AI はプラットフォーム エンジニアリングと DevEx をどのように強化するのでしょうか?
著者 | Heather Joslyn
次の内容を中国語に書き直してください: Xingxuan
DevOps を導入している多くの企業にとって、開発者の生産性を向上させて価値を拡張し創造することは大きな課題です。この記事では、プラットフォーム エンジニアリングにおける最新の AI 主導のアプローチについて説明します。
1. AI 主導の DevOps プラットフォーム
Digital.ai は、世界企業のデジタル変革の実現を支援することに専念する、業界をリードする AI 主導のテクノロジー企業です。その顧客には、金融機関、保険会社、ゲーム会社などの大企業が含まれます。彼らが直面する最大の問題の 1 つは規模です。
今日は、AI 主導の企業における DevOps プラットフォームがどのように実装されているかを明らかにしたいと思います。
もちろん、Digital.ai バリュー ストリーム配信プラットフォームと DevOps エンジニアリング担当副社長によると、 DevOpsゼネラルマネージャーのWing To氏は海外メディアのポッドキャストで、アジャイルDevOpsなどの最新の開発手法をすべて採用していると述べた。ただし、大規模な組織 (例: 数千人の開発者) が直面する本当の課題は、迅速な配信のメリットを享受し、エンド ユーザーとの関連性を維持しながら、これを大規模に実行できるようにする方法を拡張する方法です
この記事では、プラットフォーム エンジニアリングの最新の進歩と、人工知能が自動化の強化にどのように役立つかについて説明します。
Wing To 氏は次のように述べています:「もちろん、それらはすべてアジャイル DevOps などの最新の開発手法を使用しています。」Digital.ai のバリュー ストリーム デリバリー プラットフォームおよび DevOps エンジニアリング担当バイスプレジデントを追加
大規模組織の場合特に、何万人もの開発者を組織している場合、私たちが直面する本当の課題は、スケーリングしながら迅速な配信を実現し、エンド ユーザーの近くにいて、それを大規模に実行できるようにする方法です。 Makers の今号では、TNS の To と Heather Joslyn が、プラットフォーム エンジニアリングの最新の進歩と、人工知能が自動化の強化と生産性の向上にどのように役立つかについて議論します。
DevOps プラクティスを促進するという課題に加えて、考慮すべきもう 1 つの疑問があります。これらのプラクティスが開発者により多くのコードを作成し、より頻繁にリリースするのに役立つとしたら、それは良いことなのでしょうか?
新たな課題もあると彼は付け加えた。 「特に大企業では、誰もが AI 支援または AI 拡張の開発について話しており、生産性向上の可能性を認識していると思います。しかし、これを組織全体にどのように実装すればよいでしょうか?」
企業に生産性の高い開発者がいるにもかかわらず、ソフトウェアの構築後に何が起こるかという点で彼らに匹敵できない場合はどうすればよいでしょうか? To 氏は次のように述べています。「ご存知のとおり、コードの提供は単にコードを書くだけではありません。その後にも多くのプロセスがあります。」「フォローアップも同じペースで行う必要があります。」
3.自動化と人工知能を組み合わせる
プラットフォーム エンジニアリングは、開発者が Kubernetes とインフラストラクチャについて心配しすぎたり、運用エンジニアが開発者にサービスを提供する際の反復的なタスクを引き受けたりすることから解放されるように設計された一連のプラクティスとツールです。 「チームの規模が大きくなるにつれて、私たちが直面する課題は、新しいジュニア開発者(および)中堅開発者のスキルがあまり高くないことです。また、上級開発者にはインフラストラクチャにすべての時間を費やしてほしくないのです。」と To 氏は述べました。
digital.ai は、開発者がコードを作成して提供できるように、また組織がソフトウェア制作からより多くのビジネス価値を獲得できるようにするために、自動化に人工知能を組み込むことに重点を置いています。では、どのようにスケールするのでしょうか?再利用可能な共通のオーケストレーションを実現するには、どのように調整すればよいでしょうか?
Digital.ai の現在の作業には、組織のソフトウェア配信プロセスの変更が難しい部分をキャプチャして複製するためのテンプレートの適用が含まれます。さらに、人工知能テクノロジーも使用して、開発者環境のセットアップを迅速に自動化し、開発者向けツールを作成します。
私の理解によれば、この文の意味は、Digital.ai が「」を改善するために懸命に取り組んでいることです。内部開発者プラットフォーム」を使用しており、パイプラインの作成、個々のタスクの実行、
のセットアップなど、これを実現するためにさまざまなツールを使用しています。以上がAI はプラットフォーム エンジニアリングと DevEx をどのように強化するのでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









AIxivコラムは、当サイトが学術的・技術的な内容を掲載するコラムです。過去数年間で、このサイトの AIxiv コラムには 2,000 件を超えるレポートが寄せられ、世界中の主要な大学や企業のトップ研究室がカバーされ、学術交流と普及を効果的に促進しています。共有したい優れた作品がある場合は、お気軽に寄稿するか、報告のために当社までご連絡ください。提出電子メール: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com この論文の著者は全員、イリノイ大学アーバナ シャンペーン校 (UIUC) の Zhang Lingming 教師のチームのメンバーです。博士課程4年、研究者

