Кажется, вы не правы «запретив» мобильному клиенту/приложению работать в локальной сети. Технически, это не отличается от работы через Интернет, также все будет работать. Скорее надо говорить о возможностях работать через низкоскоростные/высокоскоросные сети, либо автономно.
AI в разработке кода Пробовал и ChatGPT и аналоги с моделями натренированными на решение IT вопросов. Действительно, помогают. Но, чаще всего помогают написать простые методы которые работают, но не оптимально. Если не знать особенностей типов/алгоритмов и пр. код будет рабочим, но не проходящим проверку серьезных нагрузок. Хорошо в разработке помогает Copilot и аналоги, т.к. они анализируют весь код открытого проекта, учитывают импорты библиотек, наследования классов, типы и т.п. Помогают генерировать описание (учитывают тему бизнес-задачи). Не плохо генерируют юнит тесты.
На чём серьёзно «спотыкаются». 1. неоптимальное решение. 2. Предлагаемые AI решения для старых версий библиотек. Например Python: SQLAlchemy который в версии 2.0 полностью перешел на CORE API, и Pydantic, который полностью поменял названия методов и их инициализацию. Уточняющие замечания и примеры кода не помогают. Ai упорно не хочет использовать последние PEP для типов: использует Optionals[Any] вместо современного и удобочитаемого Any | None В Rust вчера использовал библиотеку rsfbclient для чтения файла fdb. AI предлагал использовать методы давно убранные из библиотеки.
Разбиение монолитного приложения на микросервисы используя стратегии DDD — процесс творческий. Если опыта нет, то решение предоставленное Ai действительно можно брать за отправную точку. Например для обучения. Для продакшена, решение Ai по декомпозиции не выдержит экспертизы опытного специалиста.
Хорошо помогают в написании кода для фреймворков, которые заставляют жестко придерживаться своей структуры и вложенных паттернов. Например Django. И хуже дело обстоит с фреймворками, в которых решение о структуре приложения отдаётся на откуп разработчику: Flask/Starlet/FastApi.
Встроенные в IDE AI (Copilot, Codeium...) хороши именно тем что анализирует открытый проект. Даже ответы на вопросы строятся на основе кода проекта (например в примере используются переменные и классы проекта). ИМХО для разработчика, такие Ai более полезны чем ChatGPT, в силу своей более узкой «специализации».
Спасибо, Максим. Формат «Ответы на вопросы» прям очень нравится. Основные моменты над которыми я думаю: – Архитектура ИТ-решений может быть сложной и запутанной, что может затруднить ее понимание и внедрение. – Разработка и внедрение архитектуры ИТ-решений может потребовать значительных финансовых затрат, особенно если требуется модернизация или изменение существующей системы. – Архитектура ИТ-решений может содержать риски, связанные с безопасностью, надежностью и производительностью системы. – Архитектура ИТ-решений должна соответствовать законодательным и отраслевым требованиям, что может привести к дополнительным затратам и сложностям. – Персонал должен быть обучен работе с новой архитектурой, что может потребовать времени и ресурсов.
5:31 Т.е. в сентябре 2022 года вы начали знакомиться с Power BI А блокировку сделали 20 сентября 2022 года! А запустили datalens 11 октября 2022 года! Вопрос: где вы запускали три месяца с момента блокировки??
Братан, хорош, давай-давай вперёд! Контент вообще в кайф, красавчик! Можно вот этого и того и почаще? О. шарпист, рад видеть. Классная камера, съемка, я подписался.
Масштабирование: В крупных корпорациях проекты обычно имеют более масштабные цели и более сложные структуры, что требует более тщательного планирования и организации.
Разнообразие: Проекты в крупных корпорациях могут быть связаны с различными отраслями и функциями, что создает необходимость в координации и коммуникации между различными подразделениями.
Компетенции: Крупные корпорации обычно имеют доступ к большим ресурсам, таким как высококвалифицированный персонал, технологии и инфраструктура, что позволяет им успешно управлять сложными проектами.
Управление рисками: В крупных организациях управление рисками становится еще более важным, поскольку они сталкиваются с большим количеством рисков и вызовов, связанных с их проектами.
Прозрачность и отчетность: Крупные организации должны обеспечивать прозрачность своих проектов для инвесторов, акционеров и других заинтересованных сторон. Они также должны предоставлять регулярную отчетность о ходе выполнения проектов.
Интеграция с корпоративной стратегией: Проекты в крупной корпорации должны быть интегрированы с общей стратегией компании, чтобы гарантировать их долгосрочный успех.
Стандарты и процессы: Крупные компании часто имеют свои собственные стандарты и процессы для управления проектами, которые необходимо соблюдать и адаптировать в соответствии с конкретными требованиями проекта.
Одним из основных компонентов WMS является модуль управления складом. Он отвечает за управление процессами хранения товаров, такими как размещение, перемещение, инвентаризация и т. д. Архитектура этого модуля может быть различной в зависимости от требований организации и специфики склада. Например, он может быть реализован как централизованная система, где все процессы управляются из одного центра, или как децентрализованная система, где каждый склад имеет свою локальную систему управления и взаимодействует с другими складами через общую сеть.
Еще одним важным компонентом WMS является модуль учета товаров. Он обеспечивает автоматическую обработку информации о товарах, включая их идентификацию, классификацию, учет движения и контроль остатков. Архитектура этого модуля также может быть разной и зависит от используемых технологий и требований к точности учета. Например, это может быть система на основе RFID-меток, которая позволяет отслеживать местоположение товаров и их состояние в режиме реального времени, или система на основе штрихкодов, которая обеспечивает более простой и быстрый учет товаров, но с меньшей точностью.
