• 软件工程中的模糊测试

    模糊测试，也称为模糊测试，是一种自动化软件测试技术，涉及向计算机程序提供无效、意外或随机数据 (fuzz) 作为输入。目标是查找可以利用的编码错误、漏洞、安全漏洞和漏洞。本文首先介绍模糊测试的一些基本类型。然后使用“测试锁”的比喻来解释这种技术的具体细节。给出了可用工具的列表，并探讨了一组最佳实践，以便以合乎道德、有效和安全地进行模糊测试。

    测试测量
    2024-07-16
    软件工程 模糊测试

  • 软件定义汽车中的 MLOps：集中式平台方法

    ML 平台应具有完善的实用程序来跟踪训练 ML 模型所需的数据沿袭，例如数据提取、数据转换和用于训练当前模型的最终数据集。良好跟踪的数据沿袭可以帮助使用该平台的功能团队深入了解用于训练模型的数据点，从而改进模型以有效地帮助该功能。

    智能应用
    2024-07-16
    SDV ML 平台

  • 软件测试的概率基础第三部分：贝叶斯定理

    贝叶斯定理：条件概率的定义提供了理解事件之间关系的基础。贝叶斯定理建立在此基础上，允许我们整合更多信息，以动态方式完善我们的理解。它允许我们根据新证据(例如测试结果、用户报告)动态更新我们对事件(例如错误、崩溃)可能性的信念。这种动态能力可能会为我们的测试方法解锁众多应用。

    测试测量
    2024-07-16
    软件测试 贝叶斯定理

  • 软件测试的概率基础第二部分：条件概率

    条件概率：虽然概率可以帮助我们估计遇到特定事件的可能性并优化测试策略，但条件概率更进一步，考虑一个事件对另一个事件概率的影响。这一概念在各种软件测试场景中提供了宝贵的见解。

    测试测量
    2024-07-16
    软件测试 条件概率

  • 软件测试的概率基础第一部分：定义概率

    您是否曾想过用沙子建造一座城堡，却被意想不到的软件错误浪潮冲走?在日常的软件开发工作中，无法预见的问题可能会带来灾难。但如果​​我们能够在这些问题发生之前预测它们发生的可能性，情况会怎样?进入概率领域，这是我们构建强大而可靠软件的秘密武器。

    测试测量
    2024-07-16
    概率 软件测试

  • 人工智能在低代码和无代码开发中的作用

    大型语言模型 (LLM) 的出现导致人们急于将人工智能 (AI) 强行塞入每一种有意义的产品，以及相当一部分不有意义的产品。但有一个领域已经证明人工智能是一个强大而有用的补充：低代码和无代码软件开发。

    智能应用
    2024-07-16
    人工智能 LLM

  • ADI“黑科技”：让医疗设备配件认证安全无虞，开发易如反掌

    安全认证芯片一种专门设计用于提高系统安全性的硬件组件。它通常被用来存储敏感数据并执行加密操作，以保护数据免受未经授权的访问和篡改。除了金融、消费电子和工业汽车等领域外，其实在医疗设备配件/耗材领域，安全认证芯片也发挥着重要的作用。

    刘岩轩
    2024-07-16
    安全认证 ADI 医疗设备配件 1-Wire PUF DeepCover

  • 人工智能风险管理框架：面向人工智能开发人员的技术深度探究

    人工智能 (AI) 快速融入软件系统，为软件开发社区带来了前所未有的机遇和挑战。作为开发人员，我们不仅要负责构建功能齐全的 AI 系统，还要确保它们安全、合乎道德且负责任地运行。本文深入探讨了NIST AI 风险管理框架的技术细节，为构建和部署 AI 解决方案的软件开发人员提供具体指导。

