Κέρδη:
- Δυνατότητα ανάπτυξης μιας δυνατότητας για κινητά από άκρο σε άκρο και επαληθεύσιμη στα βήματα σχεδιασμού, κώδικα, ενσωμάτωσης τεχνητής νοημοσύνης, ιδιωτικότητας, δοκιμών, εντοπισμού σφαλμάτων, απόδοσης και έκδοσης
- Ικανότητα δημιουργίας πλαισίου υπεύθυνης και ηθικής χρήσης της τεχνητής νοημοσύνης με τις αρχές της διαφάνειας, της επαλήθευσης-υπευθυνότητας και της δικαιοσύνης-μη κακοήθειας.
- Να είναι σε θέση να δημιουργήσει μια βιώσιμη επαγγελματική πρακτική διακρίνοντας τους τομείς όπου η τεχνητή νοημοσύνη είναι ισχυρή και αδύναμη και κρατώντας την τελική απόφαση στα χέρια των ανθρώπων.
Σε όλη αυτή την ενότητα, χρησιμοποιούσαμε την τεχνητή νοημοσύνη σε κάθε στάδιο της ανάπτυξης για κινητά: δημιουργία κώδικα, διεπαφή, ενσωμάτωση τεχνητής νοημοσύνης στη συσκευή και cloud, δοκιμές, εντοπισμός σφαλμάτων, απόδοση, απόρρητο και παράδοση στο κατάστημα. Σε αυτήν την τελευταία ενότητα, θα συνδυάσουμε όλα αυτά τα κομμάτια σε μια ενιαία ροή από άκρο σε άκρο, θα αποσαφηνίσουμε το πλαίσιο για την υπεύθυνη και ηθική χρήση της τεχνητής νοημοσύνης και θα μιλήσουμε για το πώς να μετατρέψουμε αυτές τις δεξιότητες σε βιώσιμη επαγγελματική πρακτική. Το βασικό μήνυμα δεν έχει αλλάξει, αλλά έχει πλέον εδραιωθεί: η τεχνητή νοημοσύνη είναι μια δύναμη που πολλαπλασιάζει έναν ικανό προγραμματιστή κινητών τηλεφώνων. δεν είναι υποκατάστατο. Είναι το άτομο που είναι υπεύθυνο για την ποιότητα, την ασφάλεια και την υπόσχεση του προϊόντος στον χρήστη.
Ένα χαρακτηριστικό από άκρο σε άκρο: συνδυασμός εξαρτημάτων
Η ανάπτυξη ενός πραγματικού χαρακτηριστικού από την αρχή μέχρι το τέλος με την υποστήριξη AI συνδυάζει κάθε μονάδα που έχουμε μάθει σε μια αλυσίδα. Παράδειγμα: δυνατότητα "προσθήκη εξόδων από παραλαβή". Η ροή λειτουργεί ως εξής:
- Σχεδιασμός (Ενότητα 3). Σχεδιάστε την οθόνη και τέσσερις καταστάσεις (φόρτωση/άδειο/σφάλμα/πλήρης) με AI, ζητήστε προσβασιμότητα από την αρχή.
- Κωδικός (Μονάδα 2). Δημιουργήστε κάμερα, μοντέλο δεδομένων και ViewModel επίπεδο προς επίπεδο με το MVVM. επαληθεύστε κάθε στρώμα.
- AI στη συσκευή (Μονάδα 4). Διαβάστε το ποσό/ημερομηνία από την παραλαβή με την αναγνώριση κειμένου ML Kit. Σκεφτείτε την προεπεξεργασία και τη βαθμολογία εμπιστοσύνης.
- Εμπιστευτικότητα (Ενότητα 9). Ζητήστε άδεια κάμερας με το λιγότερο προνόμιο, γράψτε το σενάριο απόρριψης, διατηρήστε τα δεδομένα στη συσκευή.
- Δοκιμή (Ενότητα 6). Δημιουργία δοκιμών μονάδας της λογικής εξαγωγής, δοκιμή διεπαφής χρήστη της οθόνης. Συμπεριλάβετε τα συνοριακά κράτη.
- Εντοπισμός σφαλμάτων (Ενότητα 7). Ζητήστε από το AI να αναλύσει τα σφάλματα με βάση το πλαίσιο και να λύσει τη βασική αιτία.
- Απόδοση (Μονάδα 8). Μετρήστε το κόστος της μπαταρίας για την επεξεργασία της κάμερας και ρυθμίστε το φιλικό προς την μπαταρία.
