Die Verwaltung von Einrichtungen ist heute komplizierter als je zuvor. Von Facility Managern wird erwartet, dass sie sich um die vorbeugende Wartung kümmern, Compliance-Anforderungen einhalten, Arbeitsaufträge verwalten und dennoch Möglichkeiten zur Kostensenkung finden. Ohne die richtigen Werkzeuge kann die Arbeit schnell überwältigend werden.

Deshalb wenden sich so viele Fachleute an Software program für das Gebäudewartungsmanagement. Diese Software program dient als Leitfaden zur Bewertung moderner Lösungen. Bei diesen Plattformen geht es nicht mehr nur um die Digitalisierung von Arbeitsaufträgen. Die besten Systeme kombinieren Automatisierung, Echtzeiteinblicke und benutzerfreundliche Schnittstellen, um das Facility Administration effizienter und vorhersehbarer zu machen.

Arbeitsauftragsverwaltung

Das Herzstück jeder Anlagenwartungsplattform ist ihre Fähigkeit, Arbeitsaufträge zu rationalisieren. Manuelle Systeme lassen oft Raum für Fehler, mit falsch platzierten Anfragen und unklare Kommunikation zu Verzögerungen führen. Moderne Software program ermöglicht die Übermittlung, Zuweisung und Nachverfolgung von Arbeitsaufträgen an einem zentralen Hub.

Die besten Plattformen machen es Technikern leicht, zu erkennen, was Aufmerksamkeit erfordert, während Supervisor Aufgaben nach Dringlichkeit und Ressourcen priorisieren können. Die Transparenz von Arbeitsaufträgen trägt außerdem dazu bei, Engpässe zu reduzieren und so einen reibungslosen Betrieb zu gewährleisten.

Asset-Monitoring und -Historie

Für die Entscheidungsfindung ist es wichtig zu wissen, wo sich die Ausrüstung befindet und wie sie gewartet wurde. Plattformen für das Anlagenwartungsmanagement mit Asset-Monitoring ermöglichen es Benutzern, den Serviceverlauf, Garantiedetails und Leistungsmetriken an einem Ort anzuzeigen.

Wenn Geräte ausfallen, können Techniker frühere Reparaturen sofort überprüfen und wiederkehrende Probleme verstehen. Die Möglichkeit, historische Daten zu erfassen und zu überprüfen, kann auch bei Audits oder Compliance-Prüfungen hilfreich sein.

Mobiler Zugriff für Techniker

Einrichtungen werden selten von einem einzigen Schreibtisch aus verwaltet. Techniker verbringen die meiste Zeit im Außendienst und wechseln von einer Anlage zur anderen. Der cell Zugriff ist daher eines der praktischsten Options in einem CMMS oder einer Facility-Administration-Plattform.

Eine cell App ermöglicht es Technikern, Aufträge zu erhalten, Arbeitsaufträge zu aktualisieren und den Teileverbrauch zu protokollieren, ohne in ein Büro oder einen Arbeitsplatz zurückkehren zu müssen. Dies verbessert die Effizienz, reduziert den Papieraufwand und trägt dazu bei, dass Daten in Echtzeit aktualisiert werden.

Bestands- und Teileverwaltung

Nichts verlangsamt Reparaturen schneller, als nicht die richtigen Teile zur Hand zu haben. Die Bestandsverwaltung ist ein weiteres wichtiges Merkmal, auf das Sie achten sollten. Die beste Software program für die Anlagenwartung verfolgt den Teileverbrauch, alarmiert Supervisor, wenn der Lagerbestand niedrig ist, und prognostiziert den zukünftigen Bedarf auf der Grundlage vergangener Developments.

Durch die Führung genauer Bestandsaufzeichnungen können Unternehmen Verschwendung reduzieren, kostspielige Eilbestellungen vermeiden und Betriebskapital in ungenutzten Beständen freisetzen. Eine bessere Bestandskontrolle unterstützt auch reibungslosere vorbeugende Wartungspläne, da bei Bedarf immer die richtigen Teile verfügbar sind.

Reporting und Analysen

Bei der Wartung fallen enorme Datenmengen an, doch viele davon bleiben ohne die richtigen Instruments ungenutzt. Berichts- und Analysefunktionen verwandeln Rohdaten in umsetzbare Erkenntnisse. Facility Supervisor können die durchschnittliche Zeit zwischen Ausfällen, die für vorbeugende und reaktive Wartung aufgewendeten Arbeitsstunden sowie die Gesamtleistung der Anlage verfolgen.

Anpassbare Dashboards und Berichte ermöglichen es Managern, Developments zu erkennen, Budgetanfragen zu rechtfertigen und die Auswirkungen von Wartungsstrategien zu messen. Dieser datengesteuerte Ansatz stellt sicher, dass Entscheidungen auf Fakten und nicht auf Annahmen basieren.

Compliance- und Sicherheitsunterstützung

In Branchen, in denen Compliance Pflicht ist, kann die Führung von Aufzeichnungen genauso wichtig sein wie die Wartung selbst. Software program für die Anlagenwartung trägt dazu bei, dass Inspektionen und Sicherheitsüberprüfungen rechtzeitig durchgeführt und ausreichend dokumentiert werden.

Supervisor können bei Audits schnell detaillierte Aufzeichnungen über abgeschlossene Aufgaben, technische Zertifizierungen und Anlagenverläufe erstellen. Dies spart Zeit und schafft Vertrauen bei Aufsichtsbehörden und Kunden, die hohe Sicherheits- und Compliance-Requirements erwarten.

Kommunikations- und Kollaborationstools

Die Wartung ist selten eine Ein-Personen-Aufgabe. Arbeitsanfragen kommen häufig von Gebäudenutzern oder Mitarbeitern anderer Abteilungen, während Aufgaben von Technikern ausgeführt werden, die den Enter von Managern oder Kollegen benötigen. In Facility-Administration-Plattformen integrierte Kommunikationsfunktionen reduzieren das Hin und Her, das mit E-Mail- oder Telefonanrufen verbunden ist.

Ob Echtzeitnachrichten, Aufgabenaktualisierungen oder Benachrichtigungen – leistungsstarke Kommunikationstools halten alle auf dem Laufenden und stellen sicher, dass keine Anfrage übersehen wird. Eine verbesserte Zusammenarbeit führt häufig direkt zu schnelleren Lösungszeiten und einer höheren Unternehmenszufriedenheit.

Letzte Gedanken

Zusammenfassend lässt sich sagen, dass die Instandhaltung von Anlagen komplex ist. Keine Software program kann diese Realität beseitigen. Aber das richtige System kann es viel einfacher machen. Durch die Konzentration auf die besten Funktionen können Facility Supervisor eine Software program auswählen, die ihre Ziele wirklich unterstützt. Dazu gehören Arbeitsauftragsverwaltung, Anlagenverfolgung und -historie, cell Zugänglichkeit, Bestands- und Teileverwaltung, Berichterstattung und Analyse, Compliance und Sicherheit sowie Kommunikations- und Kollaborationstools.

---

Hervorgehobener Bildnachweis

Das Codieren mit großen Sprachmodellen (LLMs) ist vielversprechend, deckt aber auch einige seit langem bestehende Mängel in der Software program auf: Code, der chaotisch ist, sich nur schwer sicher ändern lässt und oft nicht clear macht, was wirklich unter der Haube passiert. Forscher am Pc Science and Synthetic Intelligence Laboratory (CSAIL) des MIT planen einen „modulareren“ Weg.

Ihr neuer Ansatz unterteilt Systeme in „Konzepte“, separate Teile eines Programs, von denen jeder darauf ausgelegt ist, eine Aufgabe intestine zu erfüllen, und „Synchronisationen“, explizite Regeln, die genau beschreiben, wie diese Teile zusammenpassen. Das Ergebnis ist eine Software program, die modularer, transparenter und verständlicher ist. Eine kleine domänenspezifische Sprache (DSL) ermöglicht es, Synchronisationen einfach und in einer Type auszudrücken, die LLMs zuverlässig generieren können. In einer Fallstudie aus der Praxis zeigte das Workforce, wie diese Methode Funktionen zusammenführen kann, die sonst über mehrere Dienste verteilt wären.

