1. Pendahuluan
Saat ini, dibutuhkan banyak upaya untuk mengembangkan perangkat lunak. Terlalu banyak waktu dihabiskan untuk apa yang logis untuk menetapkan metodologi ke komputer, merancang, menulis spesifikasi teknis, pengujian, semua ini dilakukan oleh seseorang dan dilakukan dengan sangat lambat. Tetapi apakah ini mungkin secara prinsip? Doctor of Technical Sciences Maxim Shcherbakov dalam kuliahnya "Jaringan Saraf: matematika & sihir" menjawab: "Ya, itu mungkin." Adalah baik untuk memiliki asisten otomatis yang akan menyelesaikan masalah hanya dengan memiliki kriteria dan template tertentu, tetapi ia tidak harus membayar dan ia akan melakukannya dalam waktu sesingkat mungkin, tetapi tugas spesifik apa yang dapat diselesaikan oleh jaringan saraf hari ini? Perkembangan pembelajaran mesin hari ini mengambil lompatan tidak hari ini sehingga mesin besok dapat menggantikan seseorang dalam tugas rutin. Menyusun tugas teknis bukanlah hal yang paling menyenangkan, terutama karena kebutuhan untuk melukis semuanya dengan sangat rinci dan dalam bentuk (untuk lebih jelasnya, lihat poin 4). Setiap perusahaan memilih metodologi pengembangan perangkat lunak tertentu dan jarang mengubahnya. Tetapi bagaimana jika metodologi lain lebih baik untuk proyek daripada yang sebelumnya atau yang saat ini tidak cocok sama sekali? Akan logis untuk mengganti, tetapi yang mana yang harus dipilih (lebih detail dalam paragraf 5)? Pengujian yang tepat harus mengambil jumlah waktu dan orang yang layak. Cukup mahal dan panjang (lebih banyak dalam paragraf 6). Jaringan saraf akan mengurangi biaya dan mempercepat semua tahapan ini.
2. Singkatan
NS - Jaringan Saraf Tiruan
Perangkat Lunak - Perangkat Lunak
TK - Kerangka Acuan
AI - Kecerdasan Buatan
3. Jaringan saraf tiruan
Apa itu kecerdasan buatan? Secara kasar, ini adalah simulasi seseorang menggunakan komputer. Tes Turing, dalam arti tertentu, menjawab pertanyaan ini. Terdiri dari kenyataan bahwa selama dialog seseorang harus memutuskan siapa orang atau mesin di depannya. Saat ini, tes Turing dianggap kurang tepat dan metode lain untuk menguji kecerdasan buatan digunakan. Untuk pemahaman yang lebih baik tentang mengapa tes ini tidak sepenuhnya benar, Anda bisa membaliknya. Bagaimana komputer tahu bahwa itu adalah orang di depannya? Dia akan bertanya berapa 754534 * 32 akan dan mulai timer. Oleh karena itu, sama seperti kita tidak dapat menyelesaikan persamaan dengan cukup cepat, maka mesin (untuk saat ini) tidak dapat sepenuhnya mensimulasikan komunikasi manusia dengan semua kehalusan dan fitur-fiturnya. Dalam pandangan ini, simulasi otak secara lengkap oleh komputer tampaknya tidak mungkin. Jadi untuk saat ini, kami menggunakan kecerdasan buatan hanya sebagai asisten di bidang tertentu.
3.1 Sejarah Singkat AI
Sejarah perkembangan kecerdasan buatan tidak terlalu menyenangkan dan mulus. Eksperimen awal tentang penciptaan kecerdasan buatan membantu beberapa perusahaan menghemat jumlah uang yang tidak sedikit. Misalnya, Digital Equipment Corporation, menggunakan kecerdasan buatan, menghemat $ 10 juta per tahun. Chatbots, sistem identifikasi bakteri, dan banyak lagi juga dikembangkan. Setelah itu, perusahaan intelijen buatan tidak dapat memenuhi semua tujuan mulia mereka dan akhirnya ditutup, karena ini, masa-masa sulit datang untuk AI dan masyarakat mulai melirik pembelajaran mesin dan jaringan saraf. Pada tahun 1943, Warren McCallock dan Walter Pitts menciptakan istilah jaringan saraf tiruan. Model melakukan perhitungan menggunakan neuron biologis. Dan setelah 63 tahun di universitas Toronto dan Montreal mereka mulai mengajar jaringan saraf yang mendalam dengan kekuatan dan utama, yang menjadi revolusi nyata untuk pembelajaran mesin!