- Εκπομπή (Μονάδα 10). Αναφέρετε τη χρήση της τεχνητής νοημοσύνης με διαφάνεια, συμπληρώστε τη φόρμα απορρήτου με ειλικρίνεια και πραγματοποιήστε αυτοέλεγχο.
Σε κάθε βήμα, το AI επιταχύνει, ο άνθρωπος επαληθεύει και αποφασίζει. Αυτός ο βρόχος είναι ο πυρήνας της ενότητας.
Συμβουλή: Μην προσπαθήσετε να κάνετε το AI να κάνει μια περίπλοκη λειτουργία με ένα τεράστιο αίτημα. Αναλύστε το σε επαληθεύσιμα βήματα όπως παραπάνω. Η δοκιμή της απόδοσης κάθε βήματος και η μετάβαση στο επόμενο είναι και ασφαλέστερο και τελικά πιο γρήγορο. Γιατί ένα μεγάλο λάθος το πιάνεις όχι στο τέλος, αλλά στο πρώτο βήμα.
Υπεύθυνη και ηθική χρήση της τεχνητής νοημοσύνης
Η τεχνική επάρκεια από μόνη της δεν αρκεί. ένα υπεύθυνο πλαίσιο το ολοκληρώνει. Τρεις αρχές:
Διαφάνεια. Ο χρήστης πρέπει να γνωρίζει ότι αλληλεπιδρά με το AI. Ένα μυστικό AI είναι παραβίαση εμπιστοσύνης. Το περιεχόμενο που δημιουργείται από AI επισημαίνεται. Οι συμβουλές AI παρουσιάζονται ως «χρήσιμες συμβουλές» και όχι ως «σκληρή αλήθεια».
Επαλήθευση και λογοδοσία. Η έξοδος AI είναι ένα σημείο εκκίνησης, όχι ένα τελικό προϊόν. Είστε υπεύθυνοι για κάθε γραμμή κώδικα που δημοσιεύεται, κάθε απάντηση AI, κάθε συναλλαγή δεδομένων. «Η AI το έγραψε έτσι» δεν είναι άμυνα.
Δικαιοσύνη και μη κακία. Τα μοντέλα AI μπορούν να φέρουν προκαταλήψεις από τα δεδομένα στα οποία εκπαιδεύονται. Μια αναγνώριση προσώπου μπορεί να λειτουργήσει χειρότερα σε ορισμένα χρώματα δέρματος, μια μηχανή συστάσεων μπορεί να αποκλείσει μια ομάδα. Είναι δική σας ευθύνη να ελέγξετε ότι το προϊόν σας λειτουργεί δίκαια σε διαφορετικές ομάδες χρηστών.
Προσοχή: Οποιαδήποτε τεχνική μαθαίνετε στον τομέα της πληροφορικής και της ασφάλειας χρησιμοποιείται μόνο για εξουσιοδοτημένους και εποικοδομητικούς σκοπούς. Η χρήση τεχνητής νοημοσύνης για τη δημιουργία κακόβουλου λογισμικού, τη διάρρηξη της εφαρμογής κάποιου άλλου χωρίς άδεια, τη συλλογή δεδομένων χρήστη χωρίς συναίνεση ή την παραγωγή παραπλανητικού περιεχομένου είναι παράνομη και αντίκειται στη δεοντολογία του επαγγέλματος. Το μέτρο της δύναμης αποκαλύπτεται εκεί που δεν το χρησιμοποιείς.
Αναγνωρίζοντας τα όρια της AI
Ένας ώριμος προγραμματιστής ξέρει πού λάμπει η τεχνητή νοημοσύνη και πού υπολείπεται.
Το AI είναι ισχυρό
Το AI είναι αδύναμο
Κωδικός καλουπιού, παραγωγή λέβητα
Αποφάσεις προϊόντων και αρχιτεκτονικής
Δοκιμές και προσχέδιο τεκμηρίωσης
Κατανόηση του επιχειρηματικού πλαισίου και του χρήστη
Ανάγνωση αρχείου καταγραφής σφαλμάτων, σάρωση σφαλμάτων
Οριστική διάγνωση της βασικής αιτίας (απαιτείται επαλήθευση)
Μάθηση, εξήγηση έννοιας
Τρέχουσες/μη κατασκευασμένες πληροφορίες API
Κείμενο, περιγραφή, μετάφραση
Δεοντολογία, ασφάλεια και νομική τελική απόφαση
Η εσωτερίκευση αυτής της διάκρισης είναι το κλειδί για την αποτελεσματική χρήση της τεχνητής νοημοσύνης και την αποφυγή των παγίδων της.
