funktionieren manuelle Tests für Tester gut.
Aber die Technologie, die sich ständig weiterentwickelt und verbessert, hat Veränderungen in Form von Automatisierung mit sich gebracht, die den Testprozess erheblich verbessert hat. Software entwickelt sich immer weiter und wird immer komplexer.
1990er – 2010er: Automatisierung von Codierungstests
In den folgenden Jahrzehnten befreiten Fortschritte beim Testen die Qualitätstester von der Notwendigkeit, Testfälle physisch durchzugehen. Sie müssen nicht mehr manuell nach Fehlern in Spaghetti-Codehaufen suchen.
Sie haben eine neue Waffe im Kampf gegen Softwareprobleme: Manuelles Testen in großem Maßstab ist unpraktisch geworden, und wenn ein QA-Team eine potenzielle Version in angemessener Zeit gründlich testen soll, muss es Tests per Skript durchführen Automatisierungstool.
Ist der Komplexitätskrieg also gewonnen? Nicht ganz. Stellen Sie sich automatisierte Tests am besten weniger als revolutionäre Innovation vor, sondern eher als einen weiteren Schritt im Wettrüsten angesichts der sich ständig weiterentwickelnden Komplexität von Software.
Die Uhr tickt, aber ein klarer Sieg ist noch nicht in Sicht. Da mobile Apps immer beliebter werden und zu einem zentralen Werkzeug in vielen Bereichen unseres täglichen Lebens werden, verlieren automatisierte Tests langsam an Bedeutung. Glücklicherweise kommt eine lang erwartete Veränderung, eine echteRevolution.
Die 2020er Jahre: Codelose Testautomatisierung
Bis vor kurzem war das Dilemma der QA-Testteams tatsächlich ziemlich schlimm. Um qualitativ hochwertige Produktveröffentlichungen sicherzustellen, sind für automatisierte Tests immer ausgefeiltere Codierungstools erforderlich. Das bedeutet, dass QA-Teams immer mehr Programmierer für Tests statt für andere Aufgaben wie die Generierung neuer Funktionen einsetzen müssen. Das wird nicht nur immer teurer, es bedeutet auch, dass die Veröffentlichungstermine immer weiter nach hinten verschoben werden. Aber die Alternative, ein katastrophaler Start, kann weitaus teurer sein (wie viele aufsehenerregende gescheiterte Starts bewiesen haben).
Aber das Unvermeidliche geschah. Durch das Prinzip der Abstraktion – schnittstellenbasierte Darstellung ebnet den Weg für äußerst komplexe Prozesse (denken Sie zum Beispiel an die Einsen und Nullen, die sich hinter dem Artikel verbergen, den Sie gerade lesen) – haben viele Experten schon lange eine neue Ebene der Abstraktion angekündigt, eine, die Es gibt eine „No-Code-Revolution“, die in den letzten Jahren wirklich Früchte getragen hat.
In letzter Zeit sind mehrere Plattformen entstanden, die den Einsatz von No-Code-Lösungen in verschiedenen Branchen ermöglichen. Eines der offensichtlicheren Beispiele der No-Code-Revolution ist die Beliebtheit echter WYSIWYG-Website-Editoren (denken Sie an Squarespace oder Wix), und im weniger offensichtlichen Bereich des Softwaretests ist das von mir gegründete Unternehmen Sofy eine einzigartige Plattform , das codelose Tests für mobile Anwendungen ermöglicht.
Die No-Code-Revolution hat weltbewegende Veränderungen mit sich gebracht, die es Laien ermöglichen, komplexe Aufgaben zu bewältigen, und Experten mehr Zeit für andere Aufgaben lässt. Daher werden wir in naher Zukunft zweifellos immer mehr No-Code-Lösungen für verschiedene Branchen sehen.
2025? Wirklich intelligente Selbsttest-Software
Allerdings ist die No-Code-Revolution im Grunde genommen nur ein weiterer Schritt vorwärts. Ich glaube, dass der nächste Schritt beim Softwaretest darin besteht, sich selbst zu testen Software.
