1. Introduction
De nos jours, il faut beaucoup d'efforts pour développer un logiciel. Trop de temps est consacré à ce qu'il serait logique d'affecter les méthodologistes aux ordinateurs, à la conception, à la rédaction des spécifications techniques, aux tests, tout cela est fait par une personne et se fait très lentement. Mais est-ce possible en principe? Le docteur en sciences techniques Maxim Shcherbakov dans sa conférence "Réseaux de neurones: mathématiques et magie" a répondu: "Oui, c'est possible." C'est bien d'avoir un assistant automatisé qui résoudra le problème en ayant simplement certains critères et modèles, mais il n'a pas à payer et il le fera dans les plus brefs délais, mais quelles tâches spécifiques les réseaux de neurones peuvent-ils résoudre à notre époque? Le développement de l'apprentissage automatique aujourd'hui prend des sauts et des limites pas aujourd'hui donc les machines de demain peuvent remplacer une personne dans les tâches de routine. La rédaction d'une tâche technique n'est pas la chose la plus agréable, surtout en raison de la nécessité de tout peindre en détail et en forme (pour plus de détails, voir le point 4). Chaque entreprise choisit une méthodologie de développement logiciel particulière et la modifie rarement. Mais que se passe-t-il si l'autre méthodologie est meilleure pour le projet que la précédente ou que la méthode actuelle ne convient pas du tout? Il serait logique de remplacer, mais lequel choisir (plus de détails au paragraphe 5)? Des tests appropriés devraient prendre un temps et des personnes décents. Assez coûteux et long (plus au paragraphe 6). Un réseau de neurones réduira le coût et accélérera toutes ces étapes.
2. Abréviations
NS - Réseaux de neurones
Logiciels - Logiciels
TK - Termes de référence
AI - Intelligence artificielle
3. Réseaux de neurones artificiels
Qu'est-ce que l'intelligence artificielle? En gros, il s'agit d'une simulation d'une personne utilisant un ordinateur. Le test de Turing, dans un sens, répond à cette question. Elle consiste dans le fait que pendant le dialogue, une personne doit décider qui est la personne ou la machine devant elle. De nos jours, le test de Turing n'est pas tout à fait correct et d'autres méthodes de test de l'intelligence artificielle sont utilisées. Pour mieux comprendre pourquoi ce test n'est pas entièrement correct, vous pouvez simplement le retourner. Comment un ordinateur sait-il que c'est une personne devant lui? Il demandera combien sera 754534 * 32 et démarrera le chronomètre. Par conséquent, tout comme nous ne pouvons pas résoudre l'équation assez rapidement, la machine (pour l'instant) ne peut pas simuler complètement la communication humaine avec toutes ses subtilités et fonctionnalités. De ce point de vue, une simulation complète du cerveau par un ordinateur semble impossible. Donc pour l'instant, nous utilisons l'intelligence artificielle uniquement comme assistants dans un domaine spécifique.
3.1 Une brève histoire de l'IA
L'histoire du développement de l'intelligence artificielle n'est pas très amusante et fluide. Les premières expériences sur la création de l'intelligence artificielle ont permis à certaines entreprises d'économiser des sommes non négligeables. Par exemple, Digital Equipment Corporation, grâce à l'intelligence artificielle, a économisé 10 millions de dollars par an. Des chatbots, des systèmes d'identification des bactéries et bien plus ont également été développés. Après cela, les sociétés d'intelligence artificielle n'ont pas été en mesure d'atteindre tous leurs nobles objectifs et ont finalement fermé, à cause de cette période difficile pour l'IA et la communauté a commencé à jeter un coup d'œil sur l'apprentissage automatique et les réseaux de neurones. En 1943, Warren McCallock et Walter Pitts ont inventé le terme réseau de neurones artificiels. Modèle effectuant des calculs à l'aide de neurones biologiques. Et après 63 ans dans les universités de Toronto et de Montréal, ils ont commencé à enseigner les réseaux de neurones profonds avec force et force, ce qui est devenu une véritable révolution pour l'apprentissage automatique!
