ZD至顶网CIO与应用频道 06月30日 专栏:因为企业都在试图密切关注竞争对手和他们自己内部的需求,所以每家企业机构内的应用都在迅速增加。如何更快地投入生产,以便加快应用投向市场的速度?下面是一些建议。
1、协作
敏捷的开发方法例如Scrum,鼓励在定义应用要求、最终用户和IT之间的开发方面进行持续的协作。你更多地让最终用户积极参与到应用开发过程中,你承担应用可能偏离企业预期的压力就越小。一旦你满足了企业的预期,应用就可以刻不容缓地应用生产中了。
2、经常做原型
应用开发人员现在有应用原型工具,让用户和开发者可以看到流量,以及应用开发的外观。这对于用户接受度和最终应用就绪来说是很重要的。每次融入一个新的应用元素时,为最终用户创建一个工作原型,以便他们测试驱动程序和对其评论。在应用开发早期阶段进行调整,要比应用就要投入生产环境中的时候做调整容易多了。
3、开发和测试环境的虚拟化
配置物理硬件和软件以便进行应用测试和开发是需要花费一定时间的。有一个更好的方法,就是利用云服务,或者虚拟化你自己的开发和测试环境,这样你的开发者就可以有专门的测试和开发系统。有了虚拟化,DBA和系统编程人员的压力也会减少,因为虚拟系统的配置和开发加快了。
4、让用户始终参与其中
用户也很忙的——所以他们总是在觉得已经给了IT所有应用要求之后就不参与开发和测试过程中了。不要让这种情况发生。确保在开发过程中应用与要求保持同步,这应该是最终用户和IT共同的责任。
5、在可使用性上花的功夫要和在功能上一样多
你会对因为糟糕的导航、屏幕或者报告设计导致如此多的数据错误和最终用户故障报告而感到惊讶的。在可使用性上花费和技术设计同样多的时间,这可以大大帮助你确保应用得到用户接受,并且一次就投入生产环境中。
6、创建一个你可以反复使用的标准流程库
确保应用兼容你在用的其他应用,最简单的方法就是程序标准化(例如数据程序),这样就可以从常用库中调用并反复使用。
7、不要忘了保证质量
对应用进行彻底的质量检查是非常重要的——从可使用性以及技术性能的角度。企业机构仍然看到有50%的IT编程时间是用在了软件维护上——这是因为应用会发生故障,或者无法做到应该做到的事情。你可以通过设计第一次且每一次都能正常工作的应用来防止这种情况的发生,因此释放一些维护人员的资源,重新用户更多的新开发流程中。
8、针对性能的回归测试
企业机构继续统一测试应用,然后尝试把应用推向生产中,而不做完整的回归测试,以确保新应用可以处理它应该能够处理的交易负载——或者兼容这个应用必须运行在其上的所有其他软件。当生产中某个应用因为没有做回归测试而发生故障,那么这对企业来说就是一个很大的尴尬。
9、对支持人员和用户进行培训
用户培训对于任何新应用来说都是一个项目任务。如果企业用户没有就如何使用应用进行培训的话,那么他们就会因为不会用而感到沮丧,打电话给支持人员。在任何应用上线之前,IT支持人员都应该进行全面培训。如果他们最不了解,不能对用户问题做出快速响应,那么就可能对应用做出负面反馈,到某个程度就必须从生产环境中撤出这个应用。
10、简单的设计
应用应该总是使用模块化的设计结构。这让开发不用读取整个程序就测试和查找单个程序的漏洞。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。