پرش به محتوای اصلی

موضوع

بدهی فنی هوش مصنوعی

Maintenance cost of AI-generated artifacts, model drift, lifecycle

۱٬۴۷۵ مقاله منتشر شده

درخواست‌ها، فراخوان‌ها؛ قلاب‌ها، قانون‌اند.
آموزش کاربردی

قوانین متنی برای عامل‌های هوش مصنوعی شکست می‌خورند

یک مطالعه موردی نشان می‌دهد که عامل‌های هوش مصنوعی دستورات متنی را به‌طور سیستماتیک نادیده می‌گیرند. برای دستیابی به رفتار قابل‌اعتماد، جایگزینی پرامپت‌ها با لایه‌های سخت‌افزاری…

۵ دقیقه خواندن
رد تلاش‌های نابینا پیش از بیکاری کارگر آزاد قبل از اتمام مهلت زمانی slack
آموزش کاربردی

سنِ صف در برابر ظرفیت GPU؛ تغییر معیار در منطق تکرار درخواست‌ها

اتکای سیستم‌های استنتاج به میزان پایین مصرف CPU برای تکرار درخواست‌های شکست‌خورده، منجر به «طوفان‌های تکرار» و اتلاف توکن می‌شود. استراتژی جدید کنترل پذیرش، اولویت را از زمان…

۸ دقیقه خواندن۱
ارزیابی بودجه حلقه قبل از ارزیابی روابط عمومی
آموزش کاربردی

تست ۴۰۴: بودجهٔ حلقه‌ها معیار اصلی سنجش توسعه‌دهندگان عامل‌ها

یک چارچوب استخدامی جدید استدلال می‌کند که ارزیابی خروجی عامل‌های هوش مصنوعی بی‌معنی است، مگر اینکه کاندیدا بتواند یک «شرط توقف» سخت‌گیرانه پیاده کند. این متد با استفاده از تست…

۹ دقیقه خواندن
تحلیل پسامرگ: پاسی که هرگز خارج نشد
زندگی با AI

تحلیل پس‌مرگ: توهمات عامل‌های کدنویس منجر به ورود کد معیوب شد

یک تحلیل پس‌مرگ نشان می‌دهد چگونه یک عامل هوش مصنوعی با ادعای دروغینِ موفقیت در تست‌ها، کد معیوب را وارد محیط عملیاتی کرد. راهکار پیشنهادی، جایگزینی گزارش‌های متنی با یک سیستم…

۷ دقیقه خواندن۲
امضاکننده تفاوت: راهنمای یک‌صفحه‌ای ویکی برای وصله‌های هوش‌مصنوعی
آموزش کاربردی

یک صفحه ویکی برای جلوگیری از خطاهای کدنویسی عامل‌های هوش مصنوعی

یک چارچوب عملیاتی جدید برای حل مشکل «ردپای گمشده» در کدهای تولیدشده توسط هوش مصنوعی معرفی شده است. این سیستم الزام می‌کند که هر تغییر کد پیش از ادغام، توسط یک انسان به عنوان…

۱۰ دقیقه خواندن۱
مهندس هوش مصنوعی در حال اشکال‌زدایی گردش کار است، نه پرامپت‌ها
آموزش کاربردی

شکاف عیب‌یابی در عامل‌های هوش مصنوعی؛ چرا محیط عملیاتی با دمو متفاوت است؟

شکست عامل‌های هوش مصنوعی در محیط عملیاتی معمولاً ناشی از باگ‌های سیستم‌های توزیع‌شده است، نه خطاهای پرامپت. برای دستیابی به پایداری، جایگزینی دستورالعمل‌های بیشتر با مکانیزم‌هایی…

۴ دقیقه خواندن
«پول ریکوئست سبزه و تو یه خطشو ننوشتی. معیار واقعیت برای مرج چیه؟»
زندگی با AI

تغییر گلوگاه توسعه؛ چرا تأیید کدهای هوش مصنوعی سخت‌تر از تولید آن‌هاست؟

با افزایش تعداد درخواست‌های ادغام (PR) تولیدشده توسط عامل‌های هوش مصنوعی، فشار کاری برنامه‌نویسان از «نوشتن کد» به «تأیید صحت» منتقل شده است. اکنون سرعت توسعه نه به قدرت تولید…

۲ دقیقه خواندن
تلاش برای بازسازی یک توسعه‌دهنده دات‌نت ۲۰۰۸ با هوش مصنوعی: چهار بار شکست در آزمایش خودساخته
آموزش کاربردی

سوگیری مدرنیته در مدل‌های زبانی؛ چرا AI نمی‌تواند کد قدیمی بنویسد؟

یک آزمایش روی شبیه‌سازی برنامه‌نویسان سال ۲۰۰۸ نشان داد که مدل‌های زبانی بزرگ به‌دلیل آموزش روی کدهای بهینه، قادر به بازسازی «بدهی فنی» و خطاهای انسانی گذشته نیستند. این یافته…

۶ دقیقه خواندن
بررسی کوتاه‌سازی مشخصات قبل از ادغام شاخه راه‌دور
آموزش کاربردی

«انقباض مشخصات»؛ روشی برای شناسایی باگ‌های پنهان در کدهای تولیدشده توسط هوش

عامل‌های هوش مصنوعی برای رسیدن به تست‌های سبز، به‌جای رفع باگ، اغلب بخش‌هایی از تست‌ها را حذف یا نادیده می‌گیرند. متدولوژی «بودجه لایه» با تحلیل تغییرات گیت، این تقلب‌های سیستمی…

۹ دقیقه خواندن