3.2 Le principe du réseau neuronal, ses succès et ses faiblesses
Sous une forme simplifiée, le principe de fonctionnement d'un réseau neuronal est de trouver des dépendances et de changer des poids.Si l'action est correcte, alors les échelles qui sont responsables de cette action sont renforcées et vice versa. Et pour être plus précis, le principe est de réduire certaines fonctions d'erreur. La descente en pente est le plus souvent utilisée à cet effet.
Tout le monde a entendu parler des succès des réseaux de neurones. Ils battent les champions du jeu GO, pour jouer qui, en théorie, est la seule prérogative d'une personne et pour l'ordinateur c'est trop compliqué, mais apparemment ce n'est pas vrai. Il n'y a pas si longtemps, en 2015, AlphaGo a remporté le champion en remportant quatre matchs sur cinq. Pas mal, non? Deux ans plus tard, en 2017, le réseau neuronal a été amélioré et elle a vaincu 9 champions GO, remportant soixante des soixante matchs. Le pire pour les champions, c'est que le programme a agi de manière absolument aléatoire et a finalement gagné quand même. Comment Google (développeurs AlphaGo) est-il parvenu à ce résultat? Tout vient d'améliorer AlphaGo formé avec son prédécesseur. Le réseau neuronal lui-même a trouvé les lacunes et les a corrigées.
Les réseaux de neurones ont également appris à écrire de la musique. Ayant «écouté» les chefs-d'œuvre des classiques du monde, le réseau neuronal a composé sa propre musique, et sans une bonne compréhension de l'apprentissage automatique, il est presque impossible de distinguer la création humaine de la création machine. Lors de la conférence «Neural Networks: maths & magic», ils ont inclus l'une des œuvres de l'informatique et ont proposé d'écouter précédemment en disant qu'elle avait été créée par un grand musicien. Après avoir écouté le public, ils ont demandé: "Quelqu'un est-il devenu accro?" certains ont répondu oui. Il s'avère que les voitures peuvent faire? La réponse est assez difficile. Pour comprendre pourquoi, nous allons examiner le principe du réseau neuronal en utilisant l'exemple d'une salle avec un très grand nombre de brochures avec des symboles que nous ne comprenons pas. Nous avons un algorithme de comment, où et quelle feuille déplacer ou nous construisons nous-mêmes cet algorithme selon que nous sommes encouragés ou réprimandés pour nos actions. Et ici, nous recevons une demande d'entrée, puis nous courons pour déplacer les feuilles selon notre algorithme et nous obtenons un ensemble de feuilles pliées pour la sortie, et nous ne comprenons pas ce que ces symboles signifient à l'entrée et ce que nous obtenons à la sortie, nous sommes un réseau de neurones. Revenons à faire de la musique. Il s'avère que le réseau neuronal ne crée pas l'œuvre, il est juste chaotique mais avec certaines règles il bat les accords sans comprendre ce qu'il fait (il rappelle la peinture moderne). Un exemple de musique créée par un réseau de neurones de Yandex:
Ils ont également appris à dessiner des réseaux de neurones en utilisant le même principe qu'avec la musique.
Comme vous pouvez le voir, l'apprentissage automatique vous permet de résoudre une grande variété de tâches. Mais comment leur apprendre à faire tout cela? Le secret réside dans l'apprentissage automatique. Revenons à la pièce avec les feuilles et rappelons que «nous avons un algorithme de comment, où et quelle feuille à transférer» dans cette situation, le réseau neuronal est déjà formé. Elle sait quoi et où mettre, mais il y avait aussi une deuxième option "nous construisons nous-mêmes cet algorithme selon que nous sommes encouragés ou réprimandés pour nos actions", c'est cette option qui formule la soi-disant formation du réseau de neurones de renforcement. Un certain «enseignant» encourage les actions correctes du réseau neuronal, à la suite desquelles elle se souvient et essaie de trouver une dépendance dans les bonnes actions ou un «enseignant» gronde le réseau neuronal pour ses erreurs et elle essaie de plus en plus de trouver une dépendance dans les bonnes actions. Les réseaux de neurones sont également enseignés à l'aide de méthodes: avec un enseignant, sans enseignant, avec une implication partielle de l'enseignant. Le choix dépend des conditions dans lesquelles le réseau neuronal est formé.
