Hochwertiges technisches Design für Plattformlösungen für künstliche Intelligenz

​Übersetzer |. Zhu Xianzhong

Rezensent | # Wir befinden uns im goldenen Zeitalter der künstlichen Intelligenz. Der Einsatz von Lösungen der künstlichen Intelligenz macht Unternehmen kreativer, wettbewerbsfähiger und reaktionsfähiger. Das Software-as-a-Service-Modell (SaaS) hat in Verbindung mit der Weiterentwicklung der Cloud-Technologie den Prozess der Softwareproduktion und -nutzung immer ausgereifter gemacht.

Es ist eine allgemeine Tatsache, dass die meisten Unternehmen es vorziehen, KI-Technologie von der Stange zu „kaufen“, anstatt ihre eigene zu „bauen“. Daher haben SaaS-Anbieter wie Salesforce, SAP, Oracle usw. sukzessive Plattformfunktionen für künstliche Intelligenz eingeführt und ein Modell für künstliche Intelligenz als Service (AI-as-a-Service, AIaaS) aufgebaut. Tatsächlich erleichtert dieser Entwicklungstrend es Unternehmen, Lösungen für künstliche Intelligenz einzuführen.

Prüftechnologie spielt eine entscheidende Rolle bei der Qualitätssicherung (QS) im Allgemeinen und bei der Einführung von Plattformen für künstliche Intelligenz im Besonderen. Darüber hinaus wird das Testen bei der Einführung einer KI-Plattform sehr komplex, und hier ist der Grund:

Das Testen von KI erfordert intelligente Testprozesse, virtualisierte Cloud-Ressourcen, spezielle Fähigkeiten und KI-Tools.

Obwohl Anbieter von Plattformen für künstliche Intelligenz häufig verschiedene Versionen veröffentlichen, sollte die Testgeschwindigkeit so hoch wie möglich sein.

Produkten der künstlichen Intelligenz mangelt es oft an Transparenz und sie sind nicht erklärbar, daher sind sie schwer zu überzeugen.

Nicht nur Produkte der künstlichen Intelligenz, auch die Qualität des Trainingsmodells und die Qualität der Daten sind gleichermaßen wichtig. Allerdings sind einige herkömmliche Testmethoden zur Validierung von Cloud-Ressourcen, Algorithmen, Schnittstellen und Benutzerkonfigurationen im Allgemeinen ineffizient. Auf diese Weise werden Tests des Lernens, des logischen Denkens, der Wahrnehmung, der Bedienung usw. gleichermaßen wichtig.
2. Beispielsweise wird in einem Plug-and-Play-KI-Lösungsmodell die KI-Logik vom Softwareanbieter bereitgestellt. Als Verbraucher sind Programmierer für den Aufbau der Schnittstelle, die Bereitstellung von Daten zum Training der Logik, das Training der Logik im Kontext der Lösung und die Ausweitung des Erlebnisses auf den Endbenutzer verantwortlich.
3. Zuerst sollten wir wie beim herkömmlichen Testen Daten, Algorithmen, Integrationen und Benutzererfahrung testen. Zweitens sollte das trainierte Modell validiert werden, um die funktionale Eignung der Lösung zu testen, wodurch die Tests auf Inferenz, Planung, Lernen usw. ausgeweitet werden. Drittens sollten Methoden zur Validierung der KI-Algorithmen selbst entwickelt werden. Schließlich sollten auch Werkzeuge, die von der KI-Logik verwendet werden können, wie Suche, Optimierung, Wahrscheinlichkeit usw., in die funktionale Verifizierung einbezogen werden. Dieser Artikel stellt eine praktische Perspektive auf Test-Frameworks für künstliche Intelligenz vor.
4. Kernnotwendigkeit von Plattformlösungen für künstliche Intelligenz: kontinuierliches Testen

