Bagaimanakah AI akan meningkatkan kejuruteraan platform dan DevEx?
Pengarang |. Heather Joslyn
Sila tulis semula kandungan berikut ke dalam bahasa Cina: Star Swirl
Bagi kebanyakan syarikat yang mengguna pakai DevOps, menskala dan mencipta nilai dengan meningkatkan produktiviti pembangun merupakan satu cabaran yang besar. Dalam artikel ini, kami membincangkan pendekatan dipacu AI terkini dalam kejuruteraan platform.
1. Platform DevOps dipacu AI
Digital.ai ialah syarikat teknologi dipacu AI yang menerajui industri yang berdedikasi untuk membantu perusahaan global mencapai transformasi digital. Pelanggannya termasuk perusahaan besar: institusi kewangan, organisasi insurans dan syarikat perjudian. Salah satu masalah terbesar yang mereka hadapi ialah skala.
Hari ini saya ingin mendedahkan kepada anda cara platform DevOps dilaksanakan dalam syarikat dipacu AI
Sudah tentu, menurut platform penyampaian aliran nilai Digital.ai dan naib presiden kejuruteraan DevOps dan pengurus besar DevOps Wing To, dalam podcast media asing Menurut kenyataan itu, mereka semua menggunakan kaedah pembangunan moden seperti DevOps tangkas. Walau bagaimanapun, dalam organisasi besar (seperti beribu-ribu pembangun) cabaran sebenar yang mereka hadapi ialah bagaimana meningkatkan untuk mendapatkan faedah penghantaran cepat dan kekal dekat dengan pengguna akhir sambil masih boleh melakukan ini secara berskala
Artikel ini akan membincangkan dengan anda kemajuan terkini dalam kejuruteraan platform dan cara kecerdasan buatan boleh membantu meningkatkan automasi.
Wing To berkata: "Sudah tentu, mereka semua menggunakan kaedah pembangunan moden seperti DevOps yang tangkas." seperti yang dianjurkan oleh pembangun ialah cara menyampaikan dengan cepat semasa menskala, kekal dekat dengan pengguna akhir, dan kemudian masih boleh melakukannya pada skala. Dalam isu Maker ini, To dan Heather Joslyn dari TNS membincangkan kemajuan terkini dalam kejuruteraan platform dan bagaimana kecerdasan buatan boleh membantu meningkatkan automasi
2. Tingkatkan produktiviti, di manakah nilainya?
Selain cabaran mempromosikan amalan DevOps, terdapat satu lagi soalan yang perlu dipertimbangkan: jika amalan ini membantu pembangun menulis lebih banyak kod dan mengeluarkan lebih kerap, adakah ini perkara yang baik?
Ada juga cabaran baru, tambahnya. "Saya percaya semua orang bercakap tentang pembangunan AI-assisted atau AI-augmented, terutamanya dalam perusahaan besar, di mana mereka melihat potensi untuk meningkatkan produktiviti. Tetapi, bagaimana anda melaksanakan ini di seluruh organisasi
Jika sebuah syarikat Syarikat itu mempunyai pembangun yang sangat produktif, tetapi tidak dapat menandingi mereka dari segi apa yang berlaku selepas perisian dibina? To berkata: "Seperti yang kita semua tahu, penghantaran kod bukan hanya tentang menulis kod. Terdapat banyak proses selepas itu." kecerdasan
Kejuruteraan platform ialah satu set Amalan dan alatan yang direka untuk membebaskan pembangun daripada perlu terlalu risau tentang Kubernetes dan infrastruktur, dan daripada membebankan jurutera operasi dengan tugas berulang dalam memberi perkhidmatan kepada pembangun tersebut. "Cabaran yang kami hadapi semasa pasukan berkembang ialah pembangun junior baharu (dan) pembangun peringkat pertengahan tidak begitu mahir, dan kami tidak mahu pembangun kanan kami menghabiskan masa mereka untuk infrastruktur," kata To. ”
Digital.ai memfokuskan pada menggabungkan kecerdasan buatan ke dalam automasi untuk membantu pembangun mencipta dan menyampaikan kod serta membantu organisasi mendapatkan lebih banyak nilai perniagaan daripada pengeluaran perisian. Jadi, bagaimana kita hendak membuat skala? Bagaimanakah kita mengatur perkara supaya kita boleh mencapai orkestrasi biasa yang boleh digunakan semula?