Фильтры можно обучать с помощью различных методов, включая машинное обучение, глубокое обучение и статистический анализ. В зависимости от типа фильтра и задачи, которую он выполняет, могут использоваться разные методы обучения. Например, для обучения фильтра изображения можно использовать алгоритмы машинного обучения, такие как сверточные нейронные сети (CNN), которые позволяют извлекать признаки из изображения и использовать их для классификации или регрессии. Для обучения фильтра звука можно использовать методы глубокого обучения, такие как рекуррентные нейронные сети (RNN), которые могут анализировать временные последовательности и извлекать из них значимые характеристики. Статистический анализ также может использоваться для обучения фильтров, например, для определения оптимального порога в бинарном классификаторе.
Пробовал и ChatGPT и аналоги с моделями натренированными на решение IT вопросов.
Действительно, помогают. Но, чаще всего помогают написать простые методы которые работают, но не оптимально. Если не знать особенностей типов/алгоритмов и пр. код будет рабочим, но не проходящим проверку серьезных нагрузок.
Хорошо в разработке помогает Copilot и аналоги, т.к. они анализируют весь код открытого проекта, учитывают импорты библиотек, наследования классов, типы и т.п.
Помогают генерировать описание (учитывают тему бизнес-задачи). Не плохо генерируют юнит тесты.
На чём серьёзно «спотыкаются».
1. неоптимальное решение.
2. Предлагаемые AI решения для старых версий библиотек.
Например Python: SQLAlchemy который в версии 2.0 полностью перешел на CORE API, и Pydantic, который полностью поменял названия методов и их инициализацию. Уточняющие замечания и примеры кода не помогают.
Ai упорно не хочет использовать последние PEP для типов: использует Optionals[Any] вместо современного и удобочитаемого Any | None
В Rust вчера использовал библиотеку rsfbclient для чтения файла fdb. AI предлагал использовать методы давно убранные из библиотеки.
Разбиение монолитного приложения на микросервисы используя стратегии DDD — процесс творческий. Если опыта нет, то решение предоставленное Ai действительно можно брать за отправную точку. Например для обучения. Для продакшена, решение Ai по декомпозиции не выдержит экспертизы опытного специалиста.
Хорошо помогают в написании кода для фреймворков, которые заставляют жестко придерживаться своей структуры и вложенных паттернов. Например Django. И хуже дело обстоит с фреймворками, в которых решение о структуре приложения отдаётся на откуп разработчику: Flask/Starlet/FastApi.
Встроенные в IDE AI (Copilot, Codeium...) хороши именно тем что анализирует открытый проект. Даже ответы на вопросы строятся на основе кода проекта (например в примере используются переменные и классы проекта).
ИМХО для разработчика, такие Ai более полезны чем ChatGPT, в силу своей более узкой «специализации».
Основные моменты над которыми я думаю:
– Архитектура ИТ-решений может быть сложной и запутанной, что может затруднить ее понимание и внедрение.
– Разработка и внедрение архитектуры ИТ-решений может потребовать значительных финансовых затрат, особенно если требуется модернизация или изменение существующей системы.
– Архитектура ИТ-решений может содержать риски, связанные с безопасностью, надежностью и производительностью системы.
– Архитектура ИТ-решений должна соответствовать законодательным и отраслевым требованиям, что может привести к дополнительным затратам и сложностям.
– Персонал должен быть обучен работе с новой архитектурой, что может потребовать времени и ресурсов.
Ты чего такой стеснительный?)) такое чувство что тебя там держат и заставляют читать текст под дулом оружия!))
Т.е. в сентябре 2022 года вы начали знакомиться с Power BI
А блокировку сделали 20 сентября 2022 года!
А запустили datalens 11 октября 2022 года!
Вопрос: где вы запускали три месяца с момента блокировки??
О. шарпист, рад видеть. Классная камера, съемка, я подписался.
Разнообразие: Проекты в крупных корпорациях могут быть связаны с различными отраслями и функциями, что создает необходимость в координации и коммуникации между различными подразделениями.
Компетенции: Крупные корпорации обычно имеют доступ к большим ресурсам, таким как высококвалифицированный персонал, технологии и инфраструктура, что позволяет им успешно управлять сложными проектами.
Управление рисками: В крупных организациях управление рисками становится еще более важным, поскольку они сталкиваются с большим количеством рисков и вызовов, связанных с их проектами.
Прозрачность и отчетность: Крупные организации должны обеспечивать прозрачность своих проектов для инвесторов, акционеров и других заинтересованных сторон. Они также должны предоставлять регулярную отчетность о ходе выполнения проектов.
Интеграция с корпоративной стратегией: Проекты в крупной корпорации должны быть интегрированы с общей стратегией компании, чтобы гарантировать их долгосрочный успех.
Стандарты и процессы: Крупные компании часто имеют свои собственные стандарты и процессы для управления проектами, которые необходимо соблюдать и адаптировать в соответствии с конкретными требованиями проекта.
Еще одним важным компонентом WMS является модуль учета товаров. Он обеспечивает автоматическую обработку информации о товарах, включая их идентификацию, классификацию, учет движения и контроль остатков. Архитектура этого модуля также может быть разной и зависит от используемых технологий и требований к точности учета. Например, это может быть система на основе RFID-меток, которая позволяет отслеживать местоположение товаров и их состояние в режиме реального времени, или система на основе штрихкодов, которая обеспечивает более простой и быстрый учет товаров, но с меньшей точностью.