τρεις μίνι θήκες
Περίπτωση 1 — Ταχύτητα από άκρο σε άκρο. Ένας μόνος προγραμματιστής ολοκλήρωσε τη λειτουργία "unplugged" σε 4 ημέρες με τη ροή 8 βημάτων παραπάνω. Χωρίς AI η εκτίμηση ήταν 12 ημέρες. Επειδή όμως επαλήθευε κάθε βήμα, η δημοσίευση εγκρίθηκε την πρώτη φορά. Η ταχύτητα ήταν πραγματική γιατί η πειθαρχία ήταν πραγματική. Μάθημα: Η επαλήθευση AI + είναι ταχύτερη από την επαλήθευση AI.
Περίπτωση 2 — Η μεροληψία συλλαμβάνεται. Κατά τη δοκιμή ενός χαρακτηριστικού πρόβλεψης ουσιαστικού φύλου που βασίζεται σε τεχνητή νοημοσύνη, μια ομάδα παρατήρησε συστηματικά σφάλματα σε ορισμένα τουρκικά ουσιαστικά. το μοντέλο εκπαιδεύτηκε κυρίως σε αγγλικά δεδομένα. Η δυνατότητα έχει αλλάξει σε ερώτηση από τον χρήστη αντί να κάνει λάθος υπόθεση. Μάθημα: είναι δουλειά του προγραμματιστή να δοκιμάσει την προκατάληψη εκπαίδευσης του μοντέλου.
Υπόθεση 3 — Η άμυνα "AI είπε έτσι" κατέρρευσε. Ένας προγραμματιστής δημοσίευσε έναν κωδικό πληρωμής που δημιουργήθηκε από AI χωρίς να τον επαληθεύσει. Σε μια ακραία περίπτωση ο κώδικας έκανε διπλές συλλογές. Η ευθύνη δεν αφαιρείται λέγοντας "το έγραψε το AI". Ως κάτοχος λογαριασμού, ήταν προγραμματιστής. Μάθημα: η ευθύνη δεν μπορεί να μεταβιβαστεί.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο μήνυμα: "Γράψε μου μια πλήρη εφαρμογή σάρωσης απόδειξης."
Ισχυρή προτροπή: "Βοηθήστε με να αναπτύξω τη δυνατότητα "προσθήκη εξόδων από παραλαβή" βήμα προς βήμα. Ας προχωρήσουμε με τη σειρά, όταν επαληθεύσω και εγκρίνω κάθε βήμα, προχωρήσουμε στο επόμενο: 1) Οθόνη + τέσσερις καταστάσεις + προσβασιμότητα2) επίπεδα MVVM (κάμερα, μοντέλο, ViewModel) 3) Ποσό/ημερομηνία ανάγνωσης ML4 βαθμολογίας κάμερας ανά αξιοπιστία προνόμιο) + ροή απόρριψης 5) Δοκιμές μονάδας και διεπαφής χρήστη Πείτε μου τους κινδύνους και τα σημεία που πρέπει να επαληθεύσω σε κάθε βήμα."
Αντιγράψιμα πρότυπα
Πρότυπο σχεδιασμού από άκρο σε άκρο: "Θα αναπτύξω την ακόλουθη δυνατότητα: [χαρακτηριστικό]. Αναλύστε το σε επαληθεύσιμα βήματα: σχεδιασμός, κώδικας, ενσωμάτωση τεχνητής νοημοσύνης, απόρρητο/άδεια, δοκιμή, απόδοση, έκδοση. Γράψτε τα κριτήρια παραγωγής, κινδύνου και επαλήθευσης για κάθε βήμα. Μην κάνετε ούτε μια τεράστια παραγωγή."
Πρότυπο ελέγχου δεοντολογίας/προκατάληψης: "Έλεγχος της ακόλουθης δυνατότητας AI για δικαιοσύνη και μεροληψία: [χαρακτηριστικό]. Ποιες ομάδες χρηστών μπορεί να έχει κακή απόδοση; Πώς επηρεάζουν τα δεδομένα εκπαίδευσης την προκατάληψη; Πώς μπορώ να το δοκιμάσω, πώς να το κάνω πιο περιεκτικό;"
Πρότυπο ελέγχου λογοδοσίας: "Καταγράψτε τις ερωτήσεις λογοδοσίας που πρέπει να κάνω πριν από την κυκλοφορία αυτού του κώδικα/λειτουργίας που δημιουργείται από AI: τον κατάλαβα, το έχω δοκιμάσει, είναι ασφαλές, είναι διαφανές για τον χρήστη, είναι νόμιμο/ηθικό;"
Πρότυπο συνεχούς μάθησης: "Προτείνετε ένα πρακτικό σχέδιο 4 εβδομάδων για να βελτιώσω τις δεξιότητές μου στην τεχνητή νοημοσύνη στον προγραμματιστή κινητών τηλεφώνων: ένα θέμα κάθε εβδομάδα (κώδικας, ενσωμάτωση, δοκιμή, κυκλοφορία), με στόχο ένα μικρό έργο και συνήθεια επαλήθευσης."