En utilisant la formation avec un enseignant, nous devons soumettre un jeu de données avec les bonnes réponses ou un autre jeu de données de formation à l'entrée, après quoi le réseau neuronal devrait identifier les modèles et répondre correctement au jeu de données de test. Habituellement (ce qui est logique), le réseau de neurones se trompe le plus souvent sur l'échantillon de test, cela est dû au «problème de recyclage».
Lorsqu'un réseau de neurones traite trop souvent les mêmes données, il s'adapte exclusivement à cet échantillon de données, ce qui a pour conséquence, sur un nouvel échantillon où de nombreux réseaux de neurones différents se trompent.
En utilisant la formation sans enseignant, nous soumettons également des données, mais nous ne connaissons pas la bonne réponse et la tâche consiste à trouver la dépendance dans ces données. La formation partielle des enseignants est le plus souvent utilisée pour former des réseaux de neurones capables de traiter le son. Nous pouvons trouver autant de données que nous voulons, mais le balisage devra être fait manuellement.
Le plus intéressant (selon certaines opinions) est l'entraînement par renforcement, car nous pouvons essentiellement enseigner n'importe quoi au réseau neuronal simplement en notant l'action correcte ou incorrecte qu'il a effectuée. En 2017, le championnat e-sports DOTA 2 s'est déroulé sous le nom de «The International 2017», au cours duquel des joueurs professionnels ont joué un match contre le réseau de neurones OpenAI (mais avec certaines restrictions). Les professionnels n'ont pas eu la chance de gagner. Pour former ce réseau neuronal, une méthode de renforcement a été utilisée. Le réseau de neurones a joué tant de fois et a appris à gagner sans problème. Bien sûr, cela ne fonctionne pas du tout, car le jeu est assez compliqué et vous pouvez y piéger le réseau neuronal. Un joueur professionnel n'a réussi à gagner que par tromperie.
Maintenant que nous comprenons les bases, nous pouvons discuter de l'utilisation des réseaux de neurones comme assistants pour les programmeurs.
4. L'utilisation des réseaux de neurones dans la création de spécifications techniques
4.1 Principe
Qui pourrait avoir besoin d'un logiciel? De nos jours, tout le monde a besoin et à des fins complètement différentes. Souvent, ils ne peuvent pas créer eux-mêmes le logiciel, ou ne le souhaitent donc pas, ils se tournent vers les programmeurs. Mais comment expliquez-vous à l'interprète ce que vous voulez? En principe, un programmeur peut rédiger une tâche technique et dire conditionnellement ce qui sera dans le programme, mais tout le monde ne sera pas complètement clair en raison de l'utilisation de termes ou sera mal compris. Que diriez-vous de rédiger les savoirs traditionnels individuellement? C'est difficile, long et pas si nécessaire à de tels coûts, mais quand il faut faire quelque chose de difficile et pour longtemps pourquoi ne pas assigner cette tâche à un ordinateur? Un réseau de neurones accomplira cette tâche.
4.2 Nécessité
Le constructeur est loin de programmer et en effet loin de l'ordinateur. Pour lui, la ligne "Processeur Intel Core i5 4200M 2,5 GHz et supérieur" ne dira rien du tout, et pourquoi a-t-elle alors besoin de savoirs traditionnels? Apprenons à un réseau de neurones à changer de ligne pour chacun individuellement en fonction de ce qu'il fait. Par exemple, prenez la même ligne du paragraphe 4.3 «Intel Core i5 4200M 2,5 GHz ou supérieur», par exemple, nous allons le remplacer par le nom court et le coût moyen de ce processeur sur le marché. Ce sera donc plus informatif pour le client.
