Inhaltsverzeichnis
Traditionelles manuelles Testkonzept
Die Notwendigkeit der Testautomatisierung
So verwenden Sie GenAI zum Generieren automatisierter Testskripte
Zusammenfassung
Vorstellung des Übersetzers
Heim Technologie-Peripheriegeräte KI Produktions-KI-gesteuerte Host-Automatisierungstests

Produktions-KI-gesteuerte Host-Automatisierungstests

Feb 26, 2024 am 11:34 AM
生成式ai Mainframe-Automatisierung

Übersetzer |. Chen Jun

Rezensent |. Chonglou

Die Migration des Codes und der Daten traditioneller Mainframe-Anwendungen auf moderne Technologiearchitektur gilt als wichtiger Schritt in der digitalen Entwicklung von Unternehmen. Im Streben nach Effizienz und Skalierbarkeit beinhaltet dieser Übergang häufig die Migration von traditionellen Mainframe-Umgebungen zu flexibleren Cloud- oder On-Premise-Lösungen. Solche Transformationen helfen Unternehmen, mehr Agilität und Innovation zu erreichen und gleichzeitig die Kosten zu senken und die Sicherheit zu verbessern. Diese Migration kann auch zu einer besseren Ressourcennutzung und einer schnelleren Reaktionsfähigkeit des Unternehmens auf den Markt führen. Unternehmen müssen diesen Übergang sorgfältig planen und durchführen, um sicherzustellen, dass der Datenmigrations- und Anwendungsrekonstruktionsprozess reibungslos verläuft, um Geschäftskontinuität und Datensicherheit zu gewährleisten. Durch die Migration traditioneller Mainframe-Anwendungen auf moderne Technologiearchitektur können sich Unternehmen besser an die sich schnell ändernden Marktanforderungen anpassen und

Produktions-KI-gesteuerte Host-Automatisierungstests

erreichen. Mit den dynamischen Veränderungen im Geschäftsumfeld wird der Migrationsprozess jedoch auch komplizierter. Dabei handelt es sich nicht nur um eine technische Umverteilung von Ressourcen, sondern auch um eine grundlegende Änderung. Daher sind häufig strenge Tests erforderlich, um die Gleichwertigkeit verschiedener Funktionen sicherzustellen und so die betriebliche Integrität und Leistung der Anwendung aufrechtzuerhalten.

Gleichzeitig sind Anwendungen nach der Migration häufig gezwungen, umfangreiche Änderungen vorzunehmen, die durch neue Anforderungen, sich entwickelnde Geschäftsstrategien und Änderungen der regulatorischen Standards bedingt sind. Und jede Änderung, egal ob es sich um eine kleine Anpassung oder eine große „Renovierung“ handelt, muss einer strengen Prüfung unterzogen werden. Die größte Herausforderung besteht darin, sicherzustellen, dass neue Änderungen harmonisch in die bestehende Funktionalität integriert werden, ohne unbeabsichtigte Folgen oder Störungen zu verursachen. Es zeigt sich, dass die doppelte Anforderung, neue Funktionen zu verifizieren und bestehende Funktionen beizubehalten, die Bedeutung automatisierter Testsuiten nach der Migration unterstreicht.

In den letzten Jahren wurde generative KI (GenAI) in verschiedenen Bereichen weit verbreitet eingesetzt. Wenn es in den Modernisierungsprozess von Großrechnern eingeführt wird, wird nicht nur erwartet, dass Unternehmen erhebliche Verbesserungen in der Softwarequalität, der betrieblichen Effizienz usw. erzielen, sondern auch grundlegende Änderungen in den Softwareentwicklungs- und Qualitätssicherungskonzepten mit sich bringen, die Unternehmen ermöglichen um letztendlich eine beträchtliche Kapitalrendite zu erzielen.

Ich bespreche mit Ihnen, wie Sie geeignete automatisierte Testmethoden, Tools und Best Practices nutzen können, um sicherzustellen, dass die inhärente Qualität und Leistung moderner Mainframe-Anwendungen während eines reibungslosen Technologieübergangs erhalten bleibt.

Traditionelles manuelles Testkonzept

Große Host-Umgebungen waren lange Zeit nicht bereit, automatisierte Testmethoden zu akzeptieren. Die Globale Umfrage 2019, die gemeinsam von Compuware und Vanson Bourne durchgeführt wurde, zeigt, dass nur 7 % der Befragten automatisierte Testfälle für Mainframe-Anwendungen übernommen haben, was ausreicht, um die Einstellung der Branche dazu zu veranschaulichen.

