Nyereség:
- Mobilfunkciók teljes körű fejlesztésének képessége, és ellenőrizhető a tervezés, a kód, az AI-integráció, az adatvédelem, a tesztelés, a hibakeresés, a teljesítmény és a kiadás lépései
- Képes keretet teremteni a mesterséges intelligencia felelős és etikus használatához az átláthatóság, az ellenőrzés-elszámoltathatóság és az igazságosság-nem rosszindulat elveivel.
- Fenntartható szakmai gyakorlat kialakítása azáltal, hogy megkülönbözteti azokat a területeket, ahol a mesterséges intelligencia erős és gyenge, és a végső döntést az ember kezében tartja.
Ebben a modulban a mesterséges intelligenciát a mobilfejlesztés minden szakaszában használtuk: kódgenerálás, interfész, eszközön és felhőalapú mesterséges intelligencia integráció, tesztelés, hibakeresés, teljesítmény, adatvédelem és bolti kézbesítés. Ebben az utolsó részben ezeket a darabokat egyetlen végponttól végpontig folyó folyamatba fogjuk egyesíteni, tisztázni fogjuk a mesterséges intelligencia felelős és etikus használatának kereteit, és beszélünk arról, hogyan lehet ezeket a készségeket fenntartható szakmai gyakorlattá alakítani. Az alapvető üzenet nem változott, de mára szilárdan megalapozott: az AI olyan erő, amely megsokszorozza a hozzáértő mobilfejlesztőket; ez nem helyettesítő. Az a személy, aki felelős a termék minőségéért, biztonságáért és a felhasználónak szóló ígéretért.
Teljes körű szolgáltatás: alkatrészek kombinálása
Egy valódi funkció fejlesztése az elejétől a végéig mesterséges intelligencia támogatással egyesíti az összes tanult egységet egy láncban. Példa: „költség hozzáadása a nyugtából” funkció. Az áramlás így működik:
- Tervezés (3. egység). Rajzolja meg a képernyőt és a négy állapotot (betöltés/üres/hiba/teli) mesterséges intelligencia segítségével, kérje a hozzáférést a kezdetektől.
- kód (2. egység). Kamerát, adatmodellt és ViewModel-t rétegről rétegre generál az MVVM segítségével; ellenőrizze az egyes rétegeket.
- Az eszközön lévő AI (4. egység). Az összeg/dátum olvasása a beérkezéstől az ML Kit szövegfelismeréssel; Fontolja meg az előfeldolgozást és a bizalompontozást.
- Titoktartás (9. fejezet). Kérjen kameraengedélyt a legkisebb jogosultsággal, írja meg az elutasítási forgatókönyvet, tartsa az adatokat az eszközön.
- Tesztelés (6. egység). A kivonási logika egységtesztjei, a kijelző felhasználói felületének tesztelése; Tartalmazza a határállamokat.
- Hibakeresés (7. egység). A mesterséges intelligencia elemezze az összeomlásokat a kontextussal, és oldja meg a kiváltó okot.
- Teljesítmény (8. egység). Mérje meg a fényképezőgép feldolgozási akkumulátorköltségét, és állítsa akkumulátorbarát állapotba.
- Műsorszórás (10. egység). Átláthatóan jelentse a mesterséges intelligencia használatát, töltse ki az adatvédelmi űrlapot a valóságnak megfelelően, és végezzen öntesztet.
Minden lépésnél az AI felgyorsul, az ember ellenőrzi és dönt. Ez a hurok a modul magja.
Tipp: Ne próbálja az AI-t egyetlen hatalmas kéréssel összetett funkcióvá tenni. Bontsd le ellenőrizhető lépésekre, mint fent. Az egyes lépések kimenetének tesztelése és a következőre való továbblépés biztonságosabb és végső soron gyorsabb is; Mert nem a végén fogsz el egy nagy hibát, hanem az első lépésnél.
Az AI felelősségteljes és etikus használata
A műszaki kompetencia önmagában nem elegendő; felelős keretrendszer teszi teljessé. Három alapelv:
Átláthatóság. A felhasználónak tudnia kell, hogy interakcióba lép az MI-vel. A titkos mesterséges intelligencia a bizalom megsértése. A mesterséges intelligencia által generált tartalom meg van címkézve; Az AI-tanácsok inkább „hasznos tanácsként” jelennek meg, mint „kemény igazságként”.