3.2 Prinsip jaringan saraf, keberhasilan dan kelemahannya
Dalam bentuk yang disederhanakan, prinsip operasi dari jaringan saraf adalah untuk menemukan dependensi dan mengubah bobot.Jika tindakan itu benar, maka skala yang bertanggung jawab untuk tindakan ini diperkuat dan sebaliknya. Dan lebih tepatnya, prinsipnya adalah mengurangi beberapa fungsi kesalahan. Keturunan gradien paling sering digunakan untuk tujuan ini.
Setiap orang telah mendengar tentang keberhasilan jaringan saraf. Mereka mengalahkan juara permainan GO, untuk bermain yang, secara teori, merupakan hak prerogatif seseorang dan bagi komputer itu terlalu rumit, tetapi tampaknya ini tidak benar. Belum lama berselang, pada 2015, AlphaGo memenangkan juara dengan memenangkan empat dari lima pertandingan. Tidak buruk kan? Dua tahun kemudian, pada 2017, jaringan saraf ditingkatkan dan dia mengalahkan 9 juara GO, memenangkan enam puluh dari enam puluh pertandingan. Hal terburuk bagi sang juara adalah bahwa program itu bertindak benar-benar acak dan pada akhirnya tetap menang. Bagaimana Google (pengembang AlphaGo) mencapai hasil ini? Semuanya baru saja ditingkatkan dengan pelatihan AlphaGo dengan pendahulunya. Jaringan saraf itu sendiri menemukan kekurangan dan memperbaikinya.
Jaringan saraf juga belajar menulis musik. Setelah "mendengarkan" karya-karya klasik dunia, jaringan saraf menyusun musiknya sendiri, dan tanpa pemahaman yang baik tentang pembelajaran mesin, hampir tidak mungkin membedakan penciptaan manusia dari penciptaan mesin. Pada kuliah "Neural Networks: maths & magic" mereka memasukkan salah satu karya komputasi komputer dan menawarkan untuk mendengarkan sebelumnya dengan mengatakan bahwa itu diciptakan oleh musisi yang hebat. Setelah mendengarkan audiensi, mereka bertanya: "Adakah yang ketagihan?" beberapa menjawab ya. Ternyata mobil bisa lakukan? Jawabannya cukup sulit. Untuk memahami alasannya, kita akan melihat prinsip jaringan saraf menggunakan contoh kamar dengan jumlah selebaran yang sangat besar dengan simbol yang tidak kita mengerti. Kami memiliki algoritme tentang bagaimana, di mana, dan mana yang akan bergeser atau kami sendiri membangun algoritme ini berdasarkan apakah kami didorong atau dimarahi atas tindakan kami. Dan di sini kami mendapatkan permintaan untuk input, setelah kami menjalankan untuk menggeser daun sesuai dengan algoritma kami dan kami mendapatkan satu set daun terlipat untuk output, kami tidak mengerti apa arti simbol-simbol ini pada input dan apa yang kami dapatkan pada output, kami adalah jaringan saraf. Mari kita kembali membuat musik. Ternyata jaringan saraf tidak menciptakan karya, itu hanya kacau tetapi dengan aturan tertentu itu mengalahkan akord tanpa memahami apa yang dilakukannya (itu mengingatkan pada lukisan modern). Salah satu contoh musik yang dibuat oleh jaringan saraf dari Yandex:
Mereka juga belajar cara menggambar jaringan saraf menggunakan prinsip yang sama dengan musik.
Seperti yang Anda lihat, pembelajaran mesin memungkinkan Anda untuk menyelesaikan berbagai macam tugas. Tetapi bagaimana cara mengajari mereka bagaimana melakukan semua ini? Rahasianya terletak pada pembelajaran mesin. Mari kita kembali ke ruangan dengan daun dan ingat bahwa "kita memiliki algoritma bagaimana, di mana dan daun yang akan ditransfer" dalam situasi ini jaringan saraf sudah dilatih. Dia tahu apa dan di mana harus meletakkan, tetapi ada juga pilihan kedua "kita sendiri membangun algoritma ini berdasarkan apakah kita didorong atau dimarahi untuk tindakan kita" itu adalah opsi ini yang merumuskan apa yang disebut pelatihan jaringan saraf penguatan. "Guru" tertentu mendorong tindakan yang benar dari jaringan saraf, sebagai akibatnya ia ingat dan mencoba menemukan ketergantungan pada tindakan yang benar atau "guru" menegur jaringan saraf karena kesalahannya dan ia semakin berusaha menemukan ketergantungan pada tindakan yang benar. Jaringan saraf juga diajarkan menggunakan metode: dengan guru, tanpa guru, dengan keterlibatan sebagian guru. Pilihannya tergantung pada kondisi di mana jaringan saraf dilatih.
