デジタル技術の急速な発展に伴い、現場は激変しており、企業におけるアルゴリズムの支持はますます高まっており、経営革新を推進する上で重要な役割を果たしています。一部の企業が「アルゴリズム管理」を積極的に掲げると、相対的に人の価値を無視し、新たなトラブルが多く発生することは注目に値します。アルゴリズム技術はもともと人間の福祉を向上させるために発明されましたが、残念なことに、人々を「奴隷」にするためのアップグレードされたツールになっています。これはリーダーに、アルゴリズム管理の「長所と短所」を正しく検討する必要があることを思い出させます。
アルゴリズム管理の「長所と短所」
Lindebaum et al. (2020) は、アルゴリズムとは、特定の問題をバッチで解決するために使用される、明確に定義された一連の有限手法であると提案しました。またはシーケンス命令。企業はアルゴリズムを使用することで、これまで人間や単純な電子技術だけでは不可能だった複雑なタスクを完了できるようになります。たとえば、オンライン配車プラットフォームは、スケジュール アルゴリズムに基づいてオンライン配車システムの限られたリソースを管理し、ドライバーと乗客のニーズを最大限に満たす迅速かつ合理的なリソース割り当てを保証します。製造会社は、重機のオペレーターに疲労検出ヘッドバンドと GPS 位置測位機能を備えたバッジを装備して、事故を防ぐために安全で準拠した生産作業を行うことを従業員に思い出させ、これらの安全関連のパフォーマンス データを最終評価に組み込みます。さらに、一部の企業では、アルゴリズムを使用してゲーミフィケーション タスク設計を実行し、従業員の適切な行動に対するリアルタイムのフィードバックと報酬を提供し、従業員の仕事への熱意を向上させ、その後の仕事への投資意欲を高めています。上記の例は、管理効率の向上におけるアルゴリズムの積極的な役割を完全に反映しています。このアルゴリズムは、コンピューティング能力のサポートにより、従業員のタスクパフォーマンス (行動)、生理学、心理学、リアルタイムの位置情報などの大量のデータを利用または生成します。組織やリーダーは、これらのマルチモーダル、マルチカテゴリ、および大規模なデータを経営上の意思決定を支援するために使用することができ、それによって管理効率が向上し、従業員がより効率的かつ容易に仕事を完了できるようになり、従業員の仕事の意味と個人の幸福感が向上します。 。
しかし一方で、アルゴリズム管理は「Taylorism 2.0」ともみなされています。テイラーリズムと同様に、アルゴリズム管理の中核はアルゴリズム制御であり、現場でのデータ収集、プロセス分析、効率管理を強化することにより、組織の全体的な効率とパフォーマンス出力を向上させます。アルゴリズムは、企業が従業員に対してより広範で、よりきめ細かく、よりリアルタイムで、より影響力のある制御を実現するのに役立つため、多くの企業は必然的に手段合理性に強制され、アルゴリズムの利点を継続的に強調し、経営上の意思決定において人材を置き換えることを望むでしょう。デジタル化自体の複雑さと適用可能性、デジタル技術の導入後に組織、管理者、従業員に起こる変化、およびそれらの間の調整と適応の問題を考慮することを怠っている。アルゴリズム管理は企業をテイラーリストのジレンマに陥らせ、最終的には利益よりも害の方が大きいことになります。身近な食品配達業界を例にとると、配達員はアルゴリズムによって、目に見えない競争に巻き込まれています。参加する人がいる限り終わることのないこの競争において、アルゴリズムは合理的かつ冷静かつ強力な裏方のコントローラーの役割を果たし、また顧客を動員してコメントを通じて配達員に広範な制約やインセンティブを課すことにもなる。したがって、テイクアウトの従業員はシステムのルールとロジックの影響を受け、注文量と配達速度を高めるために時間と競争しなければならず、時間通りに食べ物を配達するために交通規則に違反することさえあり、命が脅かされています。アルゴリズムの制約の下では、配達員が疲弊し、職業上のアイデンティティと個人の幸福が深刻に損なわれることが考えられます。この種の陰謀は食品配達業界だけでなく、多数の従業員がアルゴリズムに閉じ込められているさまざまな伝統的な業界でも展開されています。
アルゴリズム管理下の個人: 人間の本性は悪か、それとも人間の本性は善か
「アルゴリズム管理の技術的利点をよりうまく活用し、その悪影響を軽減する方法」という重要な質問への答え、リーダー まず「アルゴリズム管理によって直接影響を受けるのは誰ですか?」と考えなければなりません。