Kerja semasa Digital.ai termasuk: Menggunakan templat untuk menangkap dan meniru bahagian yang sukar diubah dalam proses penghantaran perisian organisasi. Selain itu, mereka juga menggunakan teknologi kecerdasan buatan untuk membantu menyediakan persekitaran pembangun dengan pantas dan automatik serta mencipta alatan untuk pembangun
Mengikut pemahaman saya, ayat ini bermaksud Digital.ai sedang berusaha keras untuk menambah baik "platform pembangun dalaman" mereka , dan mereka menggunakan pelbagai alatan berbeza untuk mencapai matlamat ini, seperti membuat saluran paip, melaksanakan tugas individu atau menyediakan
Atas ialah kandungan terperinci Bagaimanakah AI akan meningkatkan kejuruteraan platform dan DevEx?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Undress AI Tool
Gambar buka pakaian secara percuma
Clothoff.io
Penyingkiran pakaian AI
AI Hentai Generator
Menjana ai hentai secara percuma.
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
1377
52
Mendahului senarai jurutera perisian AI sumber terbuka, penyelesaian tanpa ejen UIUC dengan mudah menyelesaikan masalah pengaturcaraan sebenar SWE-bench
Jul 17, 2024 pm 10:02 PM
Lajur AIxiv ialah lajur di mana tapak ini menerbitkan kandungan akademik dan teknikal. Dalam beberapa tahun kebelakangan ini, lajur AIxiv laman web ini telah menerima lebih daripada 2,000 laporan, meliputi makmal terkemuka dari universiti dan syarikat utama di seluruh dunia, mempromosikan pertukaran dan penyebaran akademik secara berkesan. Jika anda mempunyai kerja yang sangat baik yang ingin anda kongsikan, sila berasa bebas untuk menyumbang atau hubungi kami untuk melaporkan. E-mel penyerahan: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com Semua pengarang kertas kerja ini adalah daripada pasukan guru Zhang Lingming di Universiti Illinois di Urbana-Champaign (UIUC), termasuk: Steven Code repair; pelajar kedoktoran tahun empat, penyelidik
Kerja selepas kematian Pasukan Penyelarasan Super OpenAI: Dua model besar bermain permainan, dan output menjadi lebih mudah difahami
Jul 19, 2024 am 01:29 AM
Jika jawapan yang diberikan oleh model AI tidak dapat difahami sama sekali, adakah anda berani menggunakannya? Memandangkan sistem pembelajaran mesin digunakan dalam bidang yang lebih penting, menjadi semakin penting untuk menunjukkan sebab kita boleh mempercayai output mereka, dan bila tidak mempercayainya. Satu cara yang mungkin untuk mendapatkan kepercayaan dalam output sistem yang kompleks adalah dengan menghendaki sistem menghasilkan tafsiran outputnya yang boleh dibaca oleh manusia atau sistem lain yang dipercayai, iaitu, difahami sepenuhnya sehingga apa-apa ralat yang mungkin boleh dilakukan. dijumpai. Contohnya, untuk membina kepercayaan dalam sistem kehakiman, kami memerlukan mahkamah memberikan pendapat bertulis yang jelas dan boleh dibaca yang menjelaskan dan menyokong keputusan mereka. Untuk model bahasa yang besar, kita juga boleh menggunakan pendekatan yang sama. Walau bagaimanapun, apabila mengambil pendekatan ini, pastikan model bahasa menjana
Latihan aksiomatik membolehkan LLM mempelajari penaakulan kausal: model 67 juta parameter adalah setanding dengan trilion tahap parameter GPT-4
Jul 17, 2024 am 10:14 AM
Tunjukkan rantai sebab kepada LLM dan ia mempelajari aksiom. AI sudah pun membantu ahli matematik dan saintis menjalankan penyelidikan Contohnya, ahli matematik terkenal Terence Tao telah berulang kali berkongsi pengalaman penyelidikan dan penerokaannya dengan bantuan alatan AI seperti GPT. Untuk AI bersaing dalam bidang ini, keupayaan penaakulan sebab yang kukuh dan boleh dipercayai adalah penting. Penyelidikan yang akan diperkenalkan dalam artikel ini mendapati bahawa model Transformer yang dilatih mengenai demonstrasi aksiom transitiviti sebab pada graf kecil boleh digeneralisasikan kepada aksiom transitiviti pada graf besar. Dalam erti kata lain, jika Transformer belajar untuk melakukan penaakulan sebab yang mudah, ia boleh digunakan untuk penaakulan sebab yang lebih kompleks. Rangka kerja latihan aksiomatik yang dicadangkan oleh pasukan adalah paradigma baharu untuk pembelajaran penaakulan sebab berdasarkan data pasif, dengan hanya demonstrasi