Die durch einen hohen Automatisierungsgrad erreichte Qualitätssicherungsreife ist entscheidend für die Einführung von KI-Plattformen. Da Unternehmen ihre Infrastruktur und Engineering-Methoden modernisieren, werden die Release-Zyklen wahrscheinlich kürzer und stärker automatisiert. Techniken der kontinuierlichen Integration (CI) haben sich als effektiv erwiesen. Wenn Code mehrmals täglich angemeldet und anschließend neu kompiliert wird, werden mehrere QA-Feedbackschleifen generiert. Für die erfolgreiche Anwendung von CI ist daher die Automatisierung des Erstellungs- und Bereitstellungsprozesses von entscheidender Bedeutung. Automatisierung ist die Grundlage von CI und Testautomatisierung ermöglicht Continuous Delivery (CD). Kurz gesagt, CD wird von CI gesteuert. Die Entwicklung agiler und DevOps-Modelle hat die Rückkopplungsschleife zwischen Entwicklung und Test beschleunigt und kontinuierliches Testen (CT), kontinuierliche Entwicklung und kontinuierliche Bereitstellung institutionalisiert.

Im Unternehmen verändern sich Daten, Anwendungen, Infrastruktur usw. ständig. Gleichzeitig aktualisieren SaaS-Anbieter weiterhin KI-Produkte, um das Benutzererlebnis und die Entwicklungseffizienz zu verbessern. In dieser dynamischen Situation ist es von entscheidender Bedeutung, ein kontinuierliches Testökosystem einzurichten; eine solche vollständig automatisierte Testumgebung kann nicht nur die sich ändernden IT-Ressourcen des Unternehmens, sondern auch die sich ändernden Versionen des KI-Produkts validieren.

Zusammenfassend lässt sich sagen, dass beim Aufbau eines guten CT-Ökosystems die folgenden Faktoren berücksichtigt werden müssen:

1. Migrieren Sie automatisierte Testskripte in Enterprise-Versionskontrolltools. Die Automatisierungscodebasis sollte sich ebenso wie die Anwendungscodebasis in einem Versionskontroll-Repository befinden. Auf diese Weise können Testressourcen effizient mit Anwendungs- und Datenressourcen kombiniert werden.
2. Plant die Integration der Automatisierungssuite mit Code-/Daten-Build-Bereitstellungstools, um eine zentralisierte Ausführung und Berichterstattung zu unterstützen. Es ist wichtig, Code-/Daten-Builds mit ihren jeweiligen Automatisierungssuiten abzustimmen. Natürlich ist bei jedem Build eine werkzeugbasierte automatisierte Bereitstellung unbedingt erforderlich, um menschliches Eingreifen zu vermeiden.
3. Teilen Sie die Automatisierungssuite in mehrere Testebenen auf, um an jedem Prüfpunkt schnelleres Feedback zu erhalten. Beispielsweise können KI-Gesundheitsprüfungen überprüfen, ob Dienste ordnungsgemäß funktionieren, nachdem Änderungen an Schnittstellen und Datenstrukturen vorgenommen wurden. Durch KI-Rauchtests kann überprüft werden, ob kritische Systemfunktionen ordnungsgemäß funktionieren und keine Verstopfungsfehler vorliegen.
4. Der Testumfang sollte auch das Trainingsmodell abdecken. Bei KI-Tests sollten auch trainierte Modelle getestet werden, die zeigen, ob die Lösung gegebene Anweisungen lernt, sowohl überwacht als auch unbeaufsichtigt. Es ist wichtig, dasselbe Szenario mehrmals zu reproduzieren, um zu überprüfen, ob die Reaktion mit dem gegebenen Training übereinstimmt. Ebenso ist es von entscheidender Bedeutung, über einen Prozess zu verfügen, um im Rahmen des Testens Lösungen für Ausfälle, Ausnahmen, Fehler usw. zu trainieren. Wenn die Ausnahmebehandlung sorgfältig überlegt wird, kann Fehlertoleranz eingebaut werden.
5. Planen Sie, das Training/Lernen im Bereich der künstlichen Intelligenz während des gesamten KI-Lösungszyklus zu verwalten. CT-bezogene Einstellungen sollten dazu beitragen, das Lernen vom Test bis zur Produktion fortzusetzen und so Bedenken hinsichtlich des Transferlernens zu verringern.
6. Optimierung durch intelligente Regression. Wenn die Ausführungszykluszeit der Ensemble-Regression deutlich länger ist, sollte CT eine Teilmenge zur Laufzeit basierend auf stark betroffenen Bereichen aufteilen, um innerhalb eines angemessenen Zeitfensters Feedback zu geben. Nutzen Sie ML-Algorithmen effektiv, um probabilistische Modelle zu erstellen und Regressionstests auszuwählen, die mit bestimmten Code- und Datenaufbauten konsistent sind. So können Sie die Nutzung von Cloud-Ressourcen effizient optimieren und Tests beschleunigen.
7. Planen Sie immer regelmäßig umfassende Regressionstests ein. Diese Arbeiten können je nach Übereinstimmung mit der wiederkehrenden Bauhäufigkeit für Nächte oder Wochenenden geplant werden. Dies ist das ultimative Feedback des CT-Ökosystems, dessen Ziel darin besteht, die Feedbackzeit durch die Ausführung von Threads oder Maschinen, die parallel ausgeführt werden, zu minimieren.