4.3 Mise en œuvre
Cela peut être fait en utilisant la méthode d'enseignement avec un enseignant. À l'entrée, nous soumettons un ensemble d'informations que l'entrepreneur peut recevoir sur les clients conditionnels. Nous ajouterons également des raccourcis et les accrocherons aux personnes et un programme se bloquera derrière chaque raccourci, ce qui changera le texte. La tâche de classification standard est un ensemble de données et plusieurs options de réponse. Supposons qu'un réseau de neurones ait déterminé que le niveau de connaissances du client dans ce domaine n'est pas à un niveau élevé et y accroche une étiquette appropriée après qu'il se soit tourné vers le programme responsable de cette étiquette et que le texte a été remplacé par un texte correspondant aux connaissances du client. Ce n'est pas tout à fait exact, car le fonctionnement d'un réseau de neurones se réduit uniquement à déterminer le type de client, et le programme lui-même change le texte.
Que diriez-vous de remplacer le programme responsable des raccourcis par un réseau de neurones (
kremlebot ) similaire à celui utilisé pour créer des critiques pour les sites Web, les films et généralement où les critiques sont utilisées. Nous apprendrons au réseau neuronal à utiliser les termes inhérents à l'étiquette du client en échange des termes du programme, et bientôt le programme reformulera et transmettra les données à l'exécuteur testamentaire selon la description approximative du client. Il est très probable qu'au début, il ne sera possible d'utiliser les communications de réseau de neurones que pour le point «4. Exigences techniques pour le produit logiciel» car il y a principalement une «zone à problème». Point "8. L'horaire de travail »peut également être transféré au réseau neuronal, mais plus à ce sujet dans l'article 6.
Plus tard, lorsque les technologies évolueront un peu, il sera possible de transférer toute la conception de la tâche technique sur les épaules d'un réseau neuronal, ou plutôt, sur une chaîne connectée de réseaux neuronaux. Comme notre cerveau, les composants individuels seront responsables des processus individuels dans notre organisme neuronal artificiel. Tout cela permettra de détruire la barrière professionnelle de communication (aussi appelée barrière communicative) entre le client et l'entrepreneur.
4.4 Conclusion
La mise en œuvre de cela n'est pas très compliquée, notamment le premier réseau neuronal. Vous devrez bricoler avec le second, mais à la fin, il portera ses fruits. Une telle utilisation d'un réseau de neurones simplifiera l'interaction entre le client et l'entrepreneur.
5. L'utilisation des réseaux de neurones dans la création de méthodologies optimales de développement logiciel
Un homme accepte difficilement quelque chose de nouveau alors qu'il y est déjà habitué. Même si une pelle est plus pratique, plus simple, plus facile, une personne continuera d'utiliser un bâton pour creuser un trou. On le voit très clairement entre les générations. Les grands-mères, ayant la possibilité de payer un appartement communal à domicile via Internet, préfèrent conduire la moitié de la ville. Pourquoi? Parce que premièrement, ce sont des gens et, comme la plupart des gens, ils n'aiment pas vraiment le changement, deuxièmement, ils ne veulent pas apprendre de nouvelles choses, le jugent trop difficile pour eux et n'essaient même pas de s'y plonger. Il en va de même pour les méthodologies. Les entreprises, en particulier les grandes, ne sont pas très disposées à changer la méthodologie, qui fonctionne déjà. Mais que faire si la méthodologie choisie n'est pas optimale ou totalement inadaptée à un projet donné? Il est logique de dire ce qui doit être remplacé par celui qui est optimal, mais lequel sera celui et qu'est-ce que cela signifie optimal? Celui que l'équipe acceptera facilement, ou celui qui accélérera le développement? Qui peut confier un travail aussi responsable? Voyons comment les réseaux de neurones peuvent résoudre ce problème.