Ellenőrzés és elszámoltathatóság. Az AI-kimenet a kiindulópont, nem pedig a késztermék. Ön felelős minden közzétett kódsorért, minden mesterséges intelligencia válaszért, minden adattranzakcióért. "Az MI így írta" nem védekezés.
Igazságosság és nem rosszindulat. Az AI-modellek torzításokat hordozhatnak az általuk betanított adatokból. Az arcfelismerés rosszabbul működhet egyes bőrszíneknél, az ajánlómotor pedig kizárhat egy csoportot. Az Ön felelőssége annak tesztelése, hogy terméke tisztességesen működik-e a különböző felhasználói csoportokban.
Figyelem: Bármely technikát, amelyet az IT és a biztonság területén tanul, csak engedélyezett és építő célokra használunk. A mesterséges intelligencia használata rosszindulatú programok létrehozására, valaki más alkalmazásainak engedély nélküli feltörésére, felhasználói adatok hozzájárulás nélküli gyűjtésére vagy félrevezető tartalom előállítására törvénytelen és ellentétes a szakma etikájával. Az erő mértéke ott derül ki, ahol nem használod.
Az AI korlátainak felismerése
Egy érett fejlesztő tudja, hogy az AI hol ragyog, és hol marad el.
Az AI erős
Az AI gyenge
Formakód, kazángyártás
Termék- és építészeti döntések
Tesztelés és dokumentáció tervezet
Az üzleti környezet és a felhasználó megértése
Összeomlási napló olvasása, hibakeresés
A kiváltó ok végleges diagnózisa (ellenőrzés szükséges)
Tanulás, fogalommagyarázat
Jelenlegi/nem gyártott API-információk
Szöveg, leírás, fordítás
Etika, biztonság és jogi végső döntés
Ennek a megkülönböztetésnek az internalizálása kulcsfontosságú az AI hatékony használatához és a buktatói elkerüléséhez.
három mini tok
1. eset – Végponttól végpontig sebesség. Az egyik egyéni fejlesztő 4 nap alatt befejezte az „unplugged” funkciót a fenti 8 lépéses folyamattal; MI nélkül a becslés 12 nap volt. De mivel minden lépését ellenőrizte, a kiadványt első alkalommal jóváhagyták. A sebesség valóságos volt, mert a fegyelem valóságos volt. Tanulság: Az AI + ellenőrzés gyorsabb, mint az AI - ellenőrzés.
2. eset – Elfogultság. Egy mesterséges intelligencia-alapú főnév-gender-előrejelző funkció tesztelése során egy csapat szisztematikus hibákat észlelt néhány török főnévben; a modellt főleg angol adatok alapján képezték ki. A funkció úgy módosult, hogy a téves feltételezés helyett megkérdezik a felhasználót. Tanulság: a fejlesztő feladata, hogy tesztelje a modell képzési elfogultságát.
3. eset – Az „AI mondta” védelem összeomlott. Egy fejlesztő tett közzé egy mesterséges intelligencia által generált fizetési kódot anélkül, hogy ellenőrizte volna; Az egyik szélsőséges esetben a kód kettős gyűjtést végzett. A felelősség nem szűnik meg azzal, hogy „az AI írta”; Számlatulajdonosként fejlesztő volt. Tanulság: felelősség nem ruházható át.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás: "Írjon nekem egy teljes nyugtaszkennelési alkalmazást."
Hatékony felszólítás: "Segíts lépésről lépésre kifejleszteni a "költség hozzáadása a nyugtából" funkciót. Folytassuk sorban, amikor minden lépést ellenőriztem és jóváhagyok, lépjen a következőre: 1) Képernyő + négy állapot + hozzáférhetőség2) MVVM-rétegek (kamera, modell, ViewModel)3) Beolvasási összeg/dátum a beérkezéstől ML Kittel + átvételi jogosultság (4) +bizalmi jogosultság folyamat5) Egység- és felhasználói felülettesztek Mondja el, milyen kockázatokat és pontokat kell ellenőriznem minden lépésnél."