Menggunakan pelatihan dengan seorang guru, kita harus mengirimkan dataset dengan jawaban yang benar atau dataset pelatihan lain untuk input, setelah itu jaringan saraf harus mengidentifikasi pola dan merespons dengan benar terhadap dataset uji. Biasanya (yang logis) jaringan saraf lebih sering keliru pada sampel uji, ini disebabkan oleh "masalah pelatihan ulang".
Ketika sebuah jaringan saraf memproses data yang sama terlalu banyak, itu secara eksklusif beradaptasi dengan sampel data ini, sebagai akibatnya, pada sampel baru di mana banyak jaringan saraf yang berbeda salah.
Menggunakan pelatihan tanpa guru, kami juga mengirimkan data, tetapi kami tidak tahu jawaban yang benar dan tugasnya adalah menemukan ketergantungan pada data ini. Pelatihan guru parsial paling sering digunakan dalam pelatihan jaringan saraf yang mampu memproses suara. Kita dapat menemukan data sebanyak yang kita inginkan, tetapi markup harus dilakukan secara manual.
Yang paling menarik (menurut beberapa pendapat) adalah pelatihan penguatan, karena kita pada dasarnya dapat mengajarkan apapun kepada jaringan saraf hanya dengan mencatat tindakan yang benar atau salah yang dilakukan. Pada tahun 2017, kejuaraan e-sports DOTA 2 diadakan dengan nama "The International 2017", di mana pemain profesional memainkan permainan melawan jaringan saraf OpenAI (meskipun dengan beberapa batasan). Profesional tidak memiliki kesempatan untuk menang. Untuk melatih jaringan saraf ini, metode penguatan digunakan. Jaringan saraf telah bermain berkali-kali dan telah belajar untuk menang tanpa masalah. Tentu saja, itu tidak berhasil tanpa masalah sama sekali, karena gim ini agak rumit dan Anda dapat mengelabui jaringan saraf ke dalamnya. Satu pemain profesional berhasil menang hanya melalui penipuan.
Sekarang setelah kita memahami dasar-dasarnya, kita dapat mendiskusikan penggunaan jaringan saraf sebagai asisten untuk programmer.
4. Penggunaan jaringan saraf dalam penciptaan spesifikasi teknis
4.1 Prinsip
Siapa yang mungkin membutuhkan perangkat lunak? Saat ini, semua orang membutuhkan dan untuk tujuan yang sama sekali berbeda. Seringkali mereka sendiri tidak dapat membuat perangkat lunak sendiri, atau karena itu tidak mau, mereka beralih ke pemrogram. Tetapi bagaimana Anda menjelaskan kepada pemain apa yang Anda inginkan? Pada prinsipnya, seorang programmer dapat menyusun tugas teknis dan memberi tahu kondisional apa yang akan ada dalam program, tetapi tidak semua orang akan sepenuhnya jelas karena penggunaan istilah atau akan disalahpahami. Bagaimana dengan menyusun TK secara individual? Sulit, lama dan tidak begitu diperlukan dengan biaya seperti itu, tetapi ketika perlu untuk melakukan sesuatu yang sulit dan untuk waktu yang lama mengapa tidak menetapkan tugas ini ke komputer? Jaringan saraf akan menyelesaikan tugas ini.
4.2 Kebutuhan
Pembuatnya jauh dari pemrograman dan memang jauh dari komputer. Baginya, garis "prosesor Intel Core i5 4200M 2,5 GHz dan lebih tinggi" tidak akan mengatakan apa-apa, dan mengapa kemudian perlu TK sama sekali? Mari kita ajarkan jaringan saraf untuk mengubah garis untuk setiap individu berdasarkan apa yang dia lakukan. Misalnya, ambil baris yang sama dari paragraf 4.3 "Intel Core i5 4200M 2,5 GHz atau lebih tinggi", misalnya, kami akan mengubahnya menjadi nama pendek dan biaya rata-rata prosesor ini di pasaran. Sehingga akan lebih informatif bagi pelanggan.