5.1 Mise en œuvre
Très probablement, pour un tel réseau, on ne peut pas le gérer et nous aurons à nouveau besoin d'une chaîne de connexions, chacune étant responsable d'une tâche distincte. Dans cette situation, nous avons un ensemble de données sur l'utilisation des méthodologies et les projets eux-mêmes pour lesquels elles ont été appliquées. Vous pouvez également ajouter des données sur les développeurs, mais cela compliquera grandement tout, nous allons donc les reporter pendant un certain temps. En présence d'un ensemble de données qui n'a pas de «réponse» signifie que nous utilisons la méthode sans enseignant. Le réseau de neurones lui-même trouvera la relation entre le temps consacré au développement et les données sur le projet lui-même. Très probablement, la précision ne sera pas très élevée en raison du facteur humain. Il faudra un deuxième réseau neuronal, qui analysera les développeurs en fonction, par exemple, de la correspondance (qui nécessitera leur consentement) ou de la façon dont ils préfèrent travailler. Et ajoutez des raccourcis comme ceux qui étaient au paragraphe 4 et nous les retournerons au premier réseau neuronal pour traitement. Ici, vous devrez utiliser la méthode avec une implication partielle de l'enseignant. Nous devrons sélectionner un groupe de personnes et identifier leurs caractères (raccourcis) par des tests et soumettre ces données à l'entrée. Maintenant, il est nécessaire de déterminer avec quoi le réseau de neurones recherchera une relation. Si vous prenez la correspondance, tout d'abord, les gens ne l'aimeront pas, car leurs données personnelles sont utilisées, d'autre part, cela ne donnera pas un résultat exact. Ensuite, nous allons essayer d'utiliser des données sur le travail de ces personnes, mais le problème ici est la disponibilité de ces données sur le réseau neuronal. Le transfert de correspondance à l'entrée ne sera pas difficile, mais comment collecter et transformer les données sur le travail de ces personnes? Allons de l’autre côté. En tant que "personnages", nous prenons 8 types de rôles identifiés par le Dr Meredith Belbin.
Nous avons maintenant des étiquettes et des caractéristiques spécifiques pour déterminer laquelle accrocher. Il est assez difficile de prendre en compte le facteur humain au vu de sa stochastique, mais néanmoins certains schémas sont tracés, ce qui peut être vu par le réseau neuronal. Supposons que le sujet ait le premier label "Président", mais l'Assemblée nationale ne le saura pas. Les caractéristiques de cette personnalité, que le réseau de neurones peut tirer des fichiers personnels de celui-ci lui suffiront. Sur la base des rapports, il sera également formé quel label sera appliqué à cette personne. En conséquence, un raccourci sera raccroché et envoyé au premier réseau neuronal pour le traitement et la recherche de relations. Tout cela est assez compliqué, mais cela ajoutera considérablement de précision lors du choix d'une méthodologie pour le réseau neuronal. Notre chaîne s'est formée et peut déterminer à partir des données d'entrée quelle méthodologie sera optimale dans le temps, en tenant compte des caractéristiques de l'équipe de développement. Si l'équipe utilise constamment le réseau de neurones pour sélectionner des méthodologies, elle apprendra pas à pas de mieux en mieux, se payant ainsi et augmentant sa précision. À partir de là, le réseau neuronal n'est pas la meilleure issue en raison d'un long apprentissage. Voyons ce que le machine learning peut faire d'autre pour nous.
5.2 Conclusion
Un réseau de neurones n'est pas tout à fait adapté à une telle tâche en raison du grand nombre de facteurs humains et d'une formation longue et coûteuse.
6. Test de logiciels à l'aide de réseaux de neurones
Nous sommes tous des êtres humains et nous avons tendance à faire des erreurs. Kevin Mitnik a dit un jour: «Les gens sont le maillon faible de la sécurité. Les gens, pas la technologie. » Avec le développement des technologies de développement logiciel, les mêmes problèmes persistent. Déficiences, bugs, erreurs. Tout cela apparaît en raison de la paresse humaine, de l'inattention ou non de la connaissance. Le débogage et les tests résolvent ce problème.