Másolható sablonok
Végpontok közötti tervezési sablon: "A következő funkciót fogom fejleszteni: [funkció]. Bontsd le ellenőrizhető lépésekre: tervezés, kód, mesterséges intelligencia integráció, adatvédelem/engedély, tesztelés, teljesítmény, kiadás. Írd le minden lépéshez a kimenetet, a kockázatot és az ellenőrzési kritériumokat. Ne készíts egyetlen óriási produkciót."
Etikai/elfogultsági ellenőrzési sablon: "A méltányosság és az elfogultság érdekében vizsgálja meg a következő AI-funkciót: [szolgáltatás]. Milyen felhasználói csoportokban teljesíthet rosszul? Hogyan befolyásolják a képzési adatok a torzítást? Hogyan tesztelhetem, hogyan tehetem átfogóbbá?"
Elszámoltathatóság-ellenőrzési sablon: "Sorozza fel azokat az elszámoltathatósági kérdéseket, amelyeket fel kell tennem az AI által generált kód/szolgáltatás kiadása előtt: megértettem-e, teszteltem-e, biztonságos-e, átlátható-e a felhasználó számára, legális/etikus?"
Folyamatos tanulási sablon: "Javaslok egy 4 hetes gyakorlati tervet az AI mobilfejlesztői készségem fejlesztésére: hetente egy téma (kód, integráció, tesztelés, kiadás), egy kis projekt és ellenőrzési szokás céljával."
Gyakori hibák
- Összetett funkció előállítása egyetlen óriási kéréssel. Nem ellenőrizhető; lépésekre bontani.
- A felelősség elkerülése azzal, hogy „az AI írta”. Ön felelős a közzétett kódért.
- Nem tesztelik az AI torzítást. A modell egyes csoportokban rosszul működhet; Tesztelje az igazságosságot.
- Az AI interakció elrejtése a felhasználó elől. Az átláthatóság a bizalom alapja.
- Elfelejtve az AI korlátait. Az emberek mondják ki a végső szót az építészetről, az etikáról és a jelenlegi API-ról.
- Abbahagyni a tanulást. Az eszközök és a bolti szabályok gyorsan változnak; Legyen mindig naprakész.
Összefoglalva
A végpontok közötti funkció a modul minden részét egy láncban egyesíti: tervezés, kód, mesterséges intelligencia integráció, adatvédelem, tesztelés, hibakeresés, teljesítmény és kiadás. Az AI minden lépésnél felgyorsít, az ember ellenőrzi és dönt; Az összetett munka apró, ellenőrizhető lépésekre bomlik. A felelősségteljes használat három elven alapul: átláthatóság, ellenőrzés-elszámoltathatóság és méltányosság – ne árts. A mesterséges intelligencia erőteljes multiplikátor, de az építészet, az etika, a biztonság és a jelenlegi tudás tekintetében az embereké a végső szó. „Az AI így csinálta” nem védekezés; Ön felelős termékéért és a felhasználónak tett ígéretéért. Ezzel a tudományággal az AI gyorsabbá, átfogóbbá és erősebbé tesz a karrierje során.
Pályázati feladat
Bontson le egy tetszőleges mobilfunkciót (például „összegzés hangjegyzetek készítésével” vagy „termékfelismerés fényképről”) ellenőrizhető lépésekre a „Vége végpontig terjedő tervezési sablonnal”. Valójában legalább egy lépést fejlesszen ki és érvényesítsen az AI segítségével. Ezután elemezze, hogy mely felhasználói csoportok okozhatnak problémát a szolgáltatás az „Etikai/elfogultsági vezérlősablon” esetében, és válaszoljon a kérdésekre, amelyeket fel kell tennie a kiadás előtt a „Felelősségellenőrzési sablon” segítségével.