Beim Testen ohne menschliches Eingreifen werden Störungen, Fehler und etwaige Algorithmusanomalien zu einer Entdeckungsquelle für KI-Lösungen. Ebenso werden die tatsächliche Nutzung und Benutzerpräferenzen während des Testens zu einer Trainingsquelle und sollten in der Produktion fortgeführt werden.

Stellen Sie sicher, dass Daten in AIaaS-Lösungen extrahiert werden können

Datenqualität ist das wichtigste Erfolgskriterium bei Lösungen für künstliche Intelligenz. Nützliche Daten liegen sowohl innerhalb als auch außerhalb des Unternehmens vor. Die Fähigkeit, nützliche Daten zu extrahieren und sie der KI-Engine zuzuführen, ist eine der Voraussetzungen für die Qualitätsentwicklung. „Extrahieren, Transformieren und Laden“ (ETL) ist ein traditioneller Begriff, der sich auf eine Datenpipeline bezieht, die Daten aus verschiedenen Quellen sammelt, sie basierend auf Geschäftsregeln umwandelt und sie in einen Zieldatenspeicher lädt. Der Bereich ETL hat sich zu Enterprise Information Integration (EII), Enterprise Application Integration (EAI) und Enterprise Cloud Integration Platform as a Service (iPaaS) entwickelt. Ungeachtet des technologischen Fortschritts wird der Bedarf an Datensicherung immer wichtiger. Die Datensicherung sollte funktionale Testaktivitäten wie die Überprüfung des Map Reduce-Prozesses, die Überprüfung der Transformationslogik, die Datenüberprüfung, die Überprüfung der Datenspeicherung usw. umfassen. Darüber hinaus sollte die Datensicherung auch nichtfunktionale Aspekte der Leistung, des Failovers und der Datensicherheit berücksichtigen.

Strukturierte Daten sind einfacher zu verwalten, während unstrukturierte Daten, die von außerhalb des Unternehmens stammen, mit Vorsicht behandelt werden sollten. Stream-Verarbeitungsprinzipien helfen dabei, Daten in Bewegung frühzeitig aufzubereiten; das heißt, durch ereignisgesteuerte Verarbeitung werden Daten verarbeitet, sobald sie von Websites, externen Anwendungen, mobilen Geräten, Sensoren und anderen Quellen generiert oder empfangen werden. Darüber hinaus ist die Überprüfung der Qualität durch die Einrichtung von Quality Gates unbedingt erforderlich.