Das Dilemma des manuellen Testens

Im Gegensatz dazu ist manuelles Testen eine traditionelle Methode, die häufig von vielen Unternehmen verwendet wird. Im komplexen Prozess der Mainframe-Modernisierung wird dieser Ansatz jedoch zunehmend unzureichend und fehleranfällig. Schließlich müssen Testingenieure jedes Szenario und jede Geschäftsregel manuell überprüfen. Dieser Prozess ist mit der Möglichkeit menschlichen Versagens behaftet. Darüber hinaus kann es angesichts des hohen Risikos und der geschäftskritischen Natur vieler Mainframe-Anwendungen zu schwerwiegenden Produktionsproblemen, erheblichen Ausfallzeiten und sogar finanziellen Verlusten kommen, wenn wir während des Testprozesses einen geringfügigen Fehler übersehen. Daher tritt dieser Mangel besonders hervor. Darüber hinaus weisen manuelle Tests auch die folgenden Mängel auf:

1. Auslassungen und Ungenauigkeiten: Die manuelle Verarbeitung einer großen Anzahl von Testfällen erhöht das Risiko, dass Schlüsselszenarien übersehen werden und die Daten nicht korrekt überprüft werden.

2. Zeitaufwändig: Manuelle Methoden erfordern viel Zeit, um jeden Aspekt gründlich zu testen, sodass sie in schnelllebigen Entwicklungsumgebungen nicht effizient sind.

3. Skalierbarkeitsproblem: Mit der Erweiterung und Weiterentwicklung der Anwendung steigt der für manuelle Tests erforderliche Arbeitsaufwand exponentiell an, sodass es unmöglich wird, Fehler effektiv zu identifizieren.

Einige Unternehmen denken möglicherweise intuitiv darüber nach, ihr Team für manuelle Tests zu erweitern. Dies ist jedoch keine praktikable Lösung. Dieser Schritt führt zu Kostenineffizienzen und berücksichtigt nicht die inhärenten Einschränkungen manueller Testprozesse. Unternehmen müssen automatisierte Testprozesse durch moderne Methoden wie DevOps integrieren, um die Effizienz zu verbessern und Fehler zu reduzieren.

Die Notwendigkeit der Testautomatisierung

Insgesamt können Unternehmen durch die Integration automatisierter Testprozesse in moderne Mainframe-Anwendungen die Effizienz und Genauigkeit von Migrationen deutlich verbessern. Natürlich ist die Akzeptanzrate automatisierter Tests in Mainframe-Umgebungen nicht hoch. Manche Unternehmen sehen darin eine Herausforderung, andere sehen darin eine große Transformationschance. Schließlich ist die Einführung der Automatisierung beim Testen nicht nur ein Technologie-Upgrade, sondern ein strategischer Schritt, um Risiken zu reduzieren, Zeit zu sparen und die Ressourcennutzung zu optimieren.

Dieser Wandel ist von entscheidender Bedeutung für Unternehmen, die in einem sich schnell entwickelnden technologischen Umfeld wettbewerbsfähig und effizient bleiben wollen. Laut dem „DevOps Status Report“ können automatisierte Tests eine große Rolle bei der Optimierung betrieblicher Arbeitsabläufe und der Gewährleistung der Anwendungszuverlässigkeit spielen. Was ist automatisiertes Testen?