ellenőrző lista
- [ ] A funkciót ellenőrizhető kis lépésekre bontottam, egyetlen óriási produkcióra sem
- [ ] Minden lépésnél ellenőriztem az AI kimenetet, és meghoztam a döntést
- [ ] Az AI interakciót átláthatóan mutattam be a felhasználó számára
- [ ] Kiértékeltem, hogy a funkció tisztességesen/elfogultan működik-e a különböző csoportokban
- [ ] Megválaszoltam a kiadás előtti felelősséggel kapcsolatos kérdéseket (érthető/tesztelés/biztonságos/etikus)
- [ ] A mesterséges intelligenciát csak hozzáértő és építő célokra használtam, és tervezem a tanulás folytatását
Modul vizsga
1. Az alábbiak közül melyik a legpontosabb helymeghatározás a mesterséges intelligencia számára a mobilfejlesztésben?
- A) A mesterséges intelligencia leváltja a fejlesztőt; közvetlenül közzétehető az általa generált kód elolvasása nélkül
- B) A mesterséges intelligencia csak szövegírásban működik, semmi köze a kódgeneráláshoz
- C) A mesterséges intelligencia asszisztens és gyorsító; Az építészeti, biztonsági és műsorszolgáltatási döntésekért az emberek felelősek ✔
- D) Mivel a mesterséges intelligencia mindig helyes kódot állít elő, nincs szükség további tesztelésre és ellenőrzésre
Leírás: A mesterséges intelligencia egy asszisztens és gyorsító, amely kódokat, tervrajzokat és megoldásokat állít elő. Az olyan döntések felelőssége és végső jóváhagyása, mint az architektúra, az engedélyezés, a biztonság és a közzététel, az illetékes fejlesztő feladata; Az emberek felelősek minden közzétett sorért.
2. Amikor mobilkódot kérünk a mesterséges intelligenciától, mi növeli leginkább az előállított kód architekturális minőségét?
- A) Legyen az üzenet a lehető legrövidebb, és mondja azt, hogy „írj nekem egy alkalmazást”
- B) Először állítson be egy olyan architektúrát, mint az MVVM, és kérje le a kódot apró darabokban, rétegenként ✔
- C) A teljes szolgáltatás létrehozása egyetlen óriási fájlként egyetlen promptban
- D) Egyáltalán ne adja meg az architektúrát, és bízza a legjobb döntést a mesterséges intelligenciára
Magyarázat: Ha egy olyan architektúrát, mint az MVVM, és rétegről rétegre ír elő, mielőtt kódot írna közvetlenül az MI-be, olyan tesztelhető és karbantartható struktúra jön létre, amely elválasztja a logikát a képernyőtől. Az architektúra nélküli kérés olyan kódot ad vissza, amely mindent a képernyőre zsúfol.
3. Mi az, amit leggyakrabban figyelmen kívül hagynak a mesterséges intelligenciával való interfész létrehozásakor, és mi a legkritikusabb a valós használat során?
- A) Betöltési, üres és hibaállapotok tervezése, nem csak a teljes képernyőn ✔
- B) Csak a legjobban kinéző teljes képernyő előállítása, más esetek kihagyása
- C) A lehető legtöbb szín és animáció hozzáadása minden képernyőhöz
- D) Az akadálymentesítési címkéket utolsóként hagyjuk, és csak a megjelenéssel foglalkozunk
Magyarázat: A fejlesztők gyakran csak a „teljes” állapotot veszik figyelembe; míg a valóságban a felhasználó többnyire betöltési, üres és hibaállapotokkal találkozik. Mind a négy állapot generálása (betöltés/üres/hiba/tele) a robusztus interfész titka.
4. Miért gyakran az eszközön található mesterséges intelligencia az alapértelmezett választás egy olyan funkciónál, amely érzékeny személyes adatokat dolgoz fel (pl. egészségmérés)?
- A) Az eszközön lévő modellek mindig pontosabbak, mint a felhő
- B) Az eszközön történő feldolgozás során soha nem merülnek fel akkumulátor- vagy processzorköltségek
- C) Az eszközön történő feldolgozás a modell méretét tekintve korlátlan
- D) Mivel az adatok nem hagyják el a telefont, komoly előnyt jelent az adatvédelem és a felhasználói bizalom szempontjából ✔
Magyarázat: Az eszközön történő feldolgozás nem távolítja el az adatokat a telefonról; Ez komoly előnyt jelent az adatvédelmi megfelelés és a felhasználói bizalom szempontjából, ráadásul offline és azonnal működik. Határát az eszköz teljesítménye és a modell mérete jelenti.