Messaging-Plattformen wie Twitter, Instagram und WhatsApp sind beliebte Datenquellen. Bei der Nutzung solcher Daten verbinden sie Anwendungen, Dienste und Geräte über verschiedene Technologien hinweg über ein cloudbasiertes Messaging-Framework. Deep-Learning-Techniken ermöglichen es Computern, aus diesen Datenmengen zu lernen. Einige dieser Daten erfordern die Hilfe neuronaler Netzwerklösungen, um komplexe Signalverarbeitungs- und Mustererkennungsprobleme zu lösen, die von Sprache bis zur Texttranskription, von der Handschrifterkennung bis zur Gesichtserkennung und vielem mehr reichen. Daher sollten die notwendigen Qualitätstore eingerichtet werden, um die Daten dieser Plattformen zu testen.

Im Folgenden finden Sie einige Dinge, auf die Sie beim Entwerfen eines KI-gesteuerten QS-Projekts achten sollten.

1. Automatisierte Qualitätstore: ML-Algorithmen können implementiert werden, um anhand historischer und wahrnehmungsbezogener Kriterien zu bestimmen, ob Daten „bestanden“ werden.
2. Quellenursachen vorhersagen: Die Klassifizierung oder Identifizierung der Quellenursachen von Datenfehlern hilft nicht nur, zukünftige Fehler zu vermeiden, sondern trägt auch dazu bei, die Datenqualität kontinuierlich zu verbessern. Durch Muster und Korrelationen können Testteams ML-Algorithmen implementieren, um Fehler bis zu ihrer Quelle zurückzuverfolgen. Dies trägt dazu bei, Abhilfetests und Abhilfemaßnahmen zu automatisieren, bevor die Daten in die nächste Phase für Selbsttests und Selbstreparaturen übergehen.
3. Nutzen Sie vorab bewusste Überwachung: ML-Algorithmen können nach Symptomen und zugehörigen Codierungsfehlern in Datenmustern suchen, wie z. B. hoher Speichernutzung, potenziellen Bedrohungen, die zu Ausfällen führen können usw., und so Teams dabei unterstützen, Korrekturmaßnahmen automatisch umzusetzen. Beispielsweise kann die KI-Engine parallele Prozesse automatisch beschleunigen, um den Serververbrauch zu optimieren.
4. Failover: ML-Algorithmen können Fehler erkennen und automatisch wiederherstellen, um die Verarbeitung fortzusetzen, mit der Möglichkeit, Fehler zum Lernen zu registrieren.

Sicherstellung von Algorithmen der künstlichen Intelligenz in AIaaS-Lösungen

Wenn die interne Struktur des Softwaresystems bekannt ist, sind Entwicklung und Tests einfach. In KI-Plattformlösungen sind KI und ML jedoch weniger „erklärbar“, d. h. die Eingabe-/Ausgabezuordnung ist das einzige bekannte Element, und Entwickler können die Mechanismen der zugrunde liegenden KI-Funktionalität (z. B. Vorhersage) oft nicht sehen oder verstehen. Obwohl herkömmliche Black-Box-Tests dabei helfen, das Problem der Eingabe-/Ausgabezuordnung zu lösen, wird es für Menschen schwierig sein, dem Testmodell zu vertrauen, wenn es an Transparenz mangelt. Natürlich ist eine KI-Plattformlösung eine Blackbox; es gibt einzigartige KI-Techniken, die dabei helfen können, die Funktionalität eines KI-Programms zu überprüfen. Auf diese Weise ist das Testen nicht nur eine Frage der Eingabe- und Ausgabezuordnung. Aus Designgründen umfassen einige KI-gesteuerte Black-Box-Testtechniken:

1. Posterior Predictive Checks (PPC) simulieren Replikatdaten unter einem angepassten Modell und vergleichen sie dann mit beobachteten Daten. Somit können Tests Posterior-Vorhersagen nutzen, um „nach systematischen Unterschieden zwischen realen und simulierten Daten zu suchen“.
2. Genetischer Algorithmus zur Optimierung von Testfällen. Eine der Herausforderungen bei der Generierung von Testfällen besteht darin, einen Datensatz zu finden, der, wenn er als Eingabe für die zu testende Software verwendet wird, die höchste Abdeckung ergibt. Wenn dieses Problem gelöst ist, können die Testfälle optimiert werden. Es gibt adaptive heuristische Suchalgorithmen, die grundlegende Verhaltensweisen simulieren, die in natürlichen Evolutionsprozessen wie Selektion, Crossover und Mutation auftreten. Bei der Verwendung der heuristischen Suche zum Generieren von Testfällen werden Feedbackinformationen zur Testanwendung verwendet, um festzustellen, ob die Testdaten die Testanforderungen erfüllen. Der Feedback-Mechanismus kann die Testdaten schrittweise anpassen, bis die Testanforderungen erfüllt sind.
3. Neuronales Netzwerk zur automatischen Testfallgenerierung. Dabei handelt es sich um physische zelluläre Systeme, die empirisches Wissen erfassen, speichern und verarbeiten können. Sie ahmen das menschliche Gehirn nach, um Lernaufgaben auszuführen. Zur automatischen Generierung von Testfällen wird die Lerntechnologie neuronaler Netze eingesetzt. In diesem Modell wird das neuronale Netzwerk anhand einer Reihe von Testfällen trainiert, die auf die Originalversion des KI-Plattformprodukts angewendet werden. Netzwerktraining zielt nur auf den Input und Output des Systems ab. Das trainierte Netzwerk kann dann als künstliches Orakel verwendet werden, um die Richtigkeit der von neuen und möglicherweise fehlerhaften Versionen des KI-Plattformprodukts erzeugten Ausgabe zu bewerten.
4. Fuzzy-Logik für die modellbasierte Regressionstestauswahl. Während diese Methoden in Projekten nützlich sind, die bereits modellgesteuerte Entwicklungsmethoden verwenden, besteht ein Haupthindernis darin, dass Modelle häufig auf einem hohen Abstraktionsniveau erstellt werden. Ihnen fehlen die erforderlichen Informationen, um Rückverfolgbarkeitsverbindungen zwischen abdeckungsbezogenen Ausführungsspuren in Modellen und Testfällen auf Codeebene herzustellen. Mit auf Fuzzy-Logik basierenden Methoden können abstrakte Modelle automatisch verfeinert werden, um detaillierte Modelle zu erstellen, die die Identifizierung von Rückverfolgbarkeitsbeziehungen ermöglichen. Dieser Prozess bringt ein gewisses Maß an Unsicherheit mit sich – eine Unsicherheit, die durch die Anwendung einer verfeinerungsbasierten Fuzzy-Logik behoben werden kann. Die Logik dieses Ansatzes besteht darin, Testfälle auf der Grundlage ihrer probabilistischen Korrektheit im Zusammenhang mit dem verwendeten Verfeinerungsalgorithmus in erneut testbare Fälle zu klassifizieren.

Detailliertere Informationen zu diesem Teil des Wissens finden Sie unter ​„Black-Box-Tests von Modellen für maschinelles Lernen“​.

Stellen Sie Integration und Schnittstellen in AIaaS-Lösungen sicher

Alle SaaS-Lösungen, einschließlich AIaaS-Lösungen, werden mit einer Reihe vordefinierter Webdienste geliefert. Unternehmensanwendungen und andere intelligente Ressourcen können mit diesen Diensten interagieren, um die versprochenen Ergebnisse zu erzielen. Heutzutage haben sich Webdienste auf ein Niveau weiterentwickelt, das Plattformunabhängigkeit, also Interoperabilität, bietet. Durch diese erhöhte Flexibilität können die meisten Webdienste von verschiedenen Systemen genutzt werden. Natürlich erfordert die Komplexität dieser Schnittstellen auch eine entsprechende Erhöhung des Testniveaus. In einer CI/CD-Umgebung wird es beispielsweise zu einer wichtigen Aufgabe, die Kompatibilität dieser Schnittstellen in jedem erstellten Anwendungspaket zu überprüfen.