Das Workforce, bestehend aus Daniel Jackson, einem MIT-Professor für Elektrotechnik und Informatik (EECS) und stellvertretender CSAIL-Direktor, und Eagon Meng, einem EECS-Doktoranden, CSAIL-Accomplice und Designer des neuen Synchronisations-DSL, untersucht diesen Ansatz in seinem Artikel „Was Sie sehen, ist, was es tut: Ein Strukturmuster für lesbare Software program„, das sie im Oktober auf der Splash-Konferenz in Singapur vorstellten. Die Herausforderung, so erklären sie, besteht darin, dass in den meisten modernen Systemen eine einzelne Funktion nie völlig eigenständig ist. Das Hinzufügen einer „Teilen“-Schaltfläche zu einer sozialen Plattform wie Instagram beispielsweise ist nicht in nur einem Dienst verankert. Seine Funktionalität ist auf Code aufgeteilt, der das Posten, die Benachrichtigung, die Authentifizierung von Benutzern und mehr übernimmt. Alle diese Teile müssen, obwohl sie über den Code verstreut sind, sorgfältig aufeinander abgestimmt werden, und jede Änderung birgt das Risiko unbeabsichtigter Nebenwirkungen an anderer Stelle.

Jackson nennt diese „Funktionsfragmentierung“ ein zentrales Hindernis für die Softwarezuverlässigkeit. „Bei der Artwork und Weise, wie wir heute Software program erstellen, ist die Funktionalität nicht lokalisiert. Sie möchten verstehen, wie „Sharing“ funktioniert, aber Sie müssen an drei oder vier verschiedenen Stellen danach suchen, und wenn Sie sie finden, sind die Verbindungen im Low-Stage-Code vergraben“, sagt Jackson.

Konzepte und Synchronisationen sollen dieses Drawback angehen. Ein Konzept bündelt eine einzelne, zusammenhängende Funktionalität wie Teilen, Liken oder Folgen sowie seinen Standing und die Aktionen, die es ausführen kann. Synchronisierungen hingegen beschreiben auf einer höheren Ebene, wie diese Konzepte interagieren. Anstatt unübersichtlichen Low-Stage-Integrationscode zu schreiben, können Entwickler eine kleine domänenspezifische Sprache verwenden, um diese Verbindungen direkt zu formulieren. In diesem DSL sind die Regeln einfach und klar: Die Aktion eines Konzepts kann ein anderes auslösen, sodass eine Änderung in einem Zustand mit einem anderen synchron gehalten werden kann.

„Stellen Sie sich Konzepte als Module vor, die völlig sauber und unabhängig sind. Synchronisierungen wirken dann wie Verträge – sie sagen genau, wie Konzepte interagieren sollen. Das ist wirkungsvoll, weil es das System sowohl für Menschen einfacher zu verstehen als auch für Instruments wie LLMs einfacher macht, es korrekt zu generieren“, sagt Jackson. „Warum können wir Code nicht wie ein Buch lesen? Wir glauben, dass Software program im Sinne unseres Verständnisses lesbar und geschrieben sein sollte: Unsere Hoffnung ist, dass Konzepte auf bekannte Phänomene abgebildet werden und Synchronisierungen unsere Instinct darüber widerspiegeln, was passiert, wenn sie zusammenkommen“, sagt Meng.

Die Vorteile gehen über die Klarheit hinaus. Da Synchronisierungen explizit und deklarativ sind, können sie von einem LLM analysiert, verifiziert und natürlich generiert werden. Dies öffnet die Tür zu einer sichereren, stärker automatisierten Softwareentwicklung, bei der KI-Assistenten neue Funktionen vorschlagen können, ohne dass versteckte Nebenwirkungen auftreten.

In ihrer Fallstudie ordneten die Forscher Funktionen wie Liken, Kommentieren und Teilen jeweils einem einzelnen Konzept zu – ähnlich einer Microservices-Architektur, aber modularer. Ohne dieses Muster waren diese Funktionen auf viele Dienste verteilt, sodass sie schwer zu finden und zu testen waren. Mithilfe des Konzepts-und-Synchronisations-Ansatzes wurde jedes Merkmal zentralisiert und lesbar, während die Synchronisationen genau darlegten, wie die Konzepte interagierten.

Die Studie zeigte auch, wie Synchronisierungen häufige Probleme wie Fehlerbehandlung, Antwortformatierung oder dauerhafte Speicherung ausschließen können. Anstatt diese Particulars in jeden Dienst einzubetten, können sie durch die Synchronisierung nur einmal verarbeitet werden, wodurch die Konsistenz im gesamten System gewährleistet wird.

Auch fortgeschrittenere Richtungen sind möglich. Synchronisierungen könnten verteilte Systeme koordinieren, Replikate auf verschiedenen Servern im Gleichschritt halten oder gemeinsam genutzten Datenbanken eine saubere Interaktion ermöglichen. Eine Schwächung der Synchronisationssemantik könnte eine letztendliche Konsistenz ermöglichen und gleichzeitig die Klarheit auf der Architekturebene bewahren.

Jackson sieht Potenzial für einen umfassenderen kulturellen Wandel in der Softwareentwicklung. Eine Idee ist die Erstellung von „Konzeptkatalogen“, gemeinsamen Bibliotheken bewährter, domänenspezifischer Konzepte. Bei der Anwendungsentwicklung könnte es dann weniger darum gehen, Code von Grund auf zusammenzufügen, als vielmehr darum, die richtigen Konzepte auszuwählen und die Synchronisierungen zwischen ihnen zu schreiben. „Konzepte könnten zu einer neuen Artwork von Programmiersprache auf hohem Niveau werden, mit Synchronisationen als in dieser Sprache geschriebenen Programmen.“

„Es ist eine Möglichkeit, die Zusammenhänge in der Software program sichtbar zu machen“, sagt Jackson. „Heute verbergen wir diese Zusammenhänge im Code. Aber wenn man sie explizit sehen kann, kann man auf einer viel höheren Ebene über die Software program nachdenken. Man muss sich immer noch mit der inhärenten Komplexität der interagierenden Funktionen auseinandersetzen. Aber jetzt ist es offen, nicht verstreut und verdeckt.“

„Das Erstellen von Software program für den menschlichen Gebrauch auf der Grundlage von Abstraktionen zugrunde liegender Computermaschinen hat die Welt mit Software program belastet, deren Verständnis und Verwendung allzu oft kostspielig, frustrierend und sogar gefährlich ist“, sagt Kevin Sullivan, Affiliate Professor an der College of Virginia, der nicht an der Forschung beteiligt battle. „Die Auswirkungen (z. B. im Gesundheitswesen) waren verheerend. Meng und Jackson drehen das Drehbuch um und bestehen darauf, interaktive Software program auf der Grundlage von Abstraktionen des menschlichen Verständnisses zu entwickeln, die sie „Konzepte“ nennen. Sie kombinieren ausdrucksstarke mathematische Logik und natürliche Sprache, um solche zielgerichteten Abstraktionen zu spezifizieren und eine Grundlage für die Überprüfung ihrer Bedeutungen, ihre Zusammensetzung zu Systemen und ihre Verfeinerung in für den menschlichen Gebrauch geeignete Programme zu schaffen. Es ist eine neue und wichtige Richtung in der Theorie und Praxis des Softwaredesigns, die es wert ist, beobachtet zu werden.“

„Seit vielen Jahren ist klar, dass wir bessere Möglichkeiten brauchen, um zu beschreiben und zu spezifizieren, was Software program tun soll“, fügt Thomas Ball, Honorarprofessor der Lancaster College und angegliederte Fakultät der College of Washington, hinzu, der ebenfalls nicht an der Forschung beteiligt battle. „Die Fähigkeit von LLMs, Code zu generieren, hat das Spezifikationsfeuer nur noch weiter angeheizt. Die Arbeit von Meng und Jackson zum Konzeptdesign bietet eine vielversprechende Möglichkeit, auf modulare Weise zu beschreiben, was wir von Software program erwarten. Ihre Konzepte und Spezifikationen eignen sich intestine für die Kombination mit LLMs, um die Absicht des Designers zu erreichen.“

Mit Blick auf die Zukunft hoffen die Forscher, dass ihre Arbeit Einfluss darauf haben kann, wie Industrie und Wissenschaft über Softwarearchitektur im Zeitalter der KI denken. „Wenn Software program vertrauenswürdiger werden soll, brauchen wir Schreibweisen, die ihre Absichten clear machen“, sagt Jackson. „Konzepte und Synchronisationen sind ein Schritt in Richtung dieses Ziels.“

Diese Arbeit wurde teilweise von der Machine Studying Purposes (MLA) Initiative der CSAIL Alliances finanziert. Zum Zeitpunkt der Finanzierung bestand der Vorstand der Initiative aus British Telecom, Cisco und Ernst and Younger.