4.3 Implementasi
Ini dapat dilakukan dengan menggunakan metode pengajaran dengan seorang guru. Di pintu masuk, kami menyerahkan serangkaian informasi yang dapat diterima kontraktor tentang pelanggan bersyarat. Kami juga akan menambahkan pintasan dan menggantungnya pada orang-orang dan sebuah program akan menggantung di belakang setiap pintasan, yang akan mengubah teks. Tugas klasifikasi standar adalah kumpulan data dan beberapa opsi jawaban. Misalkan jaringan saraf telah menentukan bahwa tingkat pengetahuan pelanggan di bidang ini tidak pada tingkat tinggi dan menggantung label yang sesuai setelah beralih ke program yang bertanggung jawab untuk label ini dan teks telah diganti dengan yang sesuai dengan pengetahuan pelanggan. Ini tidak sepenuhnya benar, karena operasi jaringan saraf dikurangi hanya untuk menentukan jenis pelanggan, dan program itu sendiri mengubah teks.
Bagaimana dengan mengganti program yang bertanggung jawab untuk pintasan dengan jaringan saraf (
kremlebot ) mirip dengan yang digunakan untuk membuat ulasan untuk situs web, film, dan umumnya di mana ulasan digunakan. Kami akan mengajarkan jaringan saraf untuk menggunakan istilah-istilah yang melekat pada label pelanggan sebagai ganti persyaratan program, dan segera program akan menyusun ulang dan mengirimkan data ke pelaksana sesuai dengan perkiraan deskripsi pelanggan. Kemungkinan besar, pada awalnya akan mungkin untuk menggunakan komunikasi jaringan saraf hanya untuk poin "4. Persyaratan teknis untuk produk perangkat lunak" karena fakta bahwa ada terutama "zona masalah" di sana. Butir "8. Jadwal kerja ”juga dapat ditransfer ke jaringan saraf, tetapi lebih pada itu dalam klausa 6.
Kemudian, ketika teknologi berkembang sedikit, adalah mungkin untuk mentransfer seluruh desain tugas teknis ke pundak jaringan saraf, atau lebih tepatnya, ke rantai jaringan saraf yang terhubung. Seperti otak kita, komponen individu akan bertanggung jawab atas proses individu dalam organisme saraf tiruan kita. Semua ini akan memungkinkan untuk menghancurkan penghalang komunikasi profesional (juga disebut penghalang komunikasi) antara pelanggan dan kontraktor.
4.4 Kesimpulan
Implementasi ini tidak terlalu rumit, terutama jaringan saraf pertama. Anda harus mengotak-atik yang kedua, tetapi pada akhirnya, itu akan berbuah. Penggunaan jaringan saraf semacam itu akan menyederhanakan interaksi antara pelanggan dan kontraktor.
5. Penggunaan jaringan saraf dalam menciptakan metodologi pengembangan perangkat lunak yang optimal
Seorang pria hampir tidak menerima sesuatu yang baru ketika dia sudah terbiasa. Sekalipun sekop lebih nyaman, lebih sederhana, lebih mudah, seseorang akan terus menggunakan tongkat untuk menggali lubang. Ini sangat jelas terlihat antar generasi. Nenek, yang memiliki kesempatan untuk membayar apartemen bersama dari rumah melalui Internet, lebih suka mengemudi setengah kota. Mengapa Karena pertama-tama mereka adalah orang-orang dan seperti kebanyakan orang yang mereka tidak benar-benar suka perubahan, kedua mereka tidak ingin belajar hal-hal baru, menganggapnya terlalu sulit bagi mereka dan bahkan tidak mencoba menggali ke dalamnya. Hal yang sama berlaku untuk metodologi. Perusahaan, terutama yang besar, tidak mau mengubah metodologi, yang sudah berfungsi. Tetapi bagaimana jika metodologi yang dipilih tidak optimal atau sama sekali tidak cocok untuk proyek yang diberikan? Adalah logis untuk mengatakan apa yang perlu diganti dengan yang optimal, tetapi mana yang akan menjadi dan apa artinya optimal? Yang akan diterima dengan mudah oleh tim, atau yang akan mempercepat pengembangan? Siapa yang bisa mempercayakan pekerjaan yang bertanggung jawab seperti itu? Mari kita lihat bagaimana jaringan saraf dapat menyelesaikan ini.