Kertas arXiv boleh disiarkan sebagai 'bertubi-tubi', platform perbincangan Stanford alphaXiv dalam talian, LeCun menyukainya
Aug 01, 2024 pm 05:18 PM
sorakan! Bagaimana rasanya apabila perbincangan kertas adalah perkataan? Baru-baru ini, pelajar di Universiti Stanford mencipta alphaXiv, forum perbincangan terbuka untuk kertas arXiv yang membenarkan soalan dan ulasan disiarkan terus pada mana-mana kertas arXiv. Pautan laman web: https://alphaxiv.org/ Malah, tidak perlu melawati tapak web ini secara khusus. Hanya tukar arXiv dalam mana-mana URL kepada alphaXiv untuk terus membuka kertas yang sepadan di forum alphaXiv: anda boleh mencari perenggan dengan tepat dalam. kertas itu, Ayat: Dalam ruang perbincangan di sebelah kanan, pengguna boleh menyiarkan soalan untuk bertanya kepada pengarang tentang idea dan butiran kertas tersebut Sebagai contoh, mereka juga boleh mengulas kandungan kertas tersebut, seperti: "Diberikan kepada
Satu kejayaan ketara dalam Hipotesis Riemann! Tao Zhexuan amat mengesyorkan kertas kerja baharu daripada MIT dan Oxford, dan pemenang Fields Medal berusia 37 tahun mengambil bahagian
Aug 05, 2024 pm 03:32 PM
Baru-baru ini, Hipotesis Riemann, yang dikenali sebagai salah satu daripada tujuh masalah utama milenium, telah mencapai kejayaan baharu. Hipotesis Riemann ialah masalah yang tidak dapat diselesaikan yang sangat penting dalam matematik, berkaitan dengan sifat tepat taburan nombor perdana (nombor perdana ialah nombor yang hanya boleh dibahagikan dengan 1 dan dirinya sendiri, dan ia memainkan peranan asas dalam teori nombor). Dalam kesusasteraan matematik hari ini, terdapat lebih daripada seribu proposisi matematik berdasarkan penubuhan Hipotesis Riemann (atau bentuk umumnya). Dalam erti kata lain, sebaik sahaja Hipotesis Riemann dan bentuk umumnya dibuktikan, lebih daripada seribu proposisi ini akan ditetapkan sebagai teorem, yang akan memberi kesan yang mendalam terhadap bidang matematik dan jika Hipotesis Riemann terbukti salah, maka antara cadangan ini sebahagian daripadanya juga akan kehilangan keberkesanannya. Kejayaan baharu datang daripada profesor matematik MIT Larry Guth dan Universiti Oxford
Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG
Jul 25, 2024 am 06:42 AM
Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka
MLLM berasaskan Mamba yang pertama ada di sini! Berat model, kod latihan, dsb. semuanya telah menjadi sumber terbuka
Jul 17, 2024 am 02:46 AM
Lajur AIxiv ialah lajur di mana tapak ini menerbitkan kandungan akademik dan teknikal. Dalam beberapa tahun kebelakangan ini, lajur AIxiv laman web ini telah menerima lebih daripada 2,000 laporan, meliputi makmal terkemuka dari universiti dan syarikat utama di seluruh dunia, mempromosikan pertukaran dan penyebaran akademik secara berkesan. Jika anda mempunyai kerja yang sangat baik yang ingin anda kongsikan, sila berasa bebas untuk menyumbang atau hubungi kami untuk melaporkan. E-mel penyerahan: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com. Pengenalan Dalam beberapa tahun kebelakangan ini, aplikasi model bahasa besar multimodal (MLLM) dalam pelbagai bidang telah mencapai kejayaan yang luar biasa. Walau bagaimanapun, sebagai model asas untuk banyak tugas hiliran, MLLM semasa terdiri daripada rangkaian Transformer yang terkenal, yang
Penjanaan video tanpa had, perancangan dan membuat keputusan, penyebaran paksa penyepaduan ramalan token seterusnya dan penyebaran jujukan penuh
Jul 23, 2024 pm 02:05 PM
Pada masa ini, model bahasa berskala besar autoregresif menggunakan paradigma ramalan token seterusnya telah menjadi popular di seluruh dunia Pada masa yang sama, sejumlah besar imej dan video sintetik di Internet telah menunjukkan kepada kami kuasa model penyebaran. Baru-baru ini, pasukan penyelidik di MITCSAIL (salah seorang daripadanya ialah Chen Boyuan, pelajar PhD di MIT) berjaya menyepadukan keupayaan berkuasa model resapan jujukan penuh dan model token seterusnya, dan mencadangkan paradigma latihan dan pensampelan: Diffusion Forcing (DF). ). Tajuk kertas: DiffusionForcing:Next-tokenPredictionMeetsFull-SequenceDiffusion Alamat kertas: https:/