Es ist schwierig, mit den sich ständig ändernden Developments der Modewelt Schritt zu halten. Was in einer Minute „in“ ist, ist in der nächsten Saison oft aus der Mode geraten, was möglicherweise dazu führt, dass Sie Ihre Garderobe neu bewerten.

Sich über die neuesten Modestile auf dem Laufenden zu halten, kann jedoch verschwenderisch und teuer sein. Rund 92 Millionen Tonnen Jährlich fallen Textilabfälle an, einschließlich der Kleidung, die wir wegwerfen, wenn sie aus der Mode kommt oder nicht mehr passt. Aber was wäre, wenn wir unsere Kleidung einfach zu den von uns gewünschten Outfits zusammenstellen könnten und uns dabei an Developments und die Artwork und Weise anpassen, wie sich unser Körper verändert?

Ein Forscherteam des Pc Science and Synthetic Intelligence Laboratory (CSAIL) des MIT und Adobe versucht, umweltfreundliche, vielseitige Kleidungsstücke zum Leben zu erwecken. Ihr neues „Umgestalten„Das Softwaresystem zerlegt Modedesign in Module – im Wesentlichen kleinere Bausteine ​​–, indem es Benutzern ermöglicht, jedes Ingredient eines Kleidungsstücks zu zeichnen, zu planen und zu visualisieren. Das Device verwandelt Modeideen in eine Blaupause, die beschreibt, wie jede Komponente zu rekonfigurierbarer Kleidung zusammengesetzt werden kann, beispielsweise einer Hose, die in ein Kleid verwandelt werden kann.

Mit Refashion zeichnen Benutzer einfach Formen und fügen sie zusammen, um einen Umriss für anpassbare Modestücke zu entwickeln. Es ist ein visuelles Diagramm, das zeigt, wie man Kleidungsstücke schneidet und eine einfache Möglichkeit bietet, Dinge wie ein Hemd mit aufsteckbarer Kapuze für regnerische Tage zu entwerfen. Man könnte auch einen Rock kreieren, der dann in ein Kleid für ein formelles Abendessen umgewandelt werden kann, oder Umstandsmode, die in verschiedenen Phasen der Schwangerschaft passt.

„Wir wollten Kleidungsstücke schaffen, die von Anfang an die Wiederverwendung berücksichtigen“, sagt Rebecca Lin, Doktorandin am MIT Division of Electrical Engineering and Pc Science (EECS), CSAIL- und Media Lab-Forscherin und Hauptautorin von a Papier, in dem das Projekt vorgestellt wird. „Die meisten Kleidungsstücke, die Sie heute kaufen, sind statisch und werden weggeworfen, wenn Sie sie nicht mehr wollen. Refashion holt stattdessen das Beste aus unseren Kleidungsstücken heraus, indem es uns dabei hilft, Artikel zu entwerfen, die leicht in der Größe geändert, repariert oder in andere Outfits umgestaltet werden können.“

Module à la mode

Die Forscher führten eine vorläufige Benutzerstudie durch, in der sowohl Designer als auch Neulinge Refashion erkundeten und Prototypen für Kleidungsstücke erstellen konnten. Die Teilnehmer stellten Teile wie ein asymmetrisches Oberteil zusammen, das zu einem General verlängert oder in ein formelles Kleid umgewandelt werden konnte, oft innerhalb von 30 Minuten. Diese Ergebnisse legen nahe, dass Refashion das Potenzial hat, das Prototyping von Kleidungsstücken zugänglicher und effizienter zu machen. Aber welche Funktionen könnten zu dieser Benutzerfreundlichkeit beitragen?

Die Benutzeroberfläche präsentiert im Modus „Mustereditor“ zunächst ein einfaches Raster, in dem Benutzer Punkte verbinden können, um die Grenzen eines Kleidungsstücks zu skizzieren. Im Wesentlichen geht es darum, rechteckige Panels zu zeichnen und festzulegen, wie verschiedene Module miteinander verbunden werden.

Benutzer können die Type jeder Komponente anpassen, ein gerades Design für Kleidungsstücke erstellen (was für weniger figurbetonte Artikel wie Chinos nützlich sein kann) oder vielleicht an einer der Vorlagen von Refashion herumbasteln. Ein Benutzer kann vorgefertigte Entwürfe für Dinge wie ein T-Shirt, eine taillierte Bluse oder eine Hose bearbeiten.

Ein anderer, kreativerer Weg besteht darin, das Design einzelner Module zu ändern. Für den Anfang kann man die Funktion „Falten“ wählen, um ein Kleidungsstück ähnlich einer Ziehharmonika über sich selbst zu falten. Es ist eine nützliche Möglichkeit, so etwas wie ein Maxikleid zu entwerfen. Die Possibility „Raffung“ sorgt für einen künstlerischen Contact, bei dem ein Kleidungsstück zusammengeknüllt wird, um bauschige Röcke oder Ärmel zu erzeugen. Ein Benutzer könnte sogar das „Dart“-Modul verwenden, das ein dreieckiges Stück aus dem Stoff entfernt. Es ermöglicht die Formung eines Kleidungsstücks in der Taille (z. B. für einen Bleistiftrock) oder die Anpassung an den Oberkörper (z. B. figurbetonte Hemden).

Auch wenn es den Anschein hat, dass jede dieser Komponenten zusammengenäht werden muss, ermöglicht Refashion den Benutzern, Kleidungsstücke auf flexiblere und effizientere Weise zu verbinden. Kanten können über doppelseitige Verbindungen wie Metalldruckknöpfe (wie die Knöpfe zum Schließen einer Jeansjacke) oder Klettpunkte zusammengenäht werden. Ein Benutzer könnte sie auch in Stiften namens Brads befestigen, die eine spitze Seite haben, die sie durch ein Loch stecken und in zwei „Beine“ teilen, um sie an einer anderen Oberfläche zu befestigen; Es ist eine praktische Möglichkeit, beispielsweise ein Bild auf einer Plakatwand zu befestigen. Beide Verbindungsmethoden ermöglichen eine einfache Neukonfiguration von Modulen, falls diese beschädigt sind oder ein „Match-Verify“ ein neues Aussehen erfordert.

Während ein Benutzer sein Kleidungsstück entwirft, erstellt das System automatisch ein vereinfachtes Diagramm, wie es zusammengesetzt werden kann. Das Muster ist in nummerierte Blöcke unterteilt, die auf verschiedene Teile einer 2D-Model gezogen werden, um die Place jeder Komponente festzulegen. Anschließend kann der Nutzer anhand von 3D-Modellen verschiedener Körpertypen simulieren, wie seine nachhaltige Kleidung aussehen wird (man kann auch ein Modell hochladen).

Schließlich kann ein digitaler Entwurf für nachhaltige Kleidung verlängert, verkürzt oder mit anderen Teilen kombiniert werden. Dank Refashion könnte ein neues Stück Sinnbild für einen möglichen Modewandel sein: Anstatt jedes Mal neue Kleidung zu kaufen, wenn wir ein neues Outfit wollen, können wir bestehende einfach umkonfigurieren. Der Schal von gestern könnte die Mütze von heute sein und das T-Shirt von heute könnte die Jacke von morgen sein.