Συνήθη λάθη
- Παραγωγή σύνθετων χαρακτηριστικών με ένα τεράστιο αίτημα. Δεν μπορεί να επαληθευτεί. χωρίστε το σε βήματα.
- Αποφεύγοντας την ευθύνη λέγοντας «έτσι έγραψε η AI». Είστε υπεύθυνοι για τον δημοσιευμένο κωδικό.
- Δεν δοκιμάζεται για προκατάληψη AI. Το μοντέλο μπορεί να λειτουργεί ανεπαρκώς σε ορισμένες ομάδες. Δοκιμή δικαιοσύνης.
- Απόκρυψη αλληλεπίδρασης AI από τον χρήστη. Η διαφάνεια είναι το θεμέλιο της εμπιστοσύνης.
- Ξεχνώντας τους περιορισμούς του AI. Οι άνθρωποι έχουν τον τελευταίο λόγο για την αρχιτεκτονική, την ηθική και το τρέχον API.
- Να σταματήσω να μαθαίνω. Τα εργαλεία και οι κανόνες καταστήματος αλλάζουν γρήγορα. Μείνετε συνεχώς ενημερωμένοι.
Συνοπτικά
Ένα χαρακτηριστικό από άκρο σε άκρο συνδυάζει όλα τα μέρη της μονάδας σε μια αλυσίδα: σχεδιασμός, κώδικας, ενσωμάτωση τεχνητής νοημοσύνης, απόρρητο, δοκιμή, εντοπισμός σφαλμάτων, απόδοση και κυκλοφορία. Σε κάθε βήμα, η τεχνητή νοημοσύνη επιταχύνει, ο άνθρωπος επαληθεύει και αποφασίζει. Η σύνθετη εργασία αναλύεται σε μικρά επαληθεύσιμα βήματα. Η υπεύθυνη χρήση βασίζεται σε τρεις αρχές: διαφάνεια, επαλήθευση-υπευθυνότητα και δικαιοσύνη-μην βλάπτεις. Η τεχνητή νοημοσύνη είναι ένας ισχυρός πολλαπλασιαστής, αλλά οι άνθρωποι έχουν τον τελευταίο λόγο για την αρχιτεκτονική, την ηθική, την ασφάλεια και την τρέχουσα γνώση. «Το AI το έκανε έτσι» δεν είναι άμυνα. Είστε υπεύθυνοι για το προϊόν σας και την υπόσχεση που δίνετε στον χρήστη σας. Με αυτήν την πειθαρχία, η τεχνητή νοημοσύνη σας κάνει πιο γρήγορους, πιο ολοκληρωμένους και ισχυρότερους σε όλη τη διάρκεια της καριέρας σας.
Εργασία εφαρμογής
Αναλύστε μια λειτουργία κινητού της επιλογής σας (π.χ. "σύνοψη με λήψη φωνητικών σημειώσεων" ή "αναγνώριση προϊόντος από φωτογραφία") σε επαληθεύσιμα βήματα με ένα "Πρότυπο σχεδιασμού από άκρο σε άκρο". Στην πραγματικότητα, αναπτύξτε και επικυρώστε τουλάχιστον ένα βήμα με AI. Στη συνέχεια, αναλύστε ποιες ομάδες χρηστών η δυνατότητα μπορεί να προκαλέσει προβλήματα με το "Πρότυπο ελέγχου ηθικής/προκατάληψης" και απαντήστε στις ερωτήσεις που πρέπει να κάνετε πριν από την κυκλοφορία με το "Πρότυπο ελέγχου ευθύνης".