5. Melyik a leggyakrabban előforduló „néma” hiba, amely értelmetlen eredményt okoz, és nem ad hibaüzenetet az eszközön belüli modellintegrációban?
- A) A modell fájlnevének hibás elírása
- B) Az alkalmazás ikonjának alacsony felbontása
- C) Helytelen bemeneti előfeldolgozás (méret/normalizálás) ✔
- D) Sötét képernyő téma
Magyarázat: A beviteli előfeldolgozás helytelen végrehajtása teljesen rossz eredményeket produkál anélkül, hogy hibákat dobna fel. Az előfeldolgozási értékeket ellenőrizni kell a modell dokumentációjából.
6. Mi a biztonság szempontjából legkritikusabb szabály a felhő LLM mobilalkalmazásba integrálásakor?
- A) Az API-kulcsot csak a háttérben kell tartani, az ügyfélen nem; a kéréseknek proxy-n keresztül kell menniük ✔
- B) Az API-kulcsot a kényelem érdekében közvetlenül az alkalmazás kódjába kell ágyazni
- C) Az API kulcsot meg kell osztani az alkalmazás leírásában
- D) Az API kulcsot a kliensben kell tartani, és csak a név megváltoztatásával kell elrejteni.
Közzététel: Az API-kulcs soha nincs beágyazva a mobilalkalmazás kódjába; mert az alkalmazás visszafejthető és a kulcs kinyerhető. A helyes architektúra az, hogy a kulcsot csak a háttérben tárolja, és a kéréseket a saját proxykiszolgálón keresztül továbbítja.
7. Mi növeli leginkább a felhasználó által észlelt sebességet és a funkciók teljesítési arányát a hosszú LLM válaszokban?
- A) Várja meg, amíg a teljes válasz elkészül, és azonnal mutassa meg
- B) A válasz megjelenítése szóról szóra, ahogy az előáll, streameléssel ✔
- C) A teljes chatelőzmény elküldése a modellnek minden kéréssel
- D) Nagyítsa ki a modellutasítást, hogy a lehető legnagyobb mértékben kiterjessze a választ
Leírás: A streamelés drámaian megnöveli az észlelt sebességet és folyékonyságot azáltal, hogy szóról szóra jeleníti meg a választ. Ahelyett, hogy az üres képernyőn várna, a felhasználó a szöveges űrlapot figyeli; Ez jelentősen csökkenti az elhagyási arányt.
8. Mi a leggyakoribb probléma a mesterséges intelligencia által készített tesztekben, ami értéktelenné teszi a tesztet?
- A) A tesztek túl sok határállapotot fednek le
- B) A tesztek álobjektumokat használnak, nem valódi szolgáltatásokat
- C) A tesztek nagyon gyorsan futnak
- D) A duzzanat kiküszöbölése üres/haszontalan tesztekkel, amelyek valójában nem igazolják a viselkedést ✔
Magyarázat: A mesterséges intelligencia időnként olyan teszteket hoz létre, amelyek valójában semmilyen kimenetet nem igazolnak (pl. csak hívja meg a függvényt, és ír egy üres állítást). Ezek növelik a lefedettség számát, de nem nyújtanak valódi védelmet; Minden tesztet ellenőrizni kell az értelmes viselkedés igazolására.
9. Miért nem elégséges megoldás egy balesetet mesterséges intelligencia javaslattal próbafogásba helyezni?
- A) A try-catch egyáltalán nem használható mobilalkalmazásokban
- B) Az összeomlás leáll, de mivel a kiváltó ok nem szűnik meg, a probléma más formában tér vissza ✔
- C) A try-catch használata lelassítja az alkalmazást, ezért tilos
- D) Az elnémított hibát az üzlet automatikusan elutasítja
Magyarázat: A tünet elhallgatása nem oldja meg a kiváltó okot; Az összeomlás leáll, de az eredeti probléma (pl. megszakadt adatkapcsolat) más formában (pl. adatvesztés) tér vissza. A professzionális hibakeresés célja a kiváltó ok, nem pedig a tünet megoldása.