„Rebeccas Arbeit befindet sich an einer spannenden Schnittstelle zwischen Berechnung und Kunst, Handwerk und Design“, sagt Erik Demaine, Professor am MIT EECS und leitender Forscher am CSAIL, der Lin berät. „Ich bin gespannt, wie Refashion dem Träger individuelles Modedesign zugänglich machen und gleichzeitig Kleidung wiederverwendbarer und nachhaltiger machen kann.“

Ständiger Wandel

Während Refashion eine umweltfreundlichere Imaginative and prescient für die Zukunft der Mode präsentiert, stellen die Forscher fest, dass sie das System aktiv verbessern. Sie beabsichtigen, die Schnittstelle zu überarbeiten, um langlebigere Artikel zu unterstützen und über Commonplace-Prototyping-Stoffe hinauszugehen. Refashion unterstützt möglicherweise bald auch andere Module, wie zum Beispiel gebogene Panels. Das CSAIL-Adobe-Crew prüft möglicherweise auch, ob sein System so wenig Materialien wie möglich verwenden kann, um Abfall zu minimieren, und ob es dabei helfen kann, alte, im Laden gekaufte Outfits neu zu mischen.

Lin plant außerdem die Entwicklung neuer Computertools, die Designern dabei helfen, mithilfe von Farben und Texturen einzigartige, personalisierte Outfits zu erstellen. Sie erforscht, wie man Kleidung durch Patchwork entwerfen kann – im Wesentlichen dadurch, dass man kleine Stücke aus Materialien wie Dekostoffen, recyceltem Denim und Häkelblöcken ausschneidet und sie zu einem größeren Stück zusammenfügt.

„Dies ist ein großartiges Beispiel dafür, wie computergestütztes Design auch für die Unterstützung nachhaltigerer Praktiken in der Modebranche von entscheidender Bedeutung sein kann“, sagt Adrien Bousseau, leitender Forscher am Inria Centre der Université Côte d’Azur, der nicht an der Studie beteiligt struggle. „Indem sie die Änderung von Kleidungsstücken von Grund auf förderten, entwickelten sie eine neuartige Designschnittstelle und einen begleitenden Optimierungsalgorithmus, der Designern hilft, Kleidungsstücke zu entwerfen, die durch Neukonfiguration eine längere Lebensdauer durchmachen können. Während Nachhaltigkeit der industriellen Produktion oft zusätzliche Einschränkungen auferlegt, bin ich zuversichtlich, dass Forschungen wie die von Lin und ihren Kollegen Designern die Möglichkeit geben werden, trotz dieser Einschränkungen Innovationen voranzutreiben.“

Lin verfasste die Arbeit zusammen mit den Adobe Analysis-Wissenschaftlern Michal Lukáč und Mackenzie Leake, der leitenden Autorin der Arbeit und ehemaligen CSAIL-Postdoktorandin. Ihre Arbeit wurde teilweise von der MIT Morningside Academy for Design, einem MIT MAKE Design-2-Making Mini-Stipendium und dem Pure Sciences and Engineering Analysis Council of Canada unterstützt. Die Forscher präsentierten ihre Arbeit kürzlich auf dem ACM Symposium on Consumer Interface Software program and Know-how.

Sehen Sie genauso aus wie zuvor. Als Software program -Ingenieur im KI -Bereich struggle meine Arbeit ein Mischung aus Software program -Engineering, KI -Engineering, Produktinformation und Dosen von Nutzern Empathie.

Bei so viel los wollte ich einen Schritt zurücktreten und über das Gesamtbild nachdenken, und die Artwork der Fähigkeiten und mentalen Fashions, die Ingenieure benötigen, um vorne zu bleiben. Eine kürzlich gelesene Lesen von O’Reilly’s AI Engineering gab mir den Anstoß, mich auch tief in den Nachdenken über Evals eintauchen zu wollen – eine Kernkomponente in jedem KI -System.

Eines fiel auf: AI Engineering ist oft mehr Software program als AI.

Außerhalb von Forschungslabors wie OpenAI oder Anthropic trainieren die meisten von uns keine Modelle von Grund auf neu. In der wirklichen Arbeit geht es darum, Geschäftsprobleme mit den bereits vorhandenen Instruments zu lösen-Modellen genügend relevanten Kontext zu geben, APIs zu verwenden, Lag-Pipelines zu bauen, Software-Calling-alles zusätzlich zu den üblichen SWE-Bedenken wie Bereitstellung, Überwachung und Skalierung.

Mit anderen Worten, AI Engineering ersetzt Software program -Engineering nicht – es legt neue Komplexität darüber aus.

Dieses Stück ist, dass ich einige dieser Themen herausholte. Wenn einer von ihnen mitschwingt, würde ich gerne Ihre Gedanken hören – Sie können gerne nachkommen Hier!

Die drei Schichten eines AI -Anwendungsstapels

Stellen Sie sich eine KI -App als auf drei Ebenen basieren: 1) Anwendungsentwicklung 2) Modellentwicklung 3) Infrastruktur.

Die meisten Groups beginnen von oben. Mit leistungsstarken Modellen, die leicht vom Regal erhältlich sind, ist es oft sinnvoll, sich zunächst auf den Aufbau des Produkts zu konzentrieren und erst später in die Modellentwicklung oder -infrastruktur einzusteigen.

Wie O’Reilly es ausdrückt, „AI Engineering ist nur Software program -Engineering mit KI -Modellen, die in den Stapel geworfen werden.“

Warum Evals wichtig sind und warum sie hart sind

In der Software program ist einer der größten Kopfschmerzen für schnelllebige Groups Regressionen. Sie versenden eine neue Funktion und brechen dabei unwissentlich etwas anderes. Wochen später taucht ein Fehler in einer staubigen Ecke der Codebasis auf, und die Verfolgung von Rücken wird zum Albtraum.

Eine umfassende Testsuite hilft dabei, diese Regressionen zu fangen.

Die KI -Entwicklung steht vor einem ähnlichen Downside. Jede Änderung-egal ob es sich um schnelle Änderungen, Updates von Lag-Pipeline, Feinabstimmung oder Kontext-Engineering handelt-kann die Leistung in einem Bereich verbessern und gleichzeitig einen anderen abbauen.

In vielerlei Hinsicht bewertet die Bewertungen KI, welche Checks für Software program sind: Sie fangen Regressionen frühzeitig auf und geben den Ingenieuren das Vertrauen, sich schnell zu bewegen, ohne Dinge zu brechen.

Die Bewertung von KI ist jedoch nicht einfach. Erstens werden die intelligenteren Modelle die härtere Bewertung. Es ist leicht zu erkennen, ob eine Buchzusammenfassung schlecht ist, wenn es kauert ist, aber viel schwieriger, wenn die Zusammenfassung tatsächlich kohärent ist. o Wissen Sie, ob es tatsächlich die wichtigsten Punkte erfasst und nicht nur fließend oder sachlich korrekt klingt, Sie müssen das Buch möglicherweise selbst lesen.

Zweitens sind Aufgaben oft offen. Es gibt selten eine einzige „richtige“ Antwort und unmöglich, eine umfassende Liste der korrekten Ausgänge zu kuratieren.

Drittens werden Basis -Modelle als schwarze Boxen behandelt, in denen Particulars zu Modellarchitektur, Schulungsdaten und Schulungsprozess häufig geprüft oder sogar veröffentlicht werden. Diese Particulars zeigen viel über die Stärken und Schwächen eines Modells und ohne sie bewerten Menschen nur Modelle basierend auf der Beobachtung der Ausgaben.

Wie man über Evale nachdenkt

Ich magazine es, Evals in zwei breite Bereiche zu gruppieren: quantitativ und qualitativ.

Quantitative Evals haben klare, eindeutige Antworten. Wurde das Mathematikproblem richtig gelöst? Hat der Code ohne Fehler ausgeführt? Diese können häufig automatisch getestet werden, was sie skalierbar macht.

Qualitative Evals dagegen leben in den Grauzonen. Es geht um Interpretation und Urteilsvermögen – wie die Bewertung eines Aufsatzes, die Beurteilung des Tons eines Chatbots oder die Entscheidung, ob eine Zusammenfassung „richtig klingt“.

Die meisten Evals sind eine Mischung aus beiden. Die Bewertung einer generierten Web site bedeutet beispielsweise nicht nur zu testen, ob sie seine beabsichtigten Funktionen ausführen (quantitativ: Kann sich ein Benutzer anmelden, sich anmelden usw.), sondern auch zu beurteilen, ob sich die Benutzererfahrung intuitiv (qualitativ) anfühlt.

Funktionale Korrektheit

Das Herzstück der quantitativen Evale ist funktionale Korrektheit: Tut die Ausgabe des Modells tatsächlich das, was es tun soll?