λίστα ελέγχου
- [ ] Έσπασα τη λειτουργία σε επαληθεύσιμα μικρά βήματα, ούτε μια γιγάντια παραγωγή
- [ ] Επαληθεύτηκα την έξοδο AI σε κάθε βήμα και πήρα την απόφαση
- [ ] Παρουσίασα την αλληλεπίδραση AI με διαφάνεια στον χρήστη
- [ ] Αξιολόγησα εάν το χαρακτηριστικό λειτουργεί δίκαια/προκατειλημμένα σε διαφορετικές ομάδες
- [ ] Απάντησα σε ερωτήσεις ευθύνης πριν από την κυκλοφορία (κατανοητό/δοκιμαστικό/ασφαλές/δεοντολογικό)
- [ ] Έχω χρησιμοποιήσει την τεχνητή νοημοσύνη μόνο για ικανούς και εποικοδομητικούς σκοπούς και σκοπεύω να συνεχίσω να μαθαίνω
Εξέταση Ενοτήτων
1. Ποιο από τα παρακάτω είναι η πιο ακριβής τοποθέτηση για την τεχνητή νοημοσύνη στην ανάπτυξη κινητών τηλεφώνων;
- Α) Η τεχνητή νοημοσύνη αντικαθιστά τον προγραμματιστή. μπορεί να δημοσιευθεί απευθείας χωρίς να διαβάσετε τον κώδικα που δημιουργεί
- Β) Η τεχνητή νοημοσύνη λειτουργεί μόνο στη σύνταξη κειμένου, δεν έχει καμία σχέση με τη δημιουργία κώδικα
- Γ) Η τεχνητή νοημοσύνη είναι βοηθός και επιταχυντής. Η ευθύνη για τις αποφάσεις αρχιτεκτονικής, ασφάλειας και εκπομπής ανήκει στους ανθρώπους ✔
- Δ) Δεδομένου ότι η τεχνητή νοημοσύνη παράγει πάντα σωστό κώδικα, δεν χρειάζονται πρόσθετες δοκιμές και επαλήθευση
Περιγραφή: Η τεχνητή νοημοσύνη είναι ένας βοηθός και επιταχυντής που δημιουργεί κώδικα, σχεδιαγράμματα και λύσεις. Η ευθύνη και η τελική έγκριση αποφάσεων όπως η αρχιτεκτονική, η αδειοδότηση, η ασφάλεια και η δημοσίευση ανήκουν στον αρμόδιο προγραμματιστή. Οι άνθρωποι είναι υπεύθυνοι για κάθε γραμμή που δημοσιεύεται.
2. Όταν ζητάτε κωδικό για φορητές συσκευές από τεχνητή νοημοσύνη, τι αυξάνει περισσότερο την αρχιτεκτονική ποιότητα του παραγόμενου κώδικα;
- Α) Κρατήστε το μήνυμα όσο το δυνατόν πιο σύντομο και πείτε "γράψτε μου μια εφαρμογή"
- Β) Πρώτα, επιβάλετε μια αρχιτεκτονική όπως το MVVM και ζητήστε τον κώδικα σε μικρά κομμάτια, επίπεδο προς στρώμα ✔
- Γ) Παραγωγή ολόκληρου του χαρακτηριστικού ως ενιαίου τεράστιου αρχείου σε ένα μόνο μήνυμα
- Δ) Μην προσδιορίζετε καθόλου την αρχιτεκτονική και αφήστε την καλύτερη απόφαση στην τεχνητή νοημοσύνη
Επεξήγηση: Η επιβολή μιας αρχιτεκτονικής όπως το MVVM και η απαίτηση στρώμα προς στρώμα πριν από την εγγραφή κώδικα απευθείας στο AI παράγει μια δομή που μπορεί να δοκιμαστεί και να διατηρηθεί που διαχωρίζει τη λογική από την οθόνη. Το αίτημα χωρίς αρχιτεκτονική επιστρέφει κώδικα που γεμίζει τα πάντα στην οθόνη.
3. Τι παραβλέπεται πιο συχνά κατά τη δημιουργία μιας διεπαφής με τεχνητή νοημοσύνη και τι είναι πιο κρίσιμο στην πραγματική χρήση;
- Α) Σχεδιασμός καταστάσεων φόρτωσης, κενών και σφαλμάτων, όχι μόνο της πλήρους οθόνης ✔
- Β) Παράγοντας μόνο την καλύτερη εμφάνιση σε πλήρη οθόνη, παρακάμπτοντας άλλες θήκες
- Γ) Προσθέτοντας όσο το δυνατόν περισσότερα χρώματα και κινούμενα σχέδια σε κάθε οθόνη
- Δ) Αφήνοντας τις ετικέτες προσβασιμότητας τελευταίες και ασχολούνται μόνο με την εμφάνιση
Εξήγηση: Οι προγραμματιστές συχνά λαμβάνουν υπόψη μόνο την «πλήρη» κατάσταση. ενώ στην πραγματικότητα ο χρήστης αντιμετωπίζει ως επί το πλείστον καταστάσεις φόρτωσης, κενού και σφάλματος. Η δημιουργία και των τεσσάρων καταστάσεων (φόρτωση/άδειο/σφάλμα/πλήρης) είναι το μυστικό μιας ισχυρής διεπαφής.