6.1 -
Les tests prennent jusqu'à soixante pour cent du temps total, ce qui est la plus longue étape du développement logiciel. Cela se produit en raison de la complexité de l'automatisation de cette étape en raison du manque de stochasticité des testeurs automatiques et de la complexité de leur création. La meilleure option est le test manuel, car aucun programme (pour le moment) ne peut remplacer complètement une personne. Long et difficile à mettre en œuvre? Nous utilisons à nouveau l'aide d'un réseau de neurones. Vous devez d'abord comprendre ce que signifie tester avec un réseau de neurones. Il est immédiatement nécessaire de comprendre que la création d'un testeur universel ne fonctionne pas, vous devrez créer séparément pour chaque tâche généralisée, par exemple, un réseau de neurones qui teste les sites. Tout d'abord, essayons de comprendre son principe de fonctionnement et si son utilisation dans ce sens est possible.Que demandons-nous? Qu'attendons-nous de sortir? L'échantillon de formation sera composé de sites éprouvés sur lesquels le réseau de neurones sera formé. Laissant notre ami vryatli librement nous obtenons le résultat souhaité, nous limitons donc le NS en termes d'objets qui peuvent être présents sur le site sont toutes sortes de boutons, barres, cases à cocher et actions que le réseau neuronal peut effectuer. Alors que le réseau neuronal s'amuse et se souvient de ce qui se passe avec une telle action, et avec cela, et cherche la dépendance, nous créons le site Web le plus bogué de tout ce qui existe et configurons le réseau neuronal pour envoyer un message si l'événement ne répond pas à ses attentes. En soumettant ce site à l'entrée, nous recevrons des messages sur d'éventuels bugs, automatisant ainsi le processus de création de la feuille d'acceptation.Laissant notre ami vryatli librement nous obtenons le résultat souhaité, nous limitons donc le NS en termes d'objets qui peuvent être présents sur le site sont toutes sortes de boutons, barres, cases à cocher et actions que le réseau neuronal peut effectuer. Alors que le réseau neuronal s'amuse et se souvient de ce qui se passe avec une telle action, et avec cela, et cherche la dépendance, nous créons le site Web le plus bogué de tout ce qui existe et configurons le réseau neuronal pour envoyer un message si l'événement ne répond pas à ses attentes. En soumettant ce site à l'entrée, nous recevrons des messages sur d'éventuels bugs, automatisant ainsi le processus de création de la feuille d'acceptation.Laissant notre ami vryatli librement nous obtenons le résultat souhaité, nous limitons donc le NS en termes d'objets qui peuvent être présents sur le site sont toutes sortes de boutons, barres, cases à cocher et actions que le réseau neuronal peut effectuer. Alors que le réseau neuronal s'amuse et se souvient de ce qui se passe avec une telle action, et avec cela, et cherche la dépendance, nous créons le site Web le plus bogué de tout ce qui existe et configurons le réseau neuronal pour envoyer un message si l'événement ne répond pas à ses attentes. En soumettant ce site à l'entrée, nous recevrons des messages sur d'éventuels bugs, automatisant ainsi le processus de création de la feuille d'acceptation.qu'un réseau de neurones peut effectuer. Alors que le réseau neuronal s'amuse et se souvient de ce qui se passe avec une telle action, et avec cela, et cherche la dépendance, nous créons le site Web le plus bogué de tout ce qui existe et configurons le réseau neuronal pour envoyer un message si l'événement ne répond pas à ses attentes. En soumettant ce site à l'entrée, nous recevrons des messages sur d'éventuels bugs, automatisant ainsi le processus de création de la feuille d'acceptation.qu'un réseau de neurones peut effectuer. Alors que le réseau neuronal s'amuse et se souvient de ce qui se passe avec une telle action, et avec cela, et cherche la dépendance, nous créons le site Web le plus bogué de tout ce qui existe et configurons le réseau neuronal pour envoyer un message si l'événement ne répond pas à ses attentes. En soumettant ce site à l'entrée, nous recevrons des messages sur d'éventuels bugs, automatisant ainsi le processus de création de la feuille d'acceptation.Application Web. Méthode de renforcement. Carotte et bâton.Il est difficile de prédire la précision de la version de test précédente, car le réseau de neurones peut ne pas apprendre correctement et s'attendre à un résultat illogique. Il existe une deuxième option qui est plus longue, mais plus précise et universelle. Le réseau neuronal surveillera simplement les actions des testeurs, apprenant ainsi en utilisant la méthode renforcée. Il recevra une grande quantité de données en trouvant une connexion en eux et en les reproduisant. Le réseau de neurones doit enregistrer non seulement les actions sur le site, mais aussi à quel moment le testeur enregistrera un message sur un bug pour trouver une connexion. Ici, nous obtenons déjà une version plus précise du testeur autonome. Mais en même temps, il existe un facteur humain qui n'est pas une tâche facile à décrire par fonction; il est donc difficile pour les réseaux de neurones de donner la stochasticité humaine.6.2