Wenn Sie ein Modell zur Erstellung einer Web site bitten, ist die Kernfrage, ob die Web site ihre Anforderungen entspricht. Kann ein Benutzer wichtige Aktionen ausführen? Funktioniert es zuverlässig? Dies sieht sehr nach herkömmlichen Softwaretests aus, bei denen Sie ein Produkt gegen eine Reihe von Testfällen durchführen, um das Verhalten zu überprüfen. Oft kann dies automatisiert werden.

Ähnlichkeit mit Referenzdaten

Nicht alle Aufgaben haben so klare, prüfbare Ausgänge. Die Übersetzung ist ein gutes Beispiel: Es gibt keine einzige „korrekte“ englische Übersetzung für einen französischen Satz, aber Sie können Ausgänge vergleichen Referenzdaten.

Der Nachteil: Dies stützt sich stark von der Verfügbarkeit von Referenzdatensätzen, die teuer und zeitaufwändig zu erstellen sind. Daten erzeugte Daten werden als Goldstandard angesehen, aber zunehmend werden Referenzdaten von anderen AIs gestaltet.

Es gibt einige Möglichkeiten, Ähnlichkeit zu messen:

• Menschliches Urteil
• Exakte Übereinstimmung: Ob die generierte Antwort genau mit einer der Referenzantworten übereinstimmt. Diese erzeugen booleale Ergebnisse.
• Lexikalische Ähnlichkeit: Messen, wie ähnlich die Ausgänge aussehen (z. B. überlappen in Wörtern oder Phrasen).
• Semantische Ähnlichkeit: Messen, ob die Ausgaben dasselbe bedeuten, auch wenn der Wortlaut unterschiedlich ist. Dies beinhaltet normalerweise, dass Daten in Einbettung (numerische Vektoren) und sie verglichen werden. Einbettungen sind nicht nur für Textual content – Plattformen wie Pinterest verwenden sie für Bilder, Abfragen und sogar Benutzerprofile.

Die lexikalische Ähnlichkeit überprüft nur die Ähnlichkeit auf Oberflächenebene, während die semantische Ähnlichkeit tiefer in die Bedeutung geht.

KI als Richter

Einige Aufgaben sind quick unmöglich, mit Regeln oder Referenzdaten sauber zu bewerten. Bewertung des Tons eines Chatbots, der Beurteilung der Kohärenz einer Zusammenfassung oder der Kritik der Überzeugung der Anzeigenkopie, die alle in diese Kategorie fallen. Menschen können es tun, aber menschliche Evale skalieren nicht.

Hier erfahren Sie, wie Sie den Prozess strukturieren:

1. Definieren Sie ein strukturiertes und messbares Bewertungskriterium. Seien Sie explizit über das, was Ihnen wichtig ist – Klarheit, Hilfsbereitschaft, sachliche Genauigkeit, Ton usw. Kriterien können eine Skala (1–5 Bewertung) oder binäre Überprüfungen (Move/Fail) verwenden.
2. Die ursprüngliche Eingabe, die generierte Ausgabe und jeder unterstützende Kontext werden dem KI -Richter gegeben. Eine Punktzahl, ein Etikett oder sogar eine Erklärung für die Bewertung wird dann vom Richter zurückgegeben.
3. Aggregieren Sie über viele Ausgänge. Wenn Sie diesen Prozess über große Datensätze hinweg ausführen, können Sie Muster aufdecken – beispielsweise zu bemerken, dass die Hilfsbereitschaft nach einem Modell -Replace um 10% gesunken ist.

Da dies automatisiert werden kann, ermöglicht es kontinuierliche BewertungKreditaufnahme aus CI/CD -Praktiken im Software program -Engineering. Evals können vor und nach Änderungen der Pipeline ausgeführt werden (von schnellen Änderungen bis hin zu Modell -Upgrades) oder zur laufenden Überwachung verwendet werden, um Drift und Regressionen zu fangen.

Natürlich sind KI -Richter nicht perfekt. So wie Sie der Meinung einer einzelnen Particular person nicht vollständig vertrauen würden, sollten Sie auch dem eines Modells nicht vollständig vertrauen. Mit sorgfältigem Design, mehreren Richtermodellen oder dem Ausführen vieler Ausgaben können sie jedoch bereitstellen Skalierbare Annäherungen des menschlichen Urteils.

Evalgetriebene Entwicklung

O’Reilly sprach über das Konzept von Bewertungsgetriebene Entwicklunginspiriert von der testgetriebenen Entwicklung im Software program-Engineering, ist etwas, das ich als geteilt hatte.

Die Idee ist einfach: Definieren Sie Ihre Evals, bevor Sie erstellen.
In AI Engineering bedeutet dies, zu entscheiden, wie „Erfolg“ aussieht und wie er gemessen wird.

Die Auswirkungen sind immer noch wichtiger – kein Hype. Die richtigen Evals stellen sicher, dass AI -Apps Wert auf eine Weise demonstrieren, die für Benutzer und das Unternehmen related ist.

Bei der Definition von Evalen finden Sie hier einige wichtige Überlegungen:

Domänenwissen

In vielen Bereichen gibt es öffentliche Benchmarks – Code -Debugging, Rechtswissen, Instrumentgebrauch -, aber sie sind oft generisch. Die bedeutendsten Evals kommen normalerweise vom Sitzen mit den Stakeholdern und definieren, was wirklich wichtig für das Geschäft ist, und überzusetzen Sie das dann in messbar Ergebnisse.

Die Richtigkeit ist nicht genug, wenn die Lösung unpraktisch ist. Beispielsweise kann ein Textual content-zu-SQL-Modell eine korrekte Abfrage generieren. Wenn es jedoch 10 Minuten dauert, oder große Ressourcen zu konsumieren, ist es im Maßstab nicht nützlich. Laufzeit und Speicherverbrauch sind auch wichtige Metriken.

Erzeugungsfähigkeit

Bei generativen Aufgaben-ob Textual content, Bild oder Audio-können Evals fließend, Kohärenz und aufgabenspezifische Metriken wie Relevanz umfassen.

Eine Zusammenfassung könnte sachlich genau sein, aber die wichtigsten Punkte verpassen – eine Bewertung sollte dies erfassen. Zunehmend können diese Eigenschaften selbst von einer anderen KI bewertet werden.

Sachliche Konsistenz

Ausgänge müssen gegen eine Quelle der Wahrheit überprüft werden. Dies kann auf zwei Arten passieren:

1. Lokale Konsistenz
   Dies bedeutet, die Ausgaben gegen einen bereitgestellten Kontext zu überprüfen. Dies ist besonders nützlich für bestimmte Bereiche, die für sich selbst einzigartig sind und einen begrenzten Umfang haben. Beispielsweise sollten extrahierte Erkenntnisse mit den Daten übereinstimmen.
2. Globale Konsistenz
   Dies bedeutet, dass die Ausgaben gegen offene Wissensquellen überprüft werden, beispielsweise durch Überprüfung der Websuche oder einer Marktforschung usw.
3. Selbstverifizierung
   Dies geschieht, wenn ein Modell mehrere Ausgänge generiert und misst, wie konsistent diese Antworten miteinander sind.

Sicherheit

Über das übliche Sicherheitskonzept, wie sie keine Obszönität und explizite Inhalte enthalten, gibt es tatsächlich viele Möglichkeiten, wie Sicherheit definiert werden kann. Beispielsweise sollten Chatbots keine sensiblen Kundendaten aufzeigen und in der Lage sein, sich vor schnellen Injektionsangriffen zu schützen.

Um zusammenzufassen

Wenn KI -Fähigkeiten wachsen, werden robuste Evals nur wichtiger. Sie sind die Leitplanken, die Ingenieuren schnell bewegen können, ohne die Zuverlässigkeit zu beeinträchtigen.

Ich habe gesehen, wie herausfordernd Zuverlässigkeit sein kann und wie kostspielige Regressionen sind. Sie schädigen den Ruf eines Unternehmens, frustrieren die Benutzer und schaffen schmerzhafte Entwicklererlebnisse, wobei Ingenieure immer wieder dieselben Fehler verfolgen.