Aktuell besteht die größte Herausforderung in diesem Bereich darin, virtualisierte Webdienste zu implementieren und den Datenfluss zwischen der KI-Plattformlösung und der Anwendung oder IoT-Schnittstelle zu überprüfen. Zusammenfassend sind die Hauptgründe, warum das Testen von Schnittstellen/Webdiensten kompliziert ist, folgende:

1. Es gibt keine testbare Benutzeroberfläche, es sei denn, sie ist bereits in eine andere Quelle integriert, die möglicherweise noch nicht zum Testen bereit ist.
2. Alle in diesen Diensten definierten Elemente erfordern eine Validierung, unabhängig davon, welche Anwendung sie verwendet oder wie oft sie verwendet werden.
3. Die grundlegenden Sicherheitsparameter des Dienstes müssen überprüft werden.
4. Stellen Sie über verschiedene Kommunikationsprotokolle eine Verbindung zu Diensten her.
5. Der gleichzeitige Aufruf mehrerer Kanäle eines Dienstes kann zu Leistungs- und Skalierbarkeitsproblemen führen.

Daher ist das Testen der Schnittstellenschicht besonders notwendig:

1. Simulieren des Komponenten- oder Anwendungsverhaltens. Die Komplexität der Schnittstellen von KI-Anwendungen zu Menschen, Maschinen und Software sollte in KI-Tests simuliert werden, um Korrektheit, Vollständigkeit, Konsistenz und Geschwindigkeit sicherzustellen.
2. Überprüfen Sie, ob nicht standardmäßiger Code verwendet wird. Durch die Verwendung von Open-Source-Bibliotheken und die Übernahme realer Anwendungen können nicht standardmäßige Codes und Daten in die IT-Umgebung des Unternehmens gelangen. Daher sollten diese alle überprüft werden.

Gewährleisten Sie das Benutzererlebnis bei AIaaS-Lösungen

In der neuen sozialen Realität, in der Menschen hauptsächlich aus der Ferne arbeiten und leben, ist das Kundenerlebnis zu einer Notwendigkeit für den Geschäftserfolg geworden. Dies ist ein größeres Ziel im Bereich der künstlichen Intelligenz. Nichtfunktionale Tests sind ein bewährtes Phänomen, das durch die Validierung von Eigenschaften wie Leistung, Sicherheit und Zugänglichkeit aussagekräftige Kundenerlebnisse liefert. Im Allgemeinen erhöhen Technologien der nächsten Generation die Komplexität der Erlebnissicherung.

Hier sind einige wichtige Designüberlegungen, um die Benutzererfahrung im gesamten KI-Testframework sicherzustellen.