    智能应用
    2024-07-16
    风险 人工智能 管理框架

  • 了解机器学习的贝叶斯建模和概率规划

    传统机器学习 (ML) 模型和 AI 技术通常存在一个严重缺陷：它们缺乏不确定性量化。这些模型通常提供点估计，而不考虑其预测的不确定性。这种限制削弱了评估模型输出可靠性的能力。此外，传统 ML 模型需要大量数据，通常需要正确标记的数据，因此，在数据有限的问题上往往会遇到困难。此外，这些模型缺乏将专家领域知识或先验信念纳入模型的系统框架。如果无法利用特定领域的见解，模型可能会忽略数据中的关键细微差别，并且往往无法发挥其潜力。ML 模型正变得越来越复杂和不透明，人们越来越需要数据和人工智能做出的决策具有更高的透明度和可问责性。

    智能应用
    2024-07-16
    机器学习 贝叶斯建模

  • 了解 RLAIF：使用 AI 反馈扩展 LLM 对齐的技术概述

    随着最近法学硕士 (LLM)的成就和关注，以及随之而来的人工智能“夏季”，模型训练方法开始复兴，旨在尽快获得最优、性能最佳的模型。其中大部分是通过大规模实现的——更多芯片、更多数据、更多训练步骤。然而，许多团队一直专注于如何更高效、更智能地训练这些模型，以实现预期结果。

    智能应用
    2024-07-16
    LLM RLAIF

  • 可解释的人工智能：解读 BERT 模型

    近年来，随着人工智能的发展，专门针对人工智能的法规也应运而生，例如制药行业的良好机器学习实践 (GMLP) 和金融行业的模型风险管理 (MRM)，以及其他涉及数据隐私的广泛法规，如欧盟的 GDPR 和加州的 CCPA。同样，内部合规团队在验证基于模型预测的决策时可能也希望解释模型的行为。例如，承保人希望了解为什么特定的贷款申请被 ML 模型标记为可疑。

    智能应用
    2024-07-16
    人工智能 BERT

  • 用混合信号示波器识别建立和保持时间违规

    信号之间的时间关系对数字设计的可靠运行至关重要。对于同步设计，时钟信号相对于数据信号的时间尤为重要。使用混合信号示波器，可以轻松确定多个逻辑输入和时钟信号之间的时间关系。建立和保持时间触发器自动确定时钟与数据时间关系。

    泰克科技（Tektronix）
    2024-07-16
    示波器 测试测量

  • 机器学习分类技术的进步对数据质量的改善

    数据质量差会导致信息驱动系统中的分析和决策不准确。机器学习 (ML) 分类算法已成为解决各种数据质量问题的有效工具，它通过自动查找和纠正数据集中的异常来解决问题。有各种方法和策略可用于将 ML 分类器应用于数据净化、异常值识别、缺失值插补和记录链接等任务。用于衡量机器学习模型在解决数据质量问题方面的有效性的评估标准和性能分析方法正在不断发展。

    智能应用
    2024-07-16
    机器学习 数据质量

  • 回归测试的四个步骤

    本文提供了一种创建和更新回归测试套件的结构化方法。回归测试套件中应该包含哪些类型的测试?应该运行哪些回归测试，如何应对失败的回归测试，回归测试套件如何发展?这些问题和其他考虑因素将逐步探讨。我将首先探讨回归测试的基本动态和考虑因素。然后，我将提供一组有助于通过回归测试实现长期软件稳定性的步骤。

    测试测量
    2024-07-16
    软件测试 回归测试

  • 何时应将分布式 PostgreSQL 用于 Gen AI 应用程序？

    Postgres 继续推动数据库格局的发展，超越传统的关系数据库用例。其丰富的扩展和派生解决方案生态系统使 Postgres 成为一股强大的力量，尤其是在时间序列和地理空间等领域，以及最近的生成式 AI 工作负载。

    智能应用
    2024-07-16
    PostgreSQL Gen AI
首页 上一页 518 519 520 521 522 523 524 525 526 527 下一页 尾页
发布文章

活动预告

更多

论坛

更多

相关标签

课程视频

更多