Da die Grenzen zwischen technischen Rollen verschwinden, insbesondere in kleineren Groups, haben wir uns vor einer grundlegenden Veränderung der nachdenklichen Softwarequalität gegenüber. Die Notwendigkeit, die Zuverlässigkeit aufrechtzuerhalten und zu messen, erstreckt sich nun über regelbasierte Systeme, die von Natur aus wahrscheinlich wahrscheinlich und stochastisch sind.

Agenten für Produktionsstörungen leben oder sterben bei Datenklummen, Kontrollen und Beobachtbarkeit-nicht auf der Modellauswahl. Die DOC-to-Chat-Pipeline unterhalb der unteren Betonschichten und warum sie wichtig sind.

Was ist eine „Doc-to-Chat“ -Pipeline?

Eine DOC-to-Chat-Pipeline nimmt Unternehmensdokumente ein, standardisiert sie, erzwingt die Governance, die Indexs einbettet zusammen mit relationalen Merkmalen und dient die Abruf- + Era hinter authentifizierten APIs mit HITL-Checkpoints (Human-the-the-Loop). Es ist die Referenzarchitektur für agierende Q & A, Copiloten und Workflow-Automatisierung, bei der Antworten Berechtigungen respektieren und prüfungsvoll sein müssen. Produktionsimplementierungen sind Variationen von Lag (retrieval-aushusterte Era), die mit LLM-Leitplanken, Governance und Opentelemetrie-Rückenverfolgung gehärtet wurden.

Wie integrieren Sie sauber in den vorhandenen Stapel?

Verwenden Sie Customary -Servicegrenzen (REST/JSON, GRPC) über eine Speicherebene, die Ihre Org bereits vertraut. Für Tabellen verleiht Eisberg Säure, Schema -Evolution, Partitionentwicklung und Schnappschüsse – kritisch für reproduzierbare Abrufe und Backfills. Verwenden Sie für Vektoren ein System, das mit SQL -Filtern zusammenfasst: PGVector -Kollokate in Einbettung mit Geschäftsschlüssel und ACL -Tags in PostgreSQL; Dedizierte Motoren wie Milvus verarbeiten Excessive-QPS-Ann mit disaggregierter Speicherung/Berechnung. In der Praxis betreiben viele Groups beide: SQL+PGVector für Transaktionsverbindungen und Milvus für schweres Abrufen.

Schlüsseleigenschaften

• Eisberg -Tische: Säure, versteckte Partitionierung, Schnappschuss -Isolation; Lieferantenunterstützung über Lagerhäuser hinweg.
• pgVector: SQL + Vector -Ähnlichkeit in einem Abfrageplan für Präzise und Richtlinien Durchsetzung.
• Milvus: geschichtete, horizontal skalierbare Architektur für eine groß angelegte Ähnlichkeitssuche.

Wie koordinieren Agenten, Menschen und Workflows an einem „Wissensstoff“?

Produktionsmittel erfordern explizite Koordinationspunkte, an denen Menschen zustimmen, korrigieren oder eskalieren. AWS A2I bietet verwaltete HITL-Schleifen (personal Belegschaft, Stream-Definitionen) und ist ein konkreter Entwurf für das Gating-Ausgang mit niedrigem Vertrauen. Frameworks wie Langgraph modellieren diese menschlichen Checkpoints in Agentengraphen, sodass Genehmigungen erstklassige Schritte in der DAG und nicht in Advert-hoc-Rückrufe sind. Verwenden Sie sie, um Aktionen wie Veröffentlichen von Zusammenfassungen, Einreichung von Tickets oder Code zu veröffentlichen.

Muster: LLM → Vertrauen/Leitplankenüberprüfungen → Hitl-Tor → Nebenwirkungen. Behalten Sie jedes Artefakt (immediate, Abrufset, Entscheidung) für die Prüfbarkeit und zukünftige Neuläufe fort.

Wie wird die Zuverlässigkeit durchgesetzt, bevor etwas das Modell erreicht?

Behandeln Sie die Zuverlässigkeit als geschichtete Verteidigung:

1. Sprache + Inhaltswächter: Eingänge/Ausgänge für Sicherheit und Richtlinie vorab validieren. Die Optionen Span Managed (Grundgestein Guardrails) und OSS (NEMO Guardrails, Guardrails ai; Lama Guard). Unabhängige Vergleiche und ein Positionspapier katalogisieren die Kompromisse.
2. PII -Erkennung/Redaktion: Führen Sie die Analysatoren sowohl für Quelldokumente als auch auf Modell I/O aus. Microsoft Presidio bietet Erkenner und Maskierung mit expliziten Einschränkungen mit zusätzlichen Kontrollen.
3. Zugangskontrolle und Abstammung: Durchsetzen von ACLs auf Zeilen-/Spaltenebene und Prüfung über Kataloge (Unity Catalog), so dass die Berechtigungen von Abrufen relieval; Vereinigen Sie die Linien- und Zugriffsrichtlinien über Arbeitsbereiche hinweg.
4. Retrieval High quality Tore: Bewerten Sie Lappen mit referenzfreien Metriken (Treue, Kontextpräzision/Rückruf) mit Ragas/zugehörigen Werkzeugen; Schlechte Kontexte blockieren oder rangrangig.

Wie skalieren Sie die Indexierung und Abruf unter echtem Verkehr?

Zwei Achsen sind wichtig: Einnahmedurchsatz Und Anfragung Gleichzeitigkeit.

• Aufnehmen: Normalisieren Sie am Lakehouse Edge; Schreiben Sie an ICEBERG für versionierte Schnappschüsse und beschämen Sie dann asynchron ein. Dies ermöglicht eine deterministische Wiederherstellung und eine Redexierung von Punkten in der Zeit.
• Vektor -Diener: Die disaggregierte Rechenarchitektur von Milvus unterstützt die horizontale Skalierung mit unabhängigen Versagensdomänen. Verwenden Sie HNSW/IVF/Flat -Hybride und Replikate -Units, um Rückruf/Latenz auszugleichen.
• SQL + Vektor: Halten Sie das Geschäft mit der Server-Seite (PGVector), z. B., z. B., z. B., z. B. WHERE tenant_id = ? AND acl_tag @> ... ORDER BY embedding <-> :q LIMIT ok. Dies vermeidet N+1 Reisen und respektiert die Richtlinien.
• Chunking/Einbettungsstrategie: Tune Chunk Größe/Überlappung und semantische Grenzen; Schlechtes Chunking ist der stille Mörder des Rückrufs.

Für strukturierte+unstrukturierte Fusion bevorzugen Hybrid -Abruf (BM25 + ANN + RERANKER) und strukturierte Funktionen neben Vektoren speichern, um Filter zu unterstützen und Funktionen zum Abfrage-Zeiten erneut zu rängeln.

Wie überwachen Sie über Protokolle hinaus?

Du brauchst Spuren, Metriken und Bewertungen zusammen genäht:

• Verteilte Verfolgung: Emit Opentelemetry umfasst über Einnahme, Abruf, Modellaufrufe und Werkzeuge; Langsmith nationiert nativ Otel -Spuren und interoperiert mit externen APMs (Jaeger, Datadog, elastisch). Dies gibt Finish-to-Finish-Zeitpunkt, Eingabeaufforderungen, Kontexte und Kosten professional Anfrage.
• LLM -Beobachtbarkeitsplattformen: Vergleichen Sie Optionen (Langsmith, Arize Phoenix, Langfuse, Datadog), indem Sie nachverfolgt, Evals, Kostenverfolgung und Unternehmensbereitschaft verfolgen. Unabhängige Roundups und Matrixe sind verfügbar.
• Kontinuierliche Bewertung: Planen Sie Rag Evals (Ragas/Deepeval/Mlflow) an Kanarischen Units und Reside -Verkehrs -Wiederholungen; Verfolgen Sie die Treue und Erdung im Laufe der Zeit.

Hinzufügen Schema -Profilerstellung/Mapping Bei der Einnahme, um die Veränderungen der Datenform (z. B. neue Vorlagen, Tabellenentwicklung) und die Abrufregressionen bei der Verschiebung der Upstream -Quellen zu erklären.