10. Mi az az alapvető aranyszabály, amelyet be kell tartani a teljesítményoptimalizálás során?
- A) Először készítsen egy profilt, és mérje meg a valós szűk keresztmetszetet, majd optimalizálja ✔
- B) Kitalálni, hogy hol lassú, és ott koncentrálni
- C) Kis nyereségek keresése minden függvényben
- D) Mérje meg a teljesítményt az emulátoron, és soha ne próbálja ki a valódi eszközt
Leírás: Először mérje meg, majd optimalizálja. Az igazi szűk keresztmetszet szinte mindig más helyen van, mint ahogy azt előre jelezték; A profilalkotás nélküli optimalizálás vak találgatás, és gyakran felesleges erőfeszítés.
11. Mi a legfontosabb mérnöki szempont egy folyamatosan futó mesterséges intelligencia funkciónál (pl. élő kamerafordítás)?
- A) A szolgáltatás a lehető legtöbb engedélyt kéri
- B) A folyamatos feldolgozás akkumulátor- és processzorköltségének kezelése mintavételi gyakorisággal és kötegelt feldolgozással ✔
- C) Csak a legdrágább telefonokon futtassa a funkciót
- D) A kamera folyamatos megjelenítése a lehető legnagyobb képkockasebesség mellett
Leírás: Folyamatosan működő modell, kamera és hálózat; Gyorsan lemerítheti az akkumulátort, felmelegítheti a készüléket, és a rendszer korlátozza. A mintavételi gyakoriság csökkentése, a kötegelés és a csak szükség esetén történő futtatás az akkumulátorköltség kezelésének módjai.
12. Mit jelent a mobilfejlesztésben a „legkisebb jogosultság” elve az engedélykezelésben?
- A) Minden lehetséges engedély kérése indításkor, minden esetre.
- B) Az alkalmazás működésképtelenné tétele, ha az engedélyt megtagadják
- C) A legszélesebb körű engedély kérése és későbbi szűkítésének tervezése.
- D) Csak a ténylegesen szükséges engedély kérése, szükség esetén és a legszűkebb körben, elutasítási forgatókönyvvel ✔
Magyarázat: A legkisebb jogosultság csak azt az engedélyt kéri, amelyre valóban szükség van, amikor és a lehető legszűkebb mértékben. A túl sok engedély aláássa a felhasználók bizalmát, az áruház elutasításához vezet, és növeli az adatszivárgás kockázatát.
13. Milyen konkrét követelményeknek kell megfelelni a mesterséges intelligenciával ellátott alkalmazás boltba történő bemutatásakor?
- A) Tartalmi átláthatóság, tartalomellenőrzés és a mesterséges intelligenciába kerülő adatok nyilvánosságra hozatala titoktartás formájában ✔
- B) A mesterséges intelligencia használatának eltitkolása a felhasználó elől
- C) Az adatvédelmi űrlapon ténylegesen nem gyűjtött adatok megjelölése
- D) Ígéretes funkciók, amelyek a leírásban nem szerepelnek
Nyilvánosságra hozatal: Az üzletek elvárják a tartalom átláthatóságát (kijelentés, hogy mesterséges intelligenciát termel), a tartalom moderálását (a káros kimenetek és a felhasználói értesítések kiszűrése), valamint a mesterséges intelligenciát tartalmazó alkalmazásoktól származó adathasználat feltárását; Az érzékeny területen pontossági figyelmeztetés szükséges. Azokat a jelentkezéseket, amelyek ezeket kihagyják, elutasítják.
14. Miért érvénytelen az 'AI írta így' védelem, ha szélső kisbetű-hiba történik a közzétett AI által generált kódban?
- A) Mivel a mesterséges intelligencia mindig hibamentes kódot állít elő, a hiba a felhasználótól származik
- B) Mert automatikusan eltárolja a helyes mesterséges intelligencia által generált kódot
- C) Mert a felelősség nem hárítható át a mesterséges intelligenciára; A fejlesztő felelős a közzétett kódért és adatokért ✔
- D) Mert a mesterséges intelligencia által generált kód soha nem kerül életbe
Leírás: Az AI-kimenet kiindulópont, nem késztermék. A fejlesztő felelős minden közzétett sorért, minden feldolgozott adatért és minden ígéretért; A felelősség nem ruházható át az MI-re, ezért a kimenetet a közzététel előtt meg kell érteni és tesztelni kell.