4. Γιατί το AI στη συσκευή είναι συχνά η προεπιλεγμένη επιλογή για μια δυνατότητα που επεξεργάζεται ευαίσθητα προσωπικά δεδομένα (π.χ. μέτρηση υγείας);
- Α) Τα μοντέλα στη συσκευή είναι πάντα πιο ακριβή από το cloud
- Β) Η επεξεργασία στη συσκευή δεν συνεπάγεται ποτέ κόστος μπαταρίας ή επεξεργαστή
- Γ) Η επεξεργασία στη συσκευή είναι απεριόριστη ως προς το μέγεθος του μοντέλου
- Δ) Δεδομένου ότι τα δεδομένα δεν φεύγουν από το τηλέφωνο, παρέχει ένα ισχυρό πλεονέκτημα όσον αφορά το απόρρητο και την εμπιστοσύνη των χρηστών ✔
Εξήγηση: Η επεξεργασία στη συσκευή δεν αφαιρεί δεδομένα από το τηλέφωνο. Αυτό είναι ένα ισχυρό πλεονέκτημα όσον αφορά τη συμμόρφωση με το απόρρητο και την εμπιστοσύνη των χρηστών, καθώς λειτουργεί εκτός σύνδεσης και στιγμιαία. Το όριο του είναι η ισχύς της συσκευής και το μέγεθος του μοντέλου.
5. Ποιο είναι το πιο συνηθισμένο «σιωπηλό» σφάλμα που προκαλεί ανούσια αποτελέσματα και δεν παράγει μήνυμα σφάλματος σε μια ενσωμάτωση μοντέλου στη συσκευή;
- Α) Λανθασμένη ορθογραφία του ονόματος αρχείου του μοντέλου
- Β) Χαμηλή ανάλυση του εικονιδίου της εφαρμογής
- Γ) Λανθασμένη προεπεξεργασία εισόδου (μέγεθος/κανονικοποίηση) ✔
- Δ) Θέμα σκοτεινής οθόνης
Επεξήγηση: Η εσφαλμένη προεπεξεργασία εισόδου θα παράγει εντελώς λανθασμένα αποτελέσματα χωρίς να υπάρχουν σφάλματα. Οι τιμές προεπεξεργασίας θα πρέπει να επαληθεύονται από την τεκμηρίωση του μοντέλου.
6. Ποιος είναι ο πιο κρίσιμος κανόνας για την ασφάλεια κατά την ενσωμάτωση του cloud LLM σε μια εφαρμογή για κινητά;
- Α) Το κλειδί API θα πρέπει να διατηρείται μόνο στο backend, όχι στον πελάτη. Τα αιτήματα πρέπει να περάσουν από πληρεξούσιο ✔
- Β) Το κλειδί API θα πρέπει να ενσωματωθεί απευθείας στον κώδικα της εφαρμογής για ευκολία
- Γ) Το κλειδί API πρέπει να είναι κοινόχρηστο στην περιγραφή της εφαρμογής
- Δ) Το κλειδί API θα πρέπει να διατηρείται στον πελάτη και να κρύβεται μόνο αλλάζοντας το όνομα.
Αποκάλυψη: Το κλειδί API δεν ενσωματώνεται ποτέ στον κώδικα της εφαρμογής για κινητά. επειδή η εφαρμογή μπορεί να αναθεωρηθεί και να εξαχθεί το κλειδί. Η σωστή αρχιτεκτονική είναι να διατηρείτε το κλειδί μόνο στο backend και να περνάτε αιτήματα μέσω του δικού σας διακομιστή μεσολάβησης.
7. Τι αυξάνει περισσότερο την ταχύτητα που αντιλαμβάνονται οι χρήστες και το ποσοστό ολοκλήρωσης των χαρακτηριστικών σε μεγάλες απαντήσεις LLM;
- Α) Αναμονή έως ότου παράγεται ολόκληρη η απάντηση και εμφανίζεται αμέσως
- Β) Εμφάνιση της απάντησης λέξη προς λέξη, όπως παράγεται, με streaming ✔
- Γ) Αποστολή ολόκληρου του ιστορικού συνομιλίας στο μοντέλο με κάθε αίτημα
- Δ) Μεγεθύνετε την οδηγία του μοντέλου για να επεκτείνετε την απόκριση όσο το δυνατόν περισσότερο
Περιγραφή: Η ροή αυξάνει δραματικά την αντιληπτή ταχύτητα και ευχέρεια εμφανίζοντας την απόκριση καθώς παράγεται λέξη προς λέξη. Αντί να περιμένει σε μια κενή οθόνη, ο χρήστης παρακολουθεί τη φόρμα κειμένου. Αυτό μειώνει σημαντικά το ποσοστό εγκατάλειψης.