5.1 Implementasi
Kemungkinan besar, untuk jaringan seperti itu orang tidak dapat mengelola dan kita akan membutuhkan rantai koneksi, yang masing-masing akan bertanggung jawab untuk tugas yang terpisah. Dalam situasi ini, kami memiliki satu set data tentang penggunaan metodologi dan proyek itu sendiri untuk mana mereka diterapkan. Anda juga dapat menambahkan data tentang pengembang, tetapi ini akan sangat menyulitkan semuanya, jadi kami akan menundanya untuk sementara waktu. Di hadapan kumpulan data yang tidak memiliki "respons" berarti kita menggunakan metode ini tanpa guru. Jaringan saraf itu sendiri akan menemukan hubungan antara waktu yang dihabiskan untuk pengembangan dan data pada proyek itu sendiri. Kemungkinan besar, akurasinya tidak akan terlalu tinggi karena faktor manusia. Dibutuhkan jaringan saraf kedua, yang akan menganalisis pengembang berdasarkan, misalnya, korespondensi (yang akan memerlukan persetujuan mereka) atau bagaimana mereka lebih suka bekerja. Dan tambahkan pintasan seperti yang ada di paragraf 4 dan kami akan mengembalikannya ke jaringan saraf pertama untuk diproses. Di sini Anda harus menggunakan metode ini dengan keterlibatan sebagian guru. Kami harus memilih sekelompok orang dan mengidentifikasi karakter mereka (pintasan) dengan tes dan mengirimkan data ini ke input. Sekarang perlu untuk menentukan dengan apa jaringan saraf akan mencari hubungan. Jika Anda mengambil korespondensi, maka pertama-tama orang tidak akan menyukainya, karena data pribadi mereka digunakan, kedua tidak akan memberikan hasil yang tepat. Kemudian kami akan mencoba menggunakan data pada pekerjaan orang-orang ini, tetapi masalahnya di sini adalah ketersediaan data ini ke jaringan saraf. Mentransfer korespondensi ke pintu masuk tidak akan sulit, tetapi bagaimana cara mengumpulkan dan mengubah data tentang pekerjaan orang-orang ini? Mari kita pergi ke sisi lain. Sebagai "karakter" kami mengambil 8 jenis peran yang diidentifikasi oleh Dr. Meredith Belbin.
Sekarang kami memiliki label dan karakteristik khusus untuk menentukan yang mana yang akan digunakan. Agak sulit untuk memperhitungkan faktor manusia dalam pandangan stokastiknya, tetapi bagaimanapun beberapa pola dilacak, yang dapat dilihat oleh jaringan saraf. Misalkan subjek akan memiliki label pertama "Ketua", tetapi Majelis Nasional tidak akan tahu tentang hal itu. Karakteristik kepribadian ini, jaringan saraf dapat mengambil dari file pribadi ini akan cukup baginya. Berdasarkan laporan, juga akan dibentuk label mana yang akan diterapkan pada orang ini. Akibatnya, jalan pintas akan digantung dan dikirim ke jaringan saraf pertama untuk memproses dan menemukan hubungan. Semua ini cukup rumit, tetapi akan secara signifikan menambah akurasi ketika memilih metodologi untuk jaringan saraf. Rantai kami telah dilatih, dan dapat menentukan dari input data metodologi mana yang akan optimal dalam waktu, dengan mempertimbangkan karakteristik tim pengembangan. Jika tim akan terus-menerus menggunakan jaringan saraf untuk memilih metodologi, maka langkah demi langkah akan belajar lebih baik dan lebih baik sehingga membayar untuk dirinya sendiri dan meningkatkan keakuratannya. Berangkat dari ini, jaringan saraf bukan jalan keluar terbaik karena kemampuan belajar yang panjang. Mari kita lihat apa lagi yang bisa dilakukan pembelajaran mesin untuk kita.
5.2 Kesimpulan
Jaringan saraf tidak cukup cocok untuk tugas seperti itu karena banyaknya faktor manusia dan pelatihan yang panjang dan mahal.
6. Menguji perangkat lunak menggunakan jaringan saraf
Kita semua adalah manusia dan kita cenderung membuat kesalahan. Kevin Mitnik pernah berkata: “Orang adalah mata rantai terlemah dalam keamanan. Manusia, bukan teknologi. ” Dengan perkembangan teknologi pengembangan perangkat lunak, masalah yang sama selalu tetap ada. Kekurangan, bug, kesalahan. Semua ini muncul karena kemalasan manusia, kurang perhatian atau tidak pengetahuan. Debugging dan pengujian memecahkan masalah ini.