AIモデルによって与えられた答えがまったく理解できない場合、あなたはそれをあえて使用しますか?機械学習システムがより重要な分野で使用されるにつれて、なぜその出力を信頼できるのか、またどのような場合に信頼してはいけないのかを実証することがますます重要になっています。複雑なシステムの出力に対する信頼を得る方法の 1 つは、人間または他の信頼できるシステムが読み取れる、つまり、考えられるエラーが発生する可能性がある点まで完全に理解できる、その出力の解釈を生成することをシステムに要求することです。見つかった。たとえば、司法制度に対する信頼を築くために、裁判所に対し、決定を説明し裏付ける明確で読みやすい書面による意見を提供することを求めています。大規模な言語モデルの場合も、同様のアプローチを採用できます。ただし、このアプローチを採用する場合は、言語モデルが

LLM に因果連鎖を示すと、LLM は公理を学習します。 AI はすでに数学者や科学者の研究を支援しています。たとえば、有名な数学者のテレンス タオは、GPT などの AI ツールを活用した研究や探索の経験を繰り返し共有しています。 AI がこれらの分野で競争するには、強力で信頼性の高い因果推論能力が不可欠です。この記事で紹介する研究では、小さなグラフでの因果的推移性公理の実証でトレーニングされた Transformer モデルが、大きなグラフでの推移性公理に一般化できることがわかりました。言い換えれば、Transformer が単純な因果推論の実行を学習すると、より複雑な因果推論に使用できる可能性があります。チームが提案した公理的トレーニング フレームワークは、デモンストレーションのみで受動的データに基づいて因果推論を学習するための新しいパラダイムです。

乾杯!紙面でのディスカッションが言葉だけになると、どんな感じになるでしょうか?最近、スタンフォード大学の学生が、arXiv 論文のオープン ディスカッション フォーラムである alphaXiv を作成しました。このフォーラムでは、arXiv 論文に直接質問やコメントを投稿できます。 Web サイトのリンク: https://alphaxiv.org/ 実際、URL の arXiv を alphaXiv に変更するだけで、alphaXiv フォーラムの対応する論文を直接開くことができます。この Web サイトにアクセスする必要はありません。その中の段落を正確に見つけることができます。論文、文: 右側のディスカッション エリアでは、ユーザーは論文のアイデアや詳細について著者に尋ねる質問を投稿できます。たとえば、次のような論文の内容についてコメントすることもできます。

最近、2000年代の7大問題の一つとして知られるリーマン予想が新たなブレークスルーを達成した。リーマン予想は、数学における非常に重要な未解決の問題であり、素数の分布の正確な性質に関連しています (素数とは、1 とそれ自身でのみ割り切れる数であり、整数論において基本的な役割を果たします)。今日の数学文献には、リーマン予想 (またはその一般化された形式) の確立に基づいた 1,000 を超える数学的命題があります。言い換えれば、リーマン予想とその一般化された形式が証明されれば、これらの 1,000 を超える命題が定理として確立され、数学の分野に重大な影響を与えることになります。これらの命題の一部も有効性を失います。 MIT数学教授ラリー・ガスとオックスフォード大学から新たな進歩がもたらされる

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

現在、次のトークン予測パラダイムを使用した自己回帰大規模言語モデルが世界中で普及していると同時に、インターネット上の多数の合成画像やビデオがすでに拡散モデルの威力を示しています。最近、MITCSAIL の研究チーム (そのうちの 1 人は MIT の博士課程学生、Chen Boyuan です) は、全系列拡散モデルとネクスト トークン モデルの強力な機能を統合することに成功し、トレーニングおよびサンプリング パラダイムである拡散強制 (DF) を提案しました。 )。論文タイトル:DiffusionForcing:Next-tokenPredictionMeetsFull-SequenceDiffusion 論文アドレス:https:/

小型モデルの台頭。先月、Meta は Llama3.1 シリーズのモデルをリリースしました。これには、Meta のこれまでで最大のモデルである 405B モデルと、それぞれ 700 億と 80 億のパラメータを持つ 2 つの小型モデルが含まれています。 Llama3.1 は、オープンソースの新時代の到来を告げるものと考えられています。ただし、新世代モデルはパフォーマンスが強力ですが、導入時には依然として大量のコンピューティング リソースが必要です。したがって、多くの言語タスクで十分なパフォーマンスを発揮し、導入コストも非常に安価な小規模言語モデル (SLM) を開発するという別の傾向が業界に現れています。最近、NVIDIA の研究では、構造化された重み枝刈りと知識の蒸留を組み合わせることで、最初は大きなモデルから徐々に小さな言語モデルを取得できることが示されました。チューリング賞受賞、メタチーフA
