• 使用低代码平台协调 IAT、IPA 和 RPA：高级自动化和测试的优势与挑战

    当软件开发团队面临快速交付高质量应用程序的压力时，低代码平台可以为快速发展的业务需求和复杂的集成提供所需的支持。集成智能自动化测试 (IAT)、智能流程自动化 (IPA) 和机器人流程自动化 (RPA) 解决方案可以更轻松地适应变化，确保测试和自动化与不断发展的应用程序和流程保持同步。在低代码开发环境中，如图 1 所示，IAT、IPA 和 RPA 可以减少人工工作量并提高 SDLC 和流程自动化中的测试覆盖率、准确性和效率。

    智能应用
    2024-07-16
    IAT IPA RPA

  • 使用 Python 进行机器学习：数据预处理技术

    机器学习仍然是发展最快、需求量最大的技术领域之一。机器学习是人工智能的一个分支，它使计算机系统能够学习和采用类似人类的特质，最终导​​致人工智能机器的发展。 下表列出了人工智能领域中，机器学习可以赋予计算机的八种关键类人特质。

    智能应用
    2024-07-16
    机器学习 Python

  • 实践中的代码复杂性第二部分：人为本的代码重要性

    以人为本的代码的重要性，无论主要用户是谁，编写清晰易懂的代码都会让所有参与者受益。从加快协作和知识共享到减少维护和提高软件质量。

    智能应用
    2024-07-16
    软件代码 代码设计

  • 实践中的代码复杂性第一部分：软件复杂性介绍

    想象一下，你走进一个熙熙攘攘的工作室——这里不是机器嗡嗡作响的地方，而是人们齐心协力的思想。这才是软件编程的真正本质：集体努力，代码不仅是机器的指令，也是开发人员的共同语言。然而，与口头语言不同，代码往往会成为一种晦涩难懂的方言，笼罩在复杂性之中，新手难以理解。这就是为人类编写代码的艺术发挥作用的地方，将神秘的脚本转化为其他人可以轻松理解的叙述。

    智能应用
    2024-07-16
    软件 代码复杂性

  • 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
首页 上一页 537 538 539 540 541 542 543 544 545 546 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