6.1 -
Pengujian membutuhkan sebanyak enam puluh persen dari total waktu, ini adalah tahap pengembangan perangkat lunak terpanjang. Ini terjadi karena kompleksitas otomatisasi tahap ini karena kurangnya stokastik dalam penguji otomatis dan kompleksitas kreasi mereka. Pilihan terbaik adalah pengujian manual, karena tidak ada program (saat ini) yang dapat sepenuhnya menggantikan seseorang. Lama dan sulit diimplementasikan? Kami kembali menggunakan bantuan jaringan saraf. Pertama, Anda perlu memahami apa artinya pengujian dengan jaringan saraf. Sangat penting untuk memahami bahwa membuat penguji universal tidak berfungsi, Anda harus membuat untuk setiap tugas umum secara terpisah, misalnya, jaringan saraf yang menguji situs. Pertama, mari kita coba mencari tahu prinsip operasinya dan apakah penggunaannya dalam arah ini dimungkinkan.Apa yang kita serahkan ke pintu masuk? Apa yang kita harapkan untuk keluar? Sampel pelatihan akan terdiri dari situs yang terbukti di mana jaringan saraf akan dilatih. Membiarkan teman kita vryatli dengan bebas kita mendapatkan hasil yang diinginkan, jadi kita membatasi NS dalam hal objek yang dapat hadir di situs adalah segala macam tombol, bilah, kotak centang dan tindakan yang dapat dilakukan oleh jaringan saraf. Sementara jaringan saraf sedang bersenang-senang dan mengingat apa yang terjadi dengan tindakan seperti itu, dan dengan ini, dan mencari kecanduan, kami membuat situs web yang paling bermasalah dari semua yang ada dan mengkonfigurasi jaringan saraf untuk mengirim pesan jika acara tersebut tidak memenuhi harapannya. Dengan mengirimkan situs ini ke pintu masuk, kami akan menerima pesan tentang kemungkinan bug, sehingga mengotomatiskan proses pembuatan Lembar Penerimaan.Membiarkan teman kita vryatli dengan bebas kita mendapatkan hasil yang diinginkan, jadi kita membatasi NS dalam hal objek yang dapat hadir di situs adalah segala macam tombol, bilah, kotak centang dan tindakan yang dapat dilakukan oleh jaringan saraf. Sementara jaringan saraf sedang bersenang-senang dan mengingat apa yang terjadi dengan tindakan seperti itu, dan dengan ini, dan mencari kecanduan, kami membuat situs web yang paling bermasalah dari semua yang ada dan mengkonfigurasi jaringan saraf untuk mengirim pesan jika acara tersebut tidak memenuhi harapannya. Dengan mengirimkan situs ini ke pintu masuk, kami akan menerima pesan tentang kemungkinan bug, sehingga mengotomatiskan proses pembuatan Lembar Penerimaan.Membiarkan teman kita vryatli dengan bebas kita mendapatkan hasil yang diinginkan, jadi kita membatasi NS dalam hal objek yang dapat hadir di situs adalah segala macam tombol, bilah, kotak centang dan tindakan yang dapat dilakukan oleh jaringan saraf. Sementara jaringan saraf sedang bersenang-senang dan mengingat apa yang terjadi dengan tindakan seperti itu, dan dengan ini, dan mencari kecanduan, kami membuat situs web yang paling bermasalah dari semua yang ada dan mengkonfigurasi jaringan saraf untuk mengirim pesan jika acara tersebut tidak memenuhi harapannya. Dengan mengirimkan situs ini ke pintu masuk, kami akan menerima pesan tentang kemungkinan bug, sehingga mengotomatiskan proses pembuatan Lembar Penerimaan.dimana jaringan saraf dapat melakukan. Sementara jaringan saraf sedang bersenang-senang dan mengingat apa yang terjadi dengan tindakan seperti itu, dan dengan ini, dan mencari kecanduan, kami membuat situs web yang paling bermasalah dari semua yang ada dan mengkonfigurasi jaringan saraf untuk mengirim pesan jika acara tersebut tidak memenuhi harapannya. Dengan mengirimkan situs ini ke pintu masuk, kami akan menerima pesan tentang kemungkinan bug, sehingga mengotomatiskan proses pembuatan