8. Ποιο είναι το πιο συνηθισμένο πρόβλημα σε τεστ που παράγονται από την τεχνητή νοημοσύνη που καθιστά το τεστ άχρηστο;
- Α) Οι δοκιμές καλύπτουν πάρα πολλές οριακές καταστάσεις
- Β) Τα τεστ χρησιμοποιούν εικονικά αντικείμενα, όχι πραγματικές υπηρεσίες
- Γ) Οι δοκιμές τρέχουν πολύ γρήγορα
- Δ) Φούσκωμα εύρους από κενά/άχρηστα τεστ που στην πραγματικότητα δεν επικυρώνουν μια συμπεριφορά ✔
Εξήγηση: Η τεχνητή νοημοσύνη μερικές φορές παράγει δοκιμές που στην πραγματικότητα δεν επαληθεύουν καμία έξοδο (π.χ. απλώς καλέστε τη συνάρτηση και γράψτε έναν κενό ισχυρισμό). Αυτά διογκώνουν τον αριθμό κάλυψης αλλά δεν παρέχουν πραγματική προστασία. Κάθε δοκιμή πρέπει να ελέγχεται για να επαληθεύεται η ουσιαστική συμπεριφορά.
9. Γιατί δεν είναι επαρκής λύση να αποσιωπήσετε μια συντριβή βάζοντάς την σε δοκιμασία με μια πρόταση τεχνητής νοημοσύνης;
- Α) Το try-catch δεν μπορεί να χρησιμοποιηθεί καθόλου σε εφαρμογές για κινητές συσκευές
- Β) Η συντριβή σταματά, αλλά επειδή η βασική αιτία δεν έχει επιλυθεί, το πρόβλημα επιστρέφει σε διαφορετική μορφή ✔
- Γ) Η χρήση του try-catch επιβραδύνει την εφαρμογή, επομένως απαγορεύεται
- Δ) Σίγαση σφάλματος απορρίπτεται αυτόματα από το κατάστημα
Εξήγηση: Η αποσιώπηση του συμπτώματος δεν λύνει τη βασική αιτία. Το σφάλμα σταματά, αλλά το αρχικό πρόβλημα (π.χ. σπασμένη σύνδεση δεδομένων) επιστρέφει σε άλλη μορφή (π.χ. απώλεια δεδομένων). Ο στόχος στον επαγγελματικό εντοπισμό σφαλμάτων είναι η επίλυση της βασικής αιτίας και όχι του συμπτώματος.
10. Ποιος είναι ο βασικός χρυσός κανόνας που πρέπει να ακολουθήσετε στη βελτιστοποίηση απόδοσης;
- Α) Πρώτα πάρτε ένα προφίλ και μετρήστε το πραγματικό σημείο συμφόρησης και, στη συνέχεια, βελτιστοποιήστε το ✔
- Β) Το να μαντεύεις πού είναι αργό και να συγκεντρώνεσαι εκεί
- Γ) Κυνηγώντας μικρά κέρδη σε κάθε συνάρτηση
- Δ) Μέτρηση απόδοσης στον εξομοιωτή και ποτέ δοκιμή της πραγματικής συσκευής
Περιγραφή: Πρώτα μετρήστε, βελτιστοποιήστε αργότερα. Το πραγματικό σημείο συμφόρησης βρίσκεται σχεδόν πάντα σε διαφορετική τοποθεσία από την προβλεπόμενη. Η βελτιστοποίηση χωρίς δημιουργία προφίλ είναι μια τυφλή εικασία και συχνά είναι χαμένη προσπάθεια.
11. Ποιο είναι το σημαντικότερο μέλημα μηχανικής για μια λειτουργία AI που λειτουργεί συνεχώς (π.χ. ζωντανή μετάφραση κάμερας);
- Α) Το χαρακτηριστικό ζητά όσο το δυνατόν περισσότερα δικαιώματα
- Β) Διαχείριση του κόστους μπαταρίας και επεξεργαστή της συνεχούς επεξεργασίας με συχνότητα δειγματοληψίας και επεξεργασία παρτίδας ✔
- Γ) Εκτελέστε τη λειτουργία μόνο στα πιο ακριβά τηλέφωνα
- Δ) Συνεχής απόδοση της κάμερας με τον υψηλότερο δυνατό ρυθμό καρέ
Περιγραφή: Μοντέλο, κάμερα και δίκτυο που λειτουργεί συνεχώς. Μπορεί να καταναλώσει γρήγορα την μπαταρία, να θερμάνει τη συσκευή και να περιοριστεί από το σύστημα. Η μείωση της συχνότητας δειγματοληψίας, η ομαδοποίηση και η εκτέλεση μόνο όταν χρειάζεται είναι τρόποι διαχείρισης του κόστους της μπαταρίας.