1. Design für Erfahrung, nicht Test für Erfahrung. Unternehmens-KI-Strategien sollten aus der Perspektive des Endbenutzers beginnen. Es ist wichtig sicherzustellen, dass das Testteam tatsächliche Kunden repräsentiert. Die frühzeitige Einbindung des Kunden in den Entwurf hilft nicht nur bei der Gestaltung, sondern trägt auch dazu bei, frühzeitig das Vertrauen des Kunden zu gewinnen.
2. Erzielen Sie Agilität und Automatisierung durch die Erstellung von Testoptimierungsmodellen. Fragen der Benutzererfahrung sollten bereits in der „Schwarm“-Phase des Testzyklus berücksichtigt werden, da frühe Tests der Benutzererfahrung dazu beitragen, einen Build-Test-optimierten Entwicklungszyklus zu erreichen.
3. Kontinuierliche Sicherheit mit agilen Methoden ist entscheidend. Lassen Sie das Unternehmenssicherheitsteam Teil eines agilen Teams sein, das: 1) das Bedrohungsmodell der Organisation während der „Schwarm“-Testphase besitzt und validiert; 2) strukturelle Schwachstellen über alle Multi-Channel-Schnittstellen hinweg bewertet, die die SaaS-KI-Lösungsarchitektur möglicherweise aufweist ( aus der Perspektive eines hypothetischen Hackers).
4. Geschwindigkeit ist entscheidend. Die Eigenschaften von KI-Daten wie Volumen, Geschwindigkeit, Diversität und Variabilität erfordern eine Vorverarbeitung, parallele/verteilte Verarbeitung und/oder Stream-Verarbeitung. Leistungstests helfen dabei, das Design für die verteilte Verarbeitung zu optimieren, was für die Geschwindigkeit erforderlich ist, die Benutzer vom System erwarten.
5. Auch die Nuancen des Text- und Sprachtests sind wichtig. Viele Forschungsumfragen deuten darauf hin, dass Konversations-KI nach wie vor ganz oben auf der Agenda von Unternehmen steht. Da weiterhin neue Technologien wie Augmented Reality, Virtual Reality und Edge Artificial Intelligence auftauchen, sollten Anforderungen wie das Testen von Text, Sprache und der Verarbeitung natürlicher Sprache erfüllt werden können.
6. Simulation hilft, die Grenzen auszutesten. Die Untersuchung von Benutzerszenarien ist die Grundlage der Erfahrungssicherung. Wenn es um KI geht, hilft das Testen von Anomalien, Fehlern und Verstößen dabei, das Systemverhalten vorherzusagen, was uns wiederum dabei hilft, das Fehler-/Fehlertoleranzniveau von KI-Anwendungen zu validieren.
7. Vertrauen, Transparenz und Vielfalt. Validieren Sie das Vertrauen von Unternehmensbenutzern in KI-Ergebnisse, überprüfen Sie die Transparenz von Datenquellen und Algorithmen, fordern Sie Transparenz, um die Risikominderung anzustreben und das Vertrauen in die KI zu stärken, stellen Sie die Vielfalt der Datenquellen sicher und stellen Sie sicher, dass Benutzer/Tester die KI-Ethik und ihre Genauigkeit prüfen – all dies ist der Fall kritisch. Um dies zu erreichen, sollten Tester nicht nur ihr Domänenwissen verbessern, sondern auch das technische Know-how von Daten, Algorithmen und Integrationsprozessen in der IT großer Unternehmen verstehen.

Fazit

Kurz gesagt ist kontinuierliches Testen eine Grundvoraussetzung für jedes Unternehmen, um Plattformlösungen für künstliche Intelligenz einzuführen. Daher sollten wir einen modularen Ansatz verfolgen, um das Design von Daten, Algorithmen, Integration und Erfahrungssicherungsaktivitäten zu verbessern. Dies wird uns dabei helfen, ein kontinuierliches Testökosystem zu schaffen, damit die Unternehmens-IT auf häufige Änderungen interner und externer KI-Komponenten vorbereitet ist.

Einführung in den Übersetzer

Zhu Xianzhong, 51CTO-Community-Redakteur, 51CTO-Expertenblogger, Dozent, Computerlehrer an einer Universität in Weifang und ein Veteran in der freiberuflichen Programmierbranche. In den Anfängen konzentrierte er sich auf verschiedene Microsoft-Technologien (stellte drei technische Bücher zu ASP.NET AJX und Cocos 2d-X zusammen). In den letzten zehn Jahren widmete er sich der Open-Source-Welt (vertraut mit beliebten Vollversionen). Stack-Webentwicklungstechnologie) und lernte OneNet/AliOS+Arduino/ESP32/Raspberry Pi und andere IoT-Entwicklungstechnologien sowie Scala+Hadoop+Spark+Flink und andere Big-Data-Entwicklungstechnologien kennen.

Originaltitel: ​​Quality Engineering Design for AI Platform Adoption​​​, Autor: Anbu Muppidathi​

Das obige ist der detaillierte Inhalt vonHochwertiges technisches Design für Plattformlösungen für künstliche Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!