Ich bin damit nicht allein: Genau wie die No-Code-Revolution ist Selbsttest-Software seit Jahren eine erwartete Realität. Angesichts der Geschwindigkeit, mit der sich die Technologie verändert und wächst, ist es nicht absurd, sich vorzustellen, dass die intelligente Testautomatisierung (d. h. Selbsttestsoftware), mit der KI-Operationen ohne menschliches Eingreifen getestet werden können, bis 2025 erheblich ausgeweitet wird.
Derzeit verbessern begrenzte Implementierungen von Smart Testing die Geschwindigkeit und Qualität von Software-Releases, indem sie auf maschinellem Lernen (ML) und Plattformen für künstliche Intelligenz basieren. Dies ermöglicht schnelle und kontinuierliche Tests (und damit einen verbesserten ROI). Darüber hinaus kann KI menschliche Intelligenz nachbilden, während ML es Computern ermöglicht, ohne menschliches Eingreifen zu lernen.
Künstliche Intelligenz und maschinelles Lernen nutzen Deep-Learning-basierte Algorithmen, um auf Daten zuzugreifen und aus den Daten zu lernen, indem Muster für eine effizientere Fehlersuche und Entscheidungsfindung extrahiert werden. Darüber hinaus ermöglicht diese Technologie den QA-Teams die Durchführung zahlreicher Tests auf verschiedenen Geräten und unterschiedlichen Formfaktoren.
Nicht Tage, sondern Stunden. Nun das ist eine Revolution.
Kein Code erfordert immer noch Menschen; Menschen sind keine Maschinen: Sie machen Fehler. Auch ohne Code – wenn auch stark reduziert – ist menschliches Versagen immer noch ein Faktor, der ernsthafte Probleme verursacht. Berücksichtigen Sie den übermäßigen Ressourcen-, Zeit- und Arbeitsaufwand, der durch manuelle Tests verursacht wird.
Intelligentes Testen generiert und verwaltet automatisch Testfälle und generiert wertvolle Vorteile, die sich als erhöhte Produktivität und Ausgabequalität zusammenfassen lassen. Aber um eine intelligente Testautomatisierung zu erreichen, müssen Sie zunächst die folgenden Elemente kombinieren:
- Lernen aus menschlichen Eingaben: Wenn eine Maschine testet, muss sie sich wie eine verhalten menschliches Handeln. Es muss verstehen, was Menschen brauchen und wollen und wie Menschen Geräte nutzen. Wie wir besprochen haben, kann dies schwer vorherzusagen sein, und komplexe Anwendungen erfordern komplexe Testszenarien und -muster. Allerdings muss die Maschine aus diesem Blickwinkel verstanden und bedient werden.
- Lernen Sie aus Produktdaten zur tatsächlichen Nutzung: Die Maschine muss verstehen, wie die Anwendung in verschiedenen Produktionsumgebungen verwendet wird. Dazu gehört das Verständnis des Geräts, das möglicherweise verwendet wird, der Sprache, in der das Gerät eingestellt ist, und des Ablaufs seiner Verwendung, einschließlich der Verwendung von Menüs, Bildschirmen und Aktionen.
- Trainingsdaten: Wie selbstfahrende Autos (eine Nuss, die noch geknackt werden muss) erfordert maschinelles Lernen Trainingsdaten, um Softwaremuster zu skizzieren.
Diese drei Punkte müssen bei jeder Codeänderung verinnerlicht und gründlich getestet werden. Anschließend müssen sie nahtlos und intelligent aggregiert und priorisiert werden. Das ist keine Kleinigkeit, aber wir werden weiter am nächsten Schritt arbeiten.
Wir haben es noch nicht. Jeder dieser Schritte muss abgeschlossen sein, bevor wir weitermachen können, aber es ist wirklich nur eine Frage der Zeit.
Selbsttestende Software ist nur der erste Schritt: Ich gehe davon aus, dass wir weitere No-Code-Beispiele erwarten können, die gerade in Richtung maschinelles Lernen auf den Markt kommen. Ich glaube, dass es nur eine Frage der Zeit ist, bis die Generierung ganzer Websites auf der Grundlage einiger benutzerdefinierter Parameter Realität wird. Heute ist die No-Code-Revolution endlich da, aber mit ihr beginnt auch eine weitere Revolution.
Das obige ist der detaillierte Inhalt vonKünstliche Intelligenz, maschinelles Lernen und die Zukunft der Softwareentwicklung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