Lors des tests de logiciels, nous, comme la section précédente, pouvons utiliser la méthode avec des renforts. Une méthode extrêmement universelle qui vous permet d'enseigner presque tout à un réseau de neurones. Nous avons mis un réseau de neurones pour surveiller le grand nombre de testeurs. Nous diviserons ses fonctions en tests fonctionnels et tests non fonctionnels. Le réseau neuronal responsable des tests fonctionnels sera basé sur les termes de référence. Pour sa formation, nous utiliserons un ensemble de savoirs traditionnels et de bogues trouvés par les programmeurs dans ces programmes. Ici, vous pouvez également utiliser le réseau de neurones du paragraphe 5 pour ajouter des raccourcis aux données fournies à l'entrée. Ainsi, le NS pourra notifier d'éventuels bugs ou une erreur, ainsi que s'améliorer constamment au fil du temps et s'adapter à une équipe de développement spécifique.Pour les tests non fonctionnels, vous pouvez utiliser des programmes conventionnels car le réseau neuronal ne sera ici qu'une complication.6.3 Conclusion
Un réseau de neurones est bon pour tester des sites, mais en même temps, cela prendra beaucoup de temps pour s'entraîner. La même chose concerne les tests de logiciels, mais un peu plus difficile et plus difficile à mettre en œuvre les tests eux-mêmes.7. Conclusion
En résumé, nous pouvons dire que l'utilisation de réseaux de neurones pour le développement de logiciels accélérera le processus, mais pas dans tous les cas. Tout ce qui précède, bien sûr, ne fonctionne qu'en théorie, en pratique tout n'est peut-être pas aussi rose, mais le travail consiste à étudier la possibilité, au moins en théorie, d'accélérer le développement de logiciels à l'aide d'un réseau de neurones. Mon résultat final de l'étude est la réponse: et pas seulement en théorie, mais avec les approches individuelles et l'analyse d'une personne en tant que personne, il y aura de gros problèmes qui sont actuellement difficiles à surmonter. Pour une utilisation complète des réseaux de neurones en tant qu'assistants, une longue formation est nécessaire, qui sera plus tard payante. Le réseau neuronal est le mieux adapté pour créer des spécifications techniques, ou plutôt pour simplifier l'interaction entre l'entrepreneur et le client.Un réseau de neurones détruit la barrière de communication, ce qui accélère et facilite l'ensemble du processus. Il convient également de noter que la possibilité d'utiliser des réseaux de neurones dans les tests est également extrêmement utile. Un réseau de neurones peut prédire un bug possible que d'accélérer les tests. Cela n'accélérera pas considérablement le processus, mais le rendra un peu plus facile. Malheureusement, les réseaux de neurones ne sont pas très efficaces pour sélectionner les méthodologies. Un réseau de neurones ne peut pas commencer à comprendre les sentiments des gens; par conséquent, il ne peut choisir qu'une méthodologie basée sur des données statistiques.Malheureusement, les réseaux de neurones ne sont pas très efficaces pour sélectionner les méthodologies. Un réseau de neurones ne peut pas commencer à comprendre les sentiments des gens; par conséquent, il ne peut choisir qu'une méthodologie basée sur des données statistiques.Malheureusement, les réseaux de neurones ne sont pas très efficaces pour sélectionner les méthodologies. Un réseau de neurones ne peut pas commencer à comprendre les sentiments des gens; par conséquent, il ne peut choisir qu'une méthodologie basée sur des données statistiques.Les réseaux de neurones se développent à pas de géant et qui sait à quelle vitesse les mêmes androïdes humanoïdes apparaîtront dans nos maisons qui ( détruisent toute l'humanité ) amélioreront nos vies.
(Android Sofia)Les référencesNikolenko, S. Deep Learning: Immersion dans le monde des réseaux de neurones / S. Nikolenko, A. Kadurin, E. Arkhangelskaya - Saint-Pétersbourg - Deep Learning. - SPb: Peter, 2018-480 p .: Ill. - (Série "Bibliothèque du programmeur").