12. Τι σημαίνει η αρχή του «λιγότερου προνομίου» στη διαχείριση αδειών στην ανάπτυξη κινητής τηλεφωνίας;
- Α) Αίτημα όλων των δυνατών αδειών κατά την εκκίνηση, για κάθε ενδεχόμενο.
- Β) Να καταστήσει την εφαρμογή μη λειτουργική σε περίπτωση άρνησης της άδειας
- Γ) Ζήτηση της ευρύτερης άδειας και προγραμματισμός για τον περιορισμό της αργότερα.
- Δ) Αίτημα μόνο της άδειας που πραγματικά απαιτείται, όταν είναι απαραίτητο και εντός του στενότερου εύρους, με σενάριο απόρριψης ✔
Εξήγηση: Το λιγότερο προνόμιο είναι να ζητάς μόνο την άδεια που πραγματικά χρειάζεται, όταν χρειάζεται, και στο μικρότερο δυνατό βαθμό. Τα πάρα πολλά δικαιώματα υπονομεύουν την εμπιστοσύνη των χρηστών, οδηγούν σε απόρριψη καταστήματος και αυξάνουν τον κίνδυνο διαρροής δεδομένων.
13. Ποιες συγκεκριμένες απαιτήσεις πρέπει να πληρούνται κατά την παρουσίαση μιας εφαρμογής με τεχνητή νοημοσύνη στο κατάστημα;
- Α) Διαφάνεια περιεχομένου, έλεγχος περιεχομένου και αποκάλυψη των δεδομένων που προορίζονται για τεχνητή νοημοσύνη με τη μορφή εμπιστευτικότητας ✔
- Β) Απόκρυψη της χρήσης τεχνητής νοημοσύνης από τον χρήστη
- Γ) Επισήμανση δεδομένων που δεν συλλέγονται πραγματικά στη φόρμα απορρήτου
- Δ) Υποσχόμενα χαρακτηριστικά που δεν υπάρχουν στην περιγραφή
Αποκάλυψη: Τα καταστήματα αναμένουν διαφάνεια περιεχομένου (δήλωση ότι παράγει AI), εποπτεία περιεχομένου (φιλτράρισμα επιβλαβών αποτελεσμάτων και ειδοποίηση χρήστη) και αποκάλυψη χρήσης δεδομένων από εφαρμογές που περιέχουν τεχνητή νοημοσύνη. Απαιτείται προειδοποίηση ακρίβειας σε ευαίσθητη περιοχή. Αιτήσεις που παραλείπονται θα απορρίπτονται.
14. Γιατί δεν είναι έγκυρη η άμυνα «Η τεχνητή νοημοσύνη το έγραψε έτσι» όταν παρουσιάζεται σφάλμα ακραίων περιπτώσεων σε δημοσιευμένο κώδικα που δημιουργείται από την τεχνητή νοημοσύνη;
- Α) Επειδή η τεχνητή νοημοσύνη παράγει πάντα κώδικα χωρίς σφάλματα, το σφάλμα προέρχεται από τον χρήστη
- Β) Επειδή τα καταστήματα διορθώνουν αυτόματα τον κώδικα που δημιουργείται από AI
- Γ) Επειδή η ευθύνη δεν μπορεί να μεταφερθεί στην τεχνητή νοημοσύνη. Ο προγραμματιστής είναι υπεύθυνος για τον δημοσιευμένο κώδικα και δεδομένα ✔
- Δ) Επειδή ο κώδικας που δημιουργείται από τεχνητή νοημοσύνη δεν τίθεται ποτέ ζωντανός
Περιγραφή: Η έξοδος AI είναι ένα σημείο εκκίνησης, όχι ένα τελικό προϊόν. Είναι ο προγραμματιστής που είναι υπεύθυνος για κάθε γραμμή που δημοσιεύεται, κάθε δεδομένα που υποβάλλονται σε επεξεργασία και κάθε υπόσχεση που δίνεται. Η ευθύνη δεν μπορεί να ανατεθεί στην τεχνητή νοημοσύνη, επομένως η έξοδος πρέπει να γίνει κατανοητή και να ελεγχθεί πριν από τη δημοσίευση.