Beispiel: DOC-to-Chat-Referenzfluss (Signale und Tore)

1. Aufnehmen: Anschlüsse → Textextraktion → Normalisierung → Eisberg schreiben (Säure, Schnappschüsse).
2. Regieren: PII -Scan (Presidio) → Redakteur/Maske → Katalogregistrierung mit ACL -Richtlinien.
3. Index: Einbettung von Jobs → PGVector (politische Anschlüsse) und Milvus (Excessive-QPS Ann).
4. Aufschlag: REST/GRPC → Hybrid -Abruf → Leitplanken → LLM → Werkzeuggebrauch.
5. Hitl: Low-Confidence-Pfade Route zu A2I/Langgraph-Zulassungsschritten.
6. Beobachten: Otel -Spuren zu Langsmith/APM + geplante Lag -Bewertungen.

Warum „5% AI, 100% Software program Engineering“ in der Praxis korrekt ist?

Die meisten Ausfälle und Vertrauensausfälle in Agentensystemen sind keine Modellregressionen. sie sind Datenqualität, Erlaubnis, Abrufabfall oder fehlende Telemetrie. Die oben genannten Kontrollen – Säure -Tabellen, ACL -Kataloge, PII -Leitplanken, hybride Abruf, Otel -Spuren und menschliche Tore – sind festgelegt, ob das gleiche Basismodell für Ihre Benutzer sicher, schnell und glaubwürdig korrekt ist. Investieren Sie zuerst in diese; Swap -Modelle später bei Bedarf auszutauschen.

---

Referenzen:

Seattle, 30. Juli 2025 – Ravel, eine IT- und Workload Orchestration Software program Firm, kündigte heute Aktualisierungen des Flaggschiffs an, das Ravel orchestrate KI sowie den Begin von Lösungen zur Nutzung von Supermicro -Turnkey -KI -Workload -Lösung nutzt.

Die Produkte sollen die Einführung skalierbarer KI für Organisationen in Branchen wie Rechenzentren, Content material Creation Studios, Forschungslabors und Innovationszentren sowie große Unternehmen vereinfachen.

Da die Einführung von AI und GGNerative KI weiterhin Geschäft mit den Geschäftstätigkeiten, Datenwissenschaftlern und Ingenieuren und Kreativteams verändert, müssen sich die Komplexität des Bereitstellens und der Verwaltung von Rechenintensive KI-Workloads mit zunehmender Komplexität befassen. Die neuesten Aktualisierungen von Ravel befassen diese Herausforderungen direkt, indem Sie intelligente Orchestrierungslösungen, die speziell gebaut wurden, zur Vereinfachung der Bereitstellung, Ausführung und Überwachung in der neuen Ära von Hybrid, Multi-Cloud und Edge AI anbieten.

„Traditionelles IT -Werkzeug brechen unter dem Gewicht der modernen KI“, sagte Denise Muyco, Chief Govt Officer bei Ravel. „Die orchestrieren KI verwandelt sich in die einheitlichen, skalierbaren Pipelines, die für Kreative, Forscher, Ingenieure und Enterprise-Ops-Groups in einheitliche, skalierbare Pipelines ausgestattet sind, unabhängig davon, ob sie gerade erst mit kleinen Bergen in kleinem Maßstab beginnen oder renoviert wurden.

Ravel orchestrieren KI:

• Straffende KI -Workflow -Orchestrierung – definieren, planen und führen Sie komplexe Workloads und Infrastruktur aus einer einzigen Scheibe der Glasgrenzfläche aus.
• Skalierbare Modellbereitstellung in jeder Infrastruktur-Automatisieren Sie die Bereitstellung in Cloud-, On-Prem- und Hybrid-Umgebungen-nein manuelles Setup erforderlich.
• Intelligente Ressourcenoptimierung – entspricht dynamisch den Jobs mit optimalen CPUs/GPUs, um eine bessere Leistung, Effizienz, Lastausgleich und Energieeffizienz zu erzielen.
• Native Framework -Integration – funktioniert nahtlos mit Tensorflow, Pytorch, Umarmungsgesicht, bequemer und mehr – Out der Field.
• Good Job -Warteschlange und -Priorisierung – Planen und Priorisierung von Arbeitsplätzen und Priorisierung auf der Grundlage von Richtlinien, der Arbeitsbelastung und der Verfügbarkeit von Ressourcen.
• Zentralisierte Überwachung und Administration – Verfolgen Sie Jobs, Ressourcen und Leistung in Echtzeit – excellent für verteilte Groups und gemeinsame Infrastruktur.
• Multi-Benutzer-Zugriffs- und Rollensteuerungen-sichere Arbeitsbereiche mit anpassbaren Rollen und Berechtigungen, um Benutzer zu isolieren und Ressourcen zu schützen.

Um die KI-Einführung noch weiter zu vereinfachen und zu beschleunigen, haben Ravel und Supermicro an einer vor integrierten und Ai-optimierten Infrastrukturlösung zusammengearbeitet, die Supermicro-Systeme kombiniert und mit AMD Ryzen ThreadRipper Professional-CPUs und Nvidia RTX Professional 6000 Blackwell Workstation Version GPUs mit Ravel Orchestrate AI. Die Supermicro X Ravel Turnkey AI Workload-Lösung ist unternehmungsfristig und bietet Plug-and-Play-Bereitstellung und modulare Skalierbarkeit von Workstation bis Datcenter mit minimalem Setup und maximaler Leistung. Ein frühes Design der Lösung gewann in der KI/ML -Kategorie „Produkt des Jahres“ bei NAB 2025.

„AMD ermöglicht die nächste Welle der KI-Innovation durch Hochleistungs-Computing, die vom Desktop nach Daten skaliert werden“, sagte Andy Parma, Segmentdirektor der MNC Workstation CPU, AMD. „Mit AMD Ryzen Threadripper Professional-Prozessoren, die die Supermicro X Ravel-Lösung anführen, erhalten die Kunden eine robuste, fertige Infrastruktur, die die KI-Workflows optimiert und Zeit auf Einsicht beschleunigt.“

Ravel orchestrate KI ist jetzt im frühen Zugriff erhältlich und kann als Teil der Supermicro X Ravel schlüsselfertigen KI -Workload -Lösung direkt durch getestet werden Ravel und seine Associate: Cinesys, ECS und Augur Tech.

Stellen Sie sich eine Zukunft vor, in der künstliche Intelligenz stillschweigend die Plackerei der Softwareentwicklung schuldet: Veredelte Code, migrierende Legacy -Systeme und die Auf jagd auf den Rassenbedingungen, damit sich menschliche Ingenieure der Architektur, dem Design und den wirklich neuartigen Problemen über die Reichweite einer Maschine widmen können. Die jüngsten Fortschritte scheinen die zukünftigen verlockend eng zu kämpfen zu haben, aber ein neues Papier von Forschern des MIT-Labors für Informatik und künstliche Intelligenz (CSAIL) und mehrere zusammenarbeitende Institutionen argumentieren, dass diese potenzielle zukünftige Realität einen schwierigen Blick auf die heutigen Herausforderungen erfordert.

Mit dem Titel „Herausforderungen und Wege in Richtung KI für Software program Engineering”Die Arbeit ordnet die vielen Software program-Engineering-Aufgaben über die Codegenerierung hinaus, identifiziert aktuelle Engpässe und hebt Forschungsanweisungen hervor, um sie zu überwinden, um sich auf das Design auf hoher Ebene zu konzentrieren, während die Routinearbeit automatisiert wird.

„Jeder spricht darüber, wie wir keine Programmierer mehr brauchen, und es gibt all diese Automatisierung jetzt“, sagt Armando Photo voltaic -Lezama, MIT -Professor für Elektrotechnik und Informatik, CSAIL -Principal Investigator und Senior Autor der Studie. „Einerseits hat das Feld enorme Fortschritte gemacht. Wir haben Instruments, die viel leistungsfähiger sind als alle, die wir zuvor gesehen haben. Aber es gibt auch einen langen Weg, um wirklich das volle Versprechen der Automatisierung zu erhalten, das wir erwarten würden.“

Photo voltaic-Lezama argumentiert, dass populäre Erzählungen die Software program-Engineering häufig auf „den Bachelor-Programmierteil: Jemand gibt Ihnen eine Spezifikation für eine kleine Funktion über und Sie implementieren oder das Lösen von Programminterviews im Leetcode-Stil“. Wirkliche Praxis sind weitaus breiter. Es umfasst alltägliche Refaktoren, die das polnische Design sowie umfassende Migrationen, die Millionen von Linien von Cobol nach Java und Umgestalten ganzer Unternehmen bewegen. Es erfordert Nonstop-Checks und -analysen-Fuzzing, propertionbasierte Checks und andere Methoden-, um Parallelitätsfehler zu fangen oder Zero-Day-Mängel zu Patch. Und es geht um den Wartungsgrad: Dokumentieren Sie zehn Jahre alter Code, Zusammenfassung der Änderungsgeschichte für neue Teamkollegen und Überprüfung von Pull-Anfragen nach Stil, Leistung und Sicherheit.