Laut

Atlassians Definition ist automatisiertes Testen der Einsatz von Softwaretools, um den Überprüfungs- und Verifizierungsprozess manuell gesteuerter Softwareprodukte automatisch abzuschließen. Seine Geschwindigkeit, Effizienz und Genauigkeit übertreffen die Grenzen herkömmlicher manueller Testmethoden. Das heißt, automatisierte Tests tragen dazu bei, Anwendungsänderungen zu beschleunigen und gleichzeitig sicherzustellen, dass Qualität und Zuverlässigkeit nicht beeinträchtigt werden. Automatisierte Tests vereinfachen nicht nur den Verifizierungsprozess neuer Änderungen, sondern überwachen auch die Integrität vorhandener Funktionen und spielen so eine Schlüsselrolle bei der nahtlosen Umstellung und kontinuierlichen Wartung moderner Anwendungen. Um den Softwaretestprozess zu optimieren, erfordert der Einsatz automatisierter Tests oft anfängliche manuelle Investitionen, die das Verständnis der Testingenieure für die komplexe Geschäftslogik erfordern, die der Anwendung zugrunde liegt. Dieses Verständnis ist entscheidend, um mithilfe von Frameworks wie Selenium effektiv automatisierte Testfälle zu generieren. Obwohl diese Phase viel Arbeitskraft erfordert, handelt es sich um eine grundlegende Arbeit. Denn durch nachfolgende automatisierte Tests wird die Abhängigkeit von manuellen Tests deutlich reduziert, insbesondere bei sich wiederholenden und umfangreichen Testszenarien. Darüber hinaus wird ein einmal eingerichtetes Automatisierungs-Framework zu einem leistungsstarken Mechanismus für die kontinuierliche Bewertung von Anwendungen. Sein Vorteil besteht darin, dass es Fehler oder Bugs, die aufgrund von Anwendungsänderungen auftreten können, gut erkennen kann.

Automatisierte Testmethoden im Mainframe-Modernisierungsprozess

Im Bereich Software Engineering erfordern automatisierte Tests für groß angelegte Migrationen oder Modernisierungen von Mainframe-Anwendungen häufig ein umfassendes Verständnis aller Geschäftsregeln in der Anwendung, um dies zu erreichen Generieren Sie automatisierte Testfälle für große Codebasen, die oft aus Millionen von Codezeilen bestehen. Dies ist eine komplexe und ziemlich schwierige Aufgabe. Da es schwierig ist, eine 100-prozentige Codeabdeckung zu erreichen, müssen wir ein Gleichgewicht zwischen Testabdeckungstiefe und praktischer Durchführbarkeit erreichen, um sicherzustellen, dass kritische Geschäftslogik eine ausreichende Testabdeckung erhalten kann.

In diesem Fall bieten neue Technologien wie GenAI eine Möglichkeit. Es kann automatisch automatisierte Testskripte generieren, um den Testprozess von Mainframe-Modernisierungsprojekten zu vereinfachen und eine effizientere, genauere und skalierbarere Methode zur Qualitätssicherung in der Softwareentwicklung bereitzustellen.

Umfassende Nutzung von GenAI

Bevor wir näher darauf eingehen, wie GenAI automatisierte Tests bei der Mainframe-Modernisierung ermöglicht, werfen wir einen kurzen Blick auf GenAI. Grundsätzlich stellt GenAI einen Aspekt der künstlichen Intelligenz dar. Es nutzt generative Modelle, um verschiedene Texte, Bilder oder andere Medien zu generieren. Diese generativen KI-Modelle sind gut darin, die Muster und Strukturelemente der eingegebenen Trainingsdaten zu lernen und dann neue Daten zu generieren, die diese Merkmale widerspiegeln. Offensichtlich basieren solche Systeme hauptsächlich auf Modellen des maschinellen Lernens, insbesondere im Bereich des Deep Learning.

Natural Language Generation (NLG) ist eine Form von GenAI, die für die Modernisierung von Großrechnern von großer Bedeutung ist. Mithilfe großer Sprachmodelle (LLM) kann es menschenähnlichen Text erzeugen. In der Regel werden LLMs an großen Textdatenkorpora geschult, um die Nuancen und Strukturen der Sprache zu erkennen und zu reproduzieren. Diese Schulung ermöglicht es ihnen daher, eine Vielzahl von Aufgaben zur Verarbeitung natürlicher Sprache durchzuführen, darunter Textgenerierung, Übersetzungszusammenfassung und Stimmungsanalyse. Insbesondere beherrscht LLM auch die Generierung präzisen Computerprogrammcodes.

Zu den derzeit bekannten Anwendungsfällen großer Sprachmodelle gehören: GPT-3 (Generative Pre-trained Transformer 3), BERT (Bidirektionale Encoder-Repräsentationen von Transformern) und T5 (Text-to-Text Transfer Transformer). Diese Modelle basieren normalerweise auf tiefen neuronalen Netzen, insbesondere solchen, die die Transformer-Architektur verwenden. Daher zeigen sie eine hervorragende Effizienz bei der Verarbeitung sequenzieller Daten wie Text. Große Mengen an Trainingsdaten, darunter Millionen oder sogar Milliarden von Wörtern oder Dokumenten, ermöglichen es diesen Modellen, eine Vielzahl von Programmiersprachen zu beherrschen. Sie zeichnen sich nicht nur dadurch aus, dass sie kohärenten und kontextbezogenen Text erzeugen, sondern auch, wenn es darum geht, Sprachmuster vorherzusagen, etwa beim Vervollständigen von Sätzen oder beim Beantworten von Fragen.

Derzeit können einige große Sprachmodelle auch Texte in mehreren Sprachen verstehen und generieren, wodurch ihr Nutzen weltweit zunimmt, von der Bereitstellung von „Intelligenz“ für Chatbots und virtuelle Assistenten bis hin zur Unterstützung der Inhaltsgenerierung in Anwendungsfeldern wie der Sprache Übersetzung und Zusammenfassung: Die Vielseitigkeit von LLM kann zu hervorragenden Leistungen führen.

So verwenden Sie GenAI zum Generieren automatisierter Testskripte

Im Bereich Softwaretests kann LLM uns dabei helfen, Geschäftslogik aus dem Anwendungscode zu extrahieren, diese Regeln in ein für Menschen lesbares Format umzuwandeln und dann die zu generieren entsprechende automatisierte Testskripte. Gleichzeitig kann es uns auch dabei helfen, die erforderliche Anzahl von Testfällen auszuwählen, um verschiedene potenzielle Abdeckungsanforderungen der Codefragmente zu erfüllen.

Normalerweise erfordert die Verwendung von GenAI zum Generieren automatisierter Testskripte für Anwendungscode einen strukturierten dreistufigen Prozess wie folgt:

1. Verwenden Sie GenAI zum Extrahieren von Geschäftsregeln: Als erstes müssen wir GenAI verwenden, um Geschäftsregeln aus der Anwendung extrahieren. Geschäftsregeln verfeinern. Dieser Prozess beurteilt die extrahierten Regeln nach dem Detaillierungsgrad und interpretiert sie in einem für Menschen lesbaren Format. Darüber hinaus hilft GenAI auch dabei, ein umfassendes Verständnis aller potenziellen Ergebnisse eines bestimmten Codeabschnitts zu erlangen. Dieses Wissen ist entscheidend, um sicherzustellen, dass genaue, relevante Testskripte erstellt werden.

2. Verwenden Sie GenAI, um automatisierte Testskripte auf Funktionsebene zu generieren: Basierend auf der extrahierten Geschäftslogik können Testingenieure ein umfassendes Verständnis der Funktionen der Anwendung erlangen, sodass sie GenAI verwenden können, um Testskripte auf Funktionsebene zu entwickeln . Dieser Schritt umfasst die Bestimmung der Anzahl der erforderlichen Testskripte und die Identifizierung von Szenarios, die möglicherweise ausgeschlossen werden. Natürlich wird die Codeabdeckung solcher automatisierten Testskripte oft gemeinsam vom Team entschieden.

3. Überprüfung und Inferenzergänzung durch Fachexperten (SME): In der letzten Phase, sobald die Geschäftslogik extrahiert und die entsprechenden automatisierten Testskripte generiert wurden, überprüfen die Testexperten diese Skripte und haben das Recht zur Durchführung Vorgänge wie Hinzufügen, Ändern oder Löschen. Solche Eingriffe beheben potenzielle probabilistische Fehler, die aus der GenAI-Ausgabe resultieren können, und erhöhen die Qualitätssicherheit automatisierter Testskripte.

Der obige Prozess mag kompliziert erscheinen, aber tatsächlich kann er die Fähigkeiten von GenAI voll ausnutzen, um den Prozess der Testskriptgenerierung zu vereinfachen und die perfekte Kombination aus Automatisierungseffizienz und menschlichem Fachwissen sicherzustellen. Dabei ist die Beteiligung der Tester an der Verifizierungsphase besonders wichtig. Dadurch können die durch künstliche Intelligenz generierten Ausgabeergebnisse auf tatsächlichem, realem Anwendungswissen basieren, wodurch die Zuverlässigkeit und Anwendbarkeit von Testskripten deutlich verbessert wird.

Zusammenfassung

Zusammenfassend kann GenAI als Werkzeug zur Effizienzsteigerung mithilfe seiner NLG-Funktionen automatisierte Testskripte generieren und so die Genauigkeit und Zuverlässigkeit des Softwaretestprozesses für die Mainframe-Modernisierung verbessern. Gleichzeitig muss GenAI die von der KI generierten Ausgabeergebnisse durch einen strukturierten dreistufigen Prozess verbessern und sicherstellen, dass die automatisierten Skripte nicht nur technisch sinnvoll, sondern auch in der Praxis anwendbar sind und so die Harmonie und Einheit der Fähigkeiten der KI und des Menschen widerspiegeln Sachverstand. Diese Integration ist eindeutig von entscheidender Bedeutung, um der Komplexität und den dynamischen Anforderungen moderner Mainframe-Anwendungen gerecht zu werden.

Vorstellung des Übersetzers

Julian Chen, 51CTO-Community-Redakteur, verfügt über mehr als zehn Jahre Erfahrung in der Umsetzung von IT-Projekten, ist gut im Management und der Kontrolle interner und externer Ressourcen und Risiken und konzentriert sich auf die Verbreitung von Netzwerk- und Informationssicherheit Wissen und Erfahrung.

Originaltitel: GenAI-Driven Automation Testing in Mainframe Modernization, Autor: sampath amatam)


Das obige ist der detaillierte Inhalt vonProduktions-KI-gesteuerte Host-Automatisierungstests. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Der chinesische Mathematiker Terence Tao leitet die Arbeitsgruppe für generative KI im Weißen Haus, und Li Feifei wird in der Gruppe sprechen Der chinesische Mathematiker Terence Tao leitet die Arbeitsgruppe für generative KI im Weißen Haus, und Li Feifei wird in der Gruppe sprechen May 25, 2023 am 10:36 AM

Die vom Beraterrat des Präsidenten für Wissenschaft und Technologie eingerichtete Arbeitsgruppe „Generative KI“ soll dazu beitragen, die wichtigsten Chancen und Risiken im Bereich der künstlichen Intelligenz zu bewerten und den Präsidenten zu beraten, um sicherzustellen, dass diese Technologien fair und sicher entwickelt und eingesetzt werden , und zwar verantwortungsvoll wie möglich. AMD-CEO Lisa Su und Google Cloud Chief Information Security Officer Phil Venables sind ebenfalls Mitglieder der Arbeitsgruppe. Der chinesisch-amerikanische Mathematiker und Fields-Medaillengewinner Terence Tao. Am 13. Mai Ortszeit gab der chinesisch-amerikanische Mathematiker und Fields-Medaillengewinner Terence Tao bekannt, dass er und die Physikerin Laura Greene gemeinsam die Arbeitsgruppe „Generative Künstliche Intelligenz“ des U.S. Presidential Council of Advisors on Science and Technology (PCAST) leiten werden.

Wie wirkt sich LLM von „Mensch + RPA' bis „Mensch + generative KI + RPA' auf die RPA-Mensch-Computer-Interaktion aus? Wie wirkt sich LLM von „Mensch + RPA' bis „Mensch + generative KI + RPA' auf die RPA-Mensch-Computer-Interaktion aus? Jun 05, 2023 pm 12:30 PM

Bildquelle@visualchinesewen|Wang Jiwei Wie wirkt sich LLM von „Mensch + RPA“ auf „Mensch + generative KI + RPA“ auf die RPA-Mensch-Computer-Interaktion aus? Wie wirkt sich LLM aus einer anderen Perspektive auf RPA aus der Perspektive der Mensch-Computer-Interaktion aus? Wird RPA, das die Mensch-Computer-Interaktion in der Programmentwicklung und Prozessautomatisierung betrifft, nun auch durch LLM verändert? Wie wirkt sich LLM auf die Mensch-Computer-Interaktion aus? Wie verändert generative KI die RPA-Mensch-Computer-Interaktion? Erfahren Sie mehr darüber in einem Artikel: Die Ära der großen Modelle steht vor der Tür und die auf LLM basierende generative KI verändert die RPA-Mensch-Computer-Interaktion rasant. Die generative KI definiert die Mensch-Computer-Interaktion neu und LLM beeinflusst die Veränderungen in der RPA-Softwarearchitektur. Wenn man fragt, welchen Beitrag RPA zur Programmentwicklung und -automatisierung leistet, lautet eine der Antworten, dass es die Mensch-Computer-Interaktion (HCI, h

Warum ist generative KI in verschiedenen Branchen gefragt? Warum ist generative KI in verschiedenen Branchen gefragt? Mar 30, 2024 pm 07:36 PM

Generative KI ist eine Art menschlicher künstlicher Intelligenztechnologie, die verschiedene Arten von Inhalten generieren kann, darunter Text, Bilder, Audio und synthetische Daten. Was ist also künstliche Intelligenz? Was ist der Unterschied zwischen künstlicher Intelligenz und maschinellem Lernen? Künstliche Intelligenz ist die Disziplin, ein Zweig der Informatik, die sich mit der Schaffung intelligenter Agenten befasst, bei denen es sich um Systeme handelt, die autonom denken, lernen und Aktionen ausführen können. Im Kern geht es bei der künstlichen Intelligenz um die Theorien und Methoden zum Bau von Maschinen, die wie Menschen denken und handeln. Innerhalb dieser Disziplin ist maschinelles Lernen (ML) ein Bereich der künstlichen Intelligenz. Es handelt sich um ein Programm oder System, das ein Modell auf der Grundlage von Eingabedaten trainiert. Das trainierte Modell kann nützliche Vorhersagen aus neuen oder unbekannten Daten treffen, die aus den einheitlichen Daten abgeleitet werden, auf denen das Modell trainiert wurde.

Verabschieden Sie sich von Design-Software zum Generieren von Renderings in einem Satz: Generative KI untergräbt den Bereich Dekoration und Dekoration mit 28 beliebten Tools Verabschieden Sie sich von Design-Software zum Generieren von Renderings in einem Satz: Generative KI untergräbt den Bereich Dekoration und Dekoration mit 28 beliebten Tools Jun 10, 2023 pm 03:33 PM

▲Dieses Bild wurde von Kujiale, Sanweijia, Dongyi Risheng usw. erstellt. Die Dekorations- und Dekorationsindustriekette hat AIGC in großem Umfang eingeführt ? Welche Auswirkungen hat es auf Designer? Ein Artikel zum Verständnis und zum Abschied von verschiedenen Design-Softwares zum Generieren von Renderings in einem Satz. Der Einsatz künstlicher Intelligenz zur Verbesserung der Designeffizienz Welchen Einfluss hat generative KI auf die Dekorations- und Dekorationsbranche? Was sind die zukünftigen Entwicklungstrends? Ein Artikel, um zu verstehen, wie LLM Dekoration und Dekoration revolutioniert. Diese 28 beliebten generativen KI-Dekorationsdesign-Tools sind einen Versuch wert. Artikel/Wang Jiwei Im Bereich Dekoration und Dekoration gab es in letzter Zeit viele Neuigkeiten. Collov bringt generatives KI-gesteuertes Designtool Col auf den Markt

Anschauen: Welches Potenzial bietet die Anwendung generativer KI für die Netzwerkautomatisierung? Anschauen: Welches Potenzial bietet die Anwendung generativer KI für die Netzwerkautomatisierung? Aug 17, 2023 pm 07:57 PM

Laut einem neuen Bericht des Marktforschungsunternehmens Omdia wird generative künstliche Intelligenz (GenAI) voraussichtlich bis 2023 zu einem überzeugenden Technologietrend werden und wichtige Anwendungen für Unternehmen und Einzelpersonen, einschließlich Bildung, bringen. Im Telekommunikationsbereich konzentrieren sich die Anwendungsfälle für GenAI hauptsächlich auf die Bereitstellung personalisierter Marketinginhalte oder die Unterstützung komplexerer virtueller Assistenten zur Verbesserung des Kundenerlebnisses. Obwohl die Anwendung generativer KI im Netzwerkbetrieb nicht offensichtlich ist, hat EnterpriseWeb ein interessantes Konzept entwickelt. Demonstration des Potenzials generativer KI in diesem Bereich sowie der Fähigkeiten und Grenzen generativer KI in der Netzwerkautomatisierung. Eine der ersten Anwendungen generativer KI im Netzwerkbetrieb war der Einsatz interaktiver Anleitungen als Ersatz für technische Handbücher, um bei der Installation von Netzwerkelementen zu helfen

Welcher Technologieriese steht hinter der generativen KI-Innovation von Haier und Siemens? Welcher Technologieriese steht hinter der generativen KI-Innovation von Haier und Siemens? Nov 21, 2023 am 09:02 AM

Gu Fan, General Manager der Abteilung für strategische Geschäftsentwicklung von Amazon Cloud Technology Greater China Im Jahr 2023 werden große Sprachmodelle und generative KI auf dem Weltmarkt „stark ansteigen“ und nicht nur „eine überwältigende“ Nachfolge in der KI auslösen und Cloud-Computing-Branche, sondern auch energisch, um Produktionsgiganten für den Einstieg in die Branche zu gewinnen. Das Haier Innovation Design Center hat die erste AIGC-Industriedesignlösung des Landes entwickelt, die den Designzyklus erheblich verkürzte und die Konzeptdesignkosten senkte. Sie beschleunigte nicht nur das gesamte Konzeptdesign um 83 %, sondern steigerte auch die integrierte Rendering-Effizienz effektiv um etwa 90 % Zu den Lösungsproblemen gehören hohe Arbeitskosten sowie eine geringe Konzeptausbeute und Genehmigungseffizienz in der Entwurfsphase. Die intelligente Wissensdatenbank und der intelligente Konversationsroboter „Xiaoyu“ von Siemens China basieren auf einem eigenen Modell und verfügen über die Verarbeitung natürlicher Sprache, den Abruf von Wissensdatenbanken und das Training großer Sprachen mithilfe von Daten

Tencent Hunyuan aktualisiert die Modellmatrix und führt ein 256.000 langes Artikelmodell in der Cloud ein Tencent Hunyuan aktualisiert die Modellmatrix und führt ein 256.000 langes Artikelmodell in der Cloud ein Jun 01, 2024 pm 01:46 PM

Die Implementierung großer Modelle beschleunigt sich und die „industrielle Praktikabilität“ ist zu einem Entwicklungskonsens geworden. Am 17. Mai 2024 fand in Peking der Tencent Cloud Generative AI Industry Application Summit statt, bei dem eine Reihe von Fortschritten bei der Entwicklung großer Modelle und Anwendungsprodukten angekündigt wurden. Die Hunyuan-Großmodellfunktionen von Tencent werden weiterhin über Tencent Cloud für die Außenwelt geöffnet, um die Modellanforderungen von Unternehmenskunden und Entwicklern in verschiedenen Szenarien zu erfüllen und umzusetzen die optimale kostengünstige Modelllösung. Tencent Cloud veröffentlicht drei Haupttools: Wissens-Engine für große Modelle, Bilderstellungs-Engine und Video-Erstellungs-Engine. Damit wird eine native Toolkette für das Zeitalter großer Modelle erstellt und der Datenzugriff, die Feinabstimmung von Modellen und Anwendungsentwicklungsprozesse durch PaaS-Dienste vereinfacht Unternehmen zu helfen

Transformativer Trend: Generative künstliche Intelligenz und ihre Auswirkungen auf die Softwareentwicklung Transformativer Trend: Generative künstliche Intelligenz und ihre Auswirkungen auf die Softwareentwicklung Feb 26, 2024 pm 10:28 PM

Der Aufstieg der künstlichen Intelligenz treibt die rasante Entwicklung der Softwareentwicklung voran. Diese leistungsstarke Technologie hat das Potenzial, die Art und Weise, wie wir Software erstellen, zu revolutionieren, mit weitreichenden Auswirkungen auf jeden Aspekt von Design, Entwicklung, Tests und Bereitstellung. Für Unternehmen, die in den Bereich der dynamischen Softwareentwicklung einsteigen möchten, bietet das Aufkommen der generativen künstlichen Intelligenz-Technologie beispiellose Entwicklungsmöglichkeiten. Durch die Integration dieser Spitzentechnologie in ihre Entwicklungsprozesse können Unternehmen die Produktionseffizienz erheblich steigern, die Markteinführungszeit von Produkten verkürzen und hochwertige Softwareprodukte auf den Markt bringen, die sich im hart umkämpften digitalen Markt abheben. Laut einem McKinsey-Bericht wird erwartet, dass der Markt für generative künstliche Intelligenz bis 2031 voraussichtlich 4,4 Billionen US-Dollar erreichen wird. Diese Prognose spiegelt nicht nur einen Trend wider, sondern zeigt auch die Technologie- und Geschäftslandschaft.

See all articles