Mc Gregor (Mc Gregor) は、『The Human Aspect of Business』の中で、人間性の仮定について理論 X と理論 Y を提案しました。具体的には、理論この場合、企業は「アメとムチ」のアプローチ、つまり強力なコントロールを通じて従業員を監督し、やる気を起こさせる必要があります。アルゴリズム管理は、制御の点で従来の規制に取って代わることができます。たとえば、アルゴリズムはパターン認識や自然言語処理などのテクノロジーを使用して、ビデオ クリップ内の従業員の行動を自動的に分析し、従業員の心理をさらに推測できます。このレベルの自動化と侵入は、従来の規制手法では達成できません。 Theoryの論理に従う全体として、従業員のモチベーションが理論 X の前提どおりである場合、組織は従業員を非個人化された機械として扱い、従業員を厳密に管理する際にアルゴリズム管理の役割を最大化する必要があります。一部の企業では、アルゴリズムを使用して従業員を過度に管理していることは注目に値します。たとえば、アルゴリズム システムを使用して従業員のオンライン閲覧記録や行動を取得し、従業員の離職意向や退職の可能性を事前に予測しています。別の例として、他の企業は、ブリード氏が「編集局の社会的統制」で説明したものと同様の「潜在ネット」(特定の社会環境で通信メディアを使用して、目に見えないが強力な社会的統制を実現する)を使用して、従業員にサイレント監視を行っています。アルゴリズムのサポートにより、企業のイントラネット上の従業員の言動から、職場外での従業員のソーシャルメディアの使用記録に至るまで、あらゆるものが従業員を制御するために隠れたネットワークによって使用されるツールになる可能性があります。
理論 Y は、理論の反対です。立ち上がって、自制心を働かせ、職場で適切な行動を示してください。外部からの制御や罰は、従業員を脅かし、妨げる可能性があります。理論 Y の論理に従えば、強力なアルゴリズムによる監視を課すことは、従業員に仕事の自主性が制限され、プライバシーが侵害されていると感じさせる可能性があり、その結果、経営陣や組織に対する従業員の信頼が低下し、最終的には従業員の仕事に損害を与えることになります。パフォーマンスと個人的な幸福を感じてください。
実際、理論 X と理論 Y は善と悪の絶対的な区別を描いているわけではなく、アルゴリズム管理が個々の従業員に果たす可能性のある二重の機能を反映しています。理論 Y が人間の本性と従業員の仕事の動機について比較的穏やかに理解していることを見つけるのは難しくありません。著者は、企業が効率的な業務を維持するためには従業員を適切にコントロールする必要があるが、経営過程においては従業員を一個の個性として配慮することを決して怠ってはいけないと考えている。長期的には、企業の最大の資産は人材です。人材を獲得し、維持し、育成し、うまく活用することによってのみ、企業は熾烈な競争環境、特にデジタル化の波において持続可能な発展を確保することができます。アルゴリズム管理を通じて、管理者は従来の方法では実現できなかったリアルタイムのマルチモーダルなビッグデータ収集機能を取得でき、この機能は管理者が従業員をより深く理解し、従業員との効率的な意思決定を実現するのに役立ちます。アルゴリズム管理がある程度の「個性の喪失」を引き起こしたとしても、「個人の達成」は依然として組織開発の最終目標の 1 つであることを人々は認識する必要があります。
アルゴリズムによるリーダーシップが緊急に必要です
アルゴリズム管理は両刃の剣です。アルゴリズム管理の導入が組織のトップの意思であると考えるのであれば、企業はアルゴリズムを設計する際に、より人間的な考慮事項を組み込む必要があります。たとえば、労働価値を最大化し、効率を向上させるために、食品配達プラットフォームは食品配達ライダーの配達時間を短縮し続けており、その結果、多くの労働紛争が発生しています。この危機に対応して、食品配達のリーダーである Ele.me と Meituan は、どちらもアルゴリズム システムの最適化を試み、乗客により柔軟な時間を提供し、技術の社会的逸脱をある程度積極的に修正しようとしました。同時に、人々はテクノロジーと人は孤立したものではないことを理解する必要があり、テクノロジーは、組織やチームにおけるマネージャーのリーダーシップの役割を置き換えるのではなく、マネージャーの意思決定を支援する補助的かつ強化するツールとして使用されるべきです。したがって、企業の管理者がデジタルトランスフォーメーションを推進し、効率を向上させるために特定のアルゴリズムを設計または導入する場合、アルゴリズム管理によって引き起こされる潜在的なリスクに自らのイニシアチブを発揮して対処する方法についても考慮する必要があります。これには、アルゴリズムのリーダーシップに関する新たな問題が含まれます。つまり、アルゴリズムの文脈において、リーダーはどのような新たな課題に対処しなければならないか、従業員がアルゴリズムと「調和して踊る」のを効果的に支援するにはどうすればよいかということです。
具体的には、従業員と機械、組織と同僚の間で、アルゴリズム管理下では無視できない多くの「緊張」に従業員が直面していることをリーダーは明確に認識しなければなりません。まず第一に、人工知能とオートメーションは従業員を機械的な反復作業から解放する一方で、一部の従来の役職に就いている従業員を技術的に失業させたり、スキル要件による大きなプレッシャーにさらしたりする原因にもなります。こうした代替品や脅威に直面すると、従業員は当然、「自分は機械に取って代わられるのだろうか?」と不安を感じるでしょう。私と機械の違いは何ですか?なぜ機械が私を管理しなければならないのでしょうか?人工知能ではなく本物の知性を持ち、人間味のあるリーダーとして、従業員と機械の間の主観的な緊張に対応する必要があります。
第二に、組織はコストの削減、効率の向上、品質の向上、革新を目的としてアルゴリズムをより多く使用しており、従業員の能力開発や利益は二の次になってしまうことがよくあります。このプロセスでは、組織が全体の利益のために従業員の個人的な利益を犠牲にする状況が発生する可能性があります。例えば工場では、効率の最大化やアルゴリズムによる計算結果に基づいて作業者に「最適な」行動指示を出しますが、その支援は作業者自身の経験や習慣と矛盾し、役割の曖昧さや作業の自主性の低下を引き起こす可能性があります。組織と従業員の間の重要なつながりとして、リーダーは組織と従業員の間の利害関係の緊張に対応する必要があります。
第三に、アルゴリズムは人々の間の競争と不信感を激化させる可能性があります。アルゴリズム管理の下では、従業員はデータを生成する機械として実体化され、それが従業員の自分自身に対する見方や周囲の同僚に対する認識にさらに影響を与えます。この場合、従業員は同僚を、協力して働くパートナーとして見ているのでしょうか、それともアルゴリズムのバトンの下で互いに競い合うライバルとして見ているのでしょうか?組織内の従業員に社会的影響を直接及ぼす重要な他者として、リーダーは従業員間の協調的な緊張に対応する必要があります。
人間とコンピューターのインタラクション行動研究の分野で著名な学者であるデ・クレマー氏は、著書『アルゴリズムの同僚』の中で、従来のマネージャーと比較して、アルゴリズム管理のリーダーは継続的な教育と教育を受け入れる必要があると提案しました。トレーニング、新しい働き方としてのテクノロジー主導の効率モデルの使用、従業員の新しいテクノロジーの理解と活用を支援すると同時に、リーダーは人間としての独自性(創造性、共感、倫理的判断、など)を採用し、より積極的かつ感情的な方法で従業員と良好な社会関係を確立します。アルゴリズム管理のリーダーは、テクノロジーと人間性の間のバランスを見つける方法を知らなければならないことがわかります。
従業員に対するアルゴリズムの悪影響を排除し、組織内の人々とアルゴリズム間の効率的なコラボレーションと共通開発を促進するというリーダーシップの役割を最大限に発揮するには、アルゴリズムのリーダーシップには 3 つの要素が必要であると著者は考えています。典型的な行動的な意味合い、すなわち人間味あふれるケア、目標のトレードオフ、人間関係の相乗効果。
#第一に、アルゴリズム的リーダーシップは、人間性への配慮を重視したリーダーシップでなければなりません。リーダーシップの中核機能のうち、深い交流、積極的な代表、変化を導くことだけが、すぐに機械に取って代わられる危険はない、と主張する人もいる。アルゴリズム管理は、実際のリーダーの機能の一部をある程度引き継ぎ、リーダーと従業員の間で対面での双方向のコミュニケーションと理解の機会が減少し、リーダーと従業員の間の相互作用の深さが減少しました。リーダーと従業員の間の仕事上のつながりや社会的なつながりは、良好な上司と部下の関係を確立し、従業員の役割パフォーマンスや状況パフォーマンスを向上させる上で適切な役割を果たします。したがって、アルゴリズム管理の役割は、リーダーが管理に参加していないことを意味するものではありません。リーダーは人道的配慮の役割を果たし、従業員に対する冷たい監督・評価の主体としてのアルゴリズムの悪影響を排除する必要がある。
人間的配慮を持つリーダーは、アルゴリズムの「合理的な管理」を受け入れながら、従業員が「感情的なニーズ」を満たすのを支援するという問題に対処する必要があります。リーダーは、アルゴリズムの管理は交渉の余地があること、組織やチームは従業員の合理的な要求と職務経験を重視していること、アルゴリズムを適用する目的は、仕事を管理することではなく常に組織と従業員の効率を向上させることであることを従業員に理解させる必要があります。同時に、リーダーは、従業員を単にデータを継続的に生成する機械として扱うのではなく、アルゴリズム管理の下で各従業員の独自性にも注意を払い、組織、アルゴリズム、リーダー、従業員の間の相互作用にタイムリーに統合する必要があります。従業員を非人間化し、平等に扱うこと。
第二に、アルゴリズムによるリーダーシップは、目標のトレードオフに焦点を当てたリーダーシップである必要があります。アルゴリズムは、デジタルテクノロジーを使用して企業の管理プロセスを強化し、企業の効率と市場競争力を向上させるために、組織レベルで設計および導入されます。対照的に、従業員の基本的な要求は、多額の報酬、昇進の機会、自己実現などの個人的な利益の満足です。アルゴリズム管理の文脈では、企業が組織全体と個々の従業員の間で利益のバランスを取ることが難しい場合が多く、従業員の労働プロセスを制御する手段としてアルゴリズムを使用することで、企業は従業員に対してより大きな優位性を得ることができます。そして利益相反がある場合には、弱い立場にある従業員の利益を犠牲にすることを選択することがよくあります。したがって、組織と草の根従業員の間の中間レベルにあるリーダーは、自分の役割をどのように果たし、組織内、特に組織と従業員の間の「利益の最大化」や「利益の最大化」などの緊張に効果的に対応する方法についてもっと考える責任があります。 「利益の最大化」 「経営の人間化」、「組織の定量的計算」、そして「従業員の価値提案」の間の緊張関係。そのためにはまず、リーダーが管理する従業員の人間性に注意を払い、温かさを持ち、従業員のさまざまな感情表現を察知することに長け、アルゴリズム管理の下で従業員の要求に耳を傾け、タイムリーにフィードバックを与えることが求められます。さらに、リーダーは組織と従業員の間の絆を最大限に発揮し、個人の利益と集団の利益のバランスをとることに優れ、さまざまなステークホルダーの目標間のバランスを見つけるために最善を尽くさなければなりません。
最後に、アルゴリズム リーダーシップは、人間関係のコラボレーションを提唱するリーダーシップである必要があります。アルゴリズム管理により、従業員の個別の労働プロセスの指導、評価、規律が大幅に実現され、リアルタイムかつ全方位の監視とパフォーマンスのフィードバックを従業員に提供できます。これにより、従業員は自分自身のパフォーマンス目標や労働プロセスと結果にある程度注意を払い、設定された目標を達成するためにチームや組織内の他の人と協力する方法を無視する可能性があります。アルゴリズム管理は構造化されたデジタル ワークフローに依存しすぎるため、人的交流が大幅に減少し、その結果、協力関係の質が低下し、効果的な協力に役立たない「組織化されていない混乱」さえ生じます。現代社会においては、自己価値の実現意欲が高く、達成インセンティブを重視し、洗練された評価結果によって独自の競争力を最大限に発揮することに熱心な知識型社員の割合が徐々に増加しています。プロセスと結果の定量化が比較的容易な一部の仕事では、アルゴリズムによりナレッジ ワーカーが単独で作業する傾向がさらに深まる可能性がありますが、ナレッジ ワーカーが働くチームにとって、オープンなコラボレーションと知識共有の欠如は最終的にパフォーマンスに影響を与えるでしょう。チーム全体の進歩。
アルゴリズム設計の開始時に協力プロセスとパフォーマンスの指標を考慮する必要があるのは事実ですが、個別の評価によって引き起こされる従業員間の疎外感や利己心を効果的に軽減するために、リーダーは依然として独自の役割を果たす必要があります。 。 傾向。リーダーは、デジタルテクノロジーによって提供されるオンラインコミュニケーションチャネルを最大限に活用して、自分と従業員の間の効率的な多角的コミュニケーションを促進し、従業員の仕事、生活、家族の状況を常に把握し、従業員がチームにうまく溶け込めるように十分なフィードバックを与えることができます。 . 、チーム、リーダー、同僚のサポートを経験します。リーダーは、チームや個人の仕事の進捗状況の視覚化、屋外でのチーム構築、知識共有ミーティングなどの方法を積極的に使用して、チームメンバーがチーム全体の目標を自分自身の個人的な目標にうまく内面化できるようにすることもできます。チームメンバー間の関係を強化し、お互いを理解し、不信感や誤解の発生を減らすと同時に、チーム内の従業員が各人の相対的な長所と短所を把握できるように、相互間の情報伝達を強化します。仕事を完了する過程でお互いに協力する意欲を高め、お互いの強みを補完し、仕事の効率と品質を向上させるよう努めます。
結論
つまり、アルゴリズム管理は諸刃の剣です。ツールとしてのアルゴリズムは、企業が以前は想像もできなかった管理の範囲、深さ、強度を達成するのに役立ちます。しかし、ツール自体が目的に取って代わるべきではなく、アルゴリズム管理の目的は常に制御ではなく効率の向上であり、アルゴリズム管理が人間の管理に取って代わられるべきではありません。
アルゴリズム管理の文脈では、感情と動機を持つ人間としての従業員であろうと、アルゴリズムに協力し補完する人間としてのリーダーであろうと、人の価値は常に、特定の側面です。アルゴリズム管理 申請プロセス中に考慮すべきこと。アルゴリズムのリーダーシップは、それが新しい概念であっても、アルゴリズムの文脈における従来のリーダーシップから派生した新しい意味合いであっても、企業経営者が実際のアルゴリズムの応用という文脈で積極的に意味合いを探求し実践する価値があります。
以上がアルゴリズムで踊るのを手伝ってくれる人 — アルゴリズム管理におけるリーダーシップの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

特斯拉是一个典型的AI公司,过去一年训练了75000个神经网络,意味着每8分钟就要出一个新的模型,共有281个模型用到了特斯拉的车上。接下来我们分几个方面来解读特斯拉FSD的算法和模型进展。01 感知 Occupancy Network特斯拉今年在感知方面的一个重点技术是Occupancy Network (占据网络)。研究机器人技术的同学肯定对occupancy grid不会陌生,occupancy表示空间中每个3D体素(voxel)是否被占据,可以是0/1二元表示,也可以是[0, 1]之间的

译者 | 朱先忠审校 | 孙淑娟在我之前的博客中,我们已经了解了如何使用因果树来评估政策的异质处理效应。如果你还没有阅读过,我建议你在阅读本文前先读一遍,因为我们在本文中认为你已经了解了此文中的部分与本文相关的内容。为什么是异质处理效应(HTE:heterogenous treatment effects)呢?首先,对异质处理效应的估计允许我们根据它们的预期结果(疾病、公司收入、客户满意度等)选择提供处理(药物、广告、产品等)的用户(患者、用户、客户等)。换句话说,估计HTE有助于我

译者 | 朱先忠审校 | 孙淑娟引言模型超参数(或模型设置)的优化可能是训练机器学习算法中最重要的一步,因为它可以找到最小化模型损失函数的最佳参数。这一步对于构建不易过拟合的泛化模型也是必不可少的。优化模型超参数的最著名技术是穷举网格搜索和随机网格搜索。在第一种方法中,搜索空间被定义为跨越每个模型超参数的域的网格。通过在网格的每个点上训练模型来获得最优超参数。尽管网格搜索非常容易实现,但它在计算上变得昂贵,尤其是当要优化的变量数量很大时。另一方面,随机网格搜索是一种更快的优化方法,可以提供更好的

导读:因果推断是数据科学的一个重要分支,在互联网和工业界的产品迭代、算法和激励策略的评估中都扮演者重要的角色,结合数据、实验或者统计计量模型来计算新的改变带来的收益,是决策制定的基础。然而,因果推断并不是一件简单的事情。首先,在日常生活中,人们常常把相关和因果混为一谈。相关往往代表着两个变量具有同时增长或者降低的趋势,但是因果意味着我们想要知道对一个变量施加改变的时候会发生什么样的结果,或者说我们期望得到反事实的结果,如果过去做了不一样的动作,未来是否会发生改变?然而难点在于,反事实的数据往往是

SimCLR(Simple Framework for Contrastive Learning of Representations)是一种学习图像表示的自监督技术。 与传统的监督学习方法不同,SimCLR 不依赖标记数据来学习有用的表示。 它利用对比学习框架来学习一组有用的特征,这些特征可以从未标记的图像中捕获高级语义信息。SimCLR 已被证明在各种图像分类基准上优于最先进的无监督学习方法。 并且它学习到的表示可以很容易地转移到下游任务,例如对象检测、语义分割和小样本学习,只需在较小的标记

一、盒马供应链介绍1、盒马商业模式盒马是一个技术创新的公司,更是一个消费驱动的公司,回归消费者价值:买的到、买的好、买的方便、买的放心、买的开心。盒马包含盒马鲜生、X 会员店、盒马超云、盒马邻里等多种业务模式,其中最核心的商业模式是线上线下一体化,最快 30 分钟到家的 O2O(即盒马鲜生)模式。2、盒马经营品类介绍盒马精选全球品质商品,追求极致新鲜;结合品类特点和消费者购物体验预期,为不同品类选择最为高效的经营模式。盒马生鲜的销售占比达 60%~70%,是最核心的品类,该品类的特点是用户预期时

译者 | 李睿 审校 | 孙淑娟随着机器学习成为人们每天都在使用的很多应用程序的一部分,人们越来越关注如何识别和解决机器学习模型的安全和隐私方面的威胁。 然而,不同机器学习范式面临的安全威胁各不相同,机器学习安全的某些领域仍未得到充分研究。尤其是强化学习算法的安全性近年来并未受到太多关注。 加拿大的麦吉尔大学、机器学习实验室(MILA)和滑铁卢大学的研究人员开展了一项新研究,主要侧重于深度强化学习算法的隐私威胁。研究人员提出了一个框架,用于测试强化学习模型对成员推理攻击的脆弱性。 研究

1.线性回归线性回归(Linear Regression)可能是最流行的机器学习算法。线性回归就是要找一条直线,并且让这条直线尽可能地拟合散点图中的数据点。它试图通过将直线方程与该数据拟合来表示自变量(x 值)和数值结果(y 值)。然后就可以用这条线来预测未来的值!这种算法最常用的技术是最小二乘法(Least of squares)。这个方法计算出最佳拟合线,以使得与直线上每个数据点的垂直距离最小。总距离是所有数据点的垂直距离(绿线)的平方和。其思想是通过最小化这个平方误差或距离来拟合模型。例如


ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

SAP NetWeaver Server Adapter for Eclipse
Eclipse を SAP NetWeaver アプリケーション サーバーと統合します。

MinGW - Minimalist GNU for Windows
このプロジェクトは osdn.net/projects/mingw に移行中です。引き続きそこでフォローしていただけます。 MinGW: GNU Compiler Collection (GCC) のネイティブ Windows ポートであり、ネイティブ Windows アプリケーションを構築するための自由に配布可能なインポート ライブラリとヘッダー ファイルであり、C99 機能をサポートする MSVC ランタイムの拡張機能が含まれています。すべての MinGW ソフトウェアは 64 ビット Windows プラットフォームで実行できます。

ドリームウィーバー CS6
ビジュアル Web 開発ツール

WebStorm Mac版
便利なJavaScript開発ツール

ホットトピック