Codesoptimierung im Branchenmaßstab-denken Sie daran, die GPU-Kernel oder die unerbittlichen, vielschichtigen Verfeinerungen hinter Chromes V8-Motor zu bewerten, bleibt hartnäckig zu bewerten. Die heutigen Überschriftenkennzahlen wurden für kurze, in sich geschlossene Probleme entwickelt, und während A number of-Selection-Checks immer noch natürliche Forschung dominieren, waren sie in AI-for-Code nie die Norm. Der De-facto-Maßstab des Feldes, SWE-Bench, bittet einfach ein Modell, ein Github-Downside zu patchen: nützlich, aber immer noch mit dem Paradigma „Undergrad-Programmierübung“ vergleichbar. Es berührt nur einige hundert Codezeilen, riskiert Daten, die von öffentlichen Repositories auslaufen und andere reale Kontexte ignorieren-AI-unterstützte Refaktoren, Programme für Menschen und AI-Paare oder leistungskritische Umschreibungen, die Millionen von Linien umfassen. Bis die Benchmarks erweitert werden, um diese Szenarien mit höheren Einsätzen zu erfassen, bleibt die Messung des Fortschritts-und damit die Beschleunigung-eine offene Herausforderung.

Wenn die Messung ein Hindernis ist, ist die Kommunikation zwischen Mensch und Herme eine andere. Der erste Autor Alex Gu, ein MIT -Doktorand in Elektrotechnik und Informatik, sieht die heutige Interaktion als „dünne Kommunikationslinie“. Wenn er ein System auffordert, Code zu generieren, erhält er häufig eine große, unstrukturierte Datei und sogar eine Reihe von Unit -Checks, doch diese Checks sind tendenziell oberflächlich. Diese Lücke erstreckt sich auf die Fähigkeit der KI, die breitere Suite von Software program -Engineering -Instruments effektiv zu nutzen, von Debuggen bis hin zu statischen Analysern, auf die sich Menschen für eine präzise Kontrolle und ein tieferes Verständnis verlassen. „Ich habe nicht viel Kontrolle darüber, was das Modell schreibt“, sagt er. „Ohne einen Kanal für die KI, um sein eigenes Vertrauen aufzudecken -“ dieser Teil ist richtig … dieser Teil, vielleicht doppelte Überprüfungen “ – riskiert die Entwickler, die halluzierte Logik zu vertrauen, die kompiliert, aber in der Produktion zusammenbricht. Ein weiterer kritischer Aspekt besteht darin, zu wissen, wann er sich an den Benutzer zur Klärung verschieben muss.“

Skalieren diese Schwierigkeiten. Aktuelle KI -Modelle kämpfen tiefgreifend mit großen Codebasen, die oft Millionen von Linien umfassen. Basis -Modelle lernen aus öffentlichem Github, aber „die Codebasis jedes Unternehmens ist eine Artwork unterschiedlich und einzigartig“, sagt Gu und macht proprietäre Codierungskonventionen und Spezifikationsanforderungen grundlegend außerhalb der Verteilung. Das Ergebnis ist Code, der plausibel aussieht und dennoch nicht existierende Funktionen bezeichnet, gegen interne Stilregeln verstößt oder Pipelines für kontinuierliche Integration fehlschlägt. Dies führt häufig zu AI-generierten Code, den „Halluzinate“, was bedeutet, dass er plausibel aussieht, aber nicht mit den spezifischen internen Konventionen, Helferfunktionen oder architektonischen Mustern eines bestimmten Unternehmens übereinstimmt.

Modelle werden auch häufig falsch abgerufen, da er Code mit einem ähnlichen Namen (Syntax) und nicht mit Funktionalität und Logik abruft, was ein Modell möglicherweise wissen muss, wie man die Funktion schreibt. „Normal -Abruftechniken werden sehr leicht durch Codestücke getäuscht, die dasselbe tun, aber anders aussehen“, sagt Photo voltaic -Lezama.

Die Autoren erwähnen, dass diese Themen, da diese Probleme keine Silberkugel haben, stattdessen die Bemühungen im Bereich der Neighborhood -Skale anrufen: reicher, Daten, die den Prozess des Schreibens von Entwicklern erfassen (z. B. Code -Entwickler, die gegen wegwerfen, wie Code im Laufe der Zeit umgestaltet wird, usw.), gemeinsame Bewertungssuiten, die die Fortschrittsqualität, die Fehlermigration sowie die Migration, die Migration sowie die Migration und die Migration und die Migration messen. und transparente Werkzeuge, mit denen Modelle Unsicherheit aufdecken und eher menschliche Lenkung als passive Akzeptanz einladen. Gu rahmt die Agenda als „Aufruf zum Handeln“ für größere Open -Supply -Kooperationen, die kein einziges Labor allein aufbringen könnte. Photo voltaic -Lezama stellt sich inkrementelle Fortschritte vor – „Forschungsergebnisse, die jeden dieser Herausforderungen getrennt Bissen herausnehmen“, die sich wieder in kommerzielle Werkzeuge einfügen und die KI allmählich von der automatischen Vervollständigung des Sidekick in Richtung echter Ingenieurpartner bewegen.

„Warum wird die Software program bereits die Finanzierung, den Transport, die Gesundheitsversorgung und die Minutien des täglichen Lebens untermauert und die menschliche Anstrengungen, die erforderlich sind, um sie sicher zu bauen und zu warten, wird zu einem Engpass. Eine KI, die die Grunzarbeit transportieren kann – und dies ohne die Einführung versteckter Versagen frei machen, um sich auf Kreativität zu konzentrieren, Strategie und Ethik“, heißt es in Gu. “ „Aber diese Zukunft hängt davon ab, dass der Codebeteiligung der einfache Teil ist. Das schwierige Teil ist alles andere. Unser Ziel ist es nicht, Programmierer zu ersetzen. Es geht darum, sie zu verstärken. Wenn die KI die langwierigen und die schrecklichen, menschlichen Ingenieure in Angriff nehmen können, können menschliche Ingenieure endlich ihre Zeit damit verbringen, was nur Menschen tun können.“

„Mit so vielen neuen Werken, die in der KI für die Codierung auftreten und die Gemeinschaft oft die neuesten Traits verfolgt, kann es schwierig sein, zurückzutreten und darüber nachzudenken, welche Probleme am wichtigsten sind“, sagt Baptiste Rozière, ein KI -Wissenschaftler bei Mistral AI, der nicht in die Zeitung involviert ist. „Ich habe es genossen, dieses Papier zu lesen, weil es einen klaren Überblick über die wichtigsten Aufgaben und Herausforderungen in der KI für Software program -Engineering bietet. Außerdem werden vielversprechende Anweisungen für zukünftige Forschungsergebnisse vorhanden.“

Gu und Photo voltaic-Lezama schrieben die Zeitung mit der College of California an Berkeley Professor Koushik Sen und Doktoranden Naman Jain und Manish Shetty, Assistenz von Cornell College, Professor Kevin Ellis und PhD-Scholar Wen-Ding Li, Assistenz der Stanford College Assistenz Professor Diyi Yang und PhD-Scholar Yijia Shao, und incoming der Johns Hopkins College Assistenz Assistenz Assistenz Assistenz Ziyang LIYAGH. Ihre Arbeit wurde teilweise von der Nationwide Science Basis (NSF), der Sky Lab Industrial Sponsoren und Partnern, Intel Corp. über einen NSF -Stipendium und das Workplace of Naval Analysis unterstützt.

Die Forscher präsentieren ihre Arbeit auf der Internationalen Konferenz über maschinelles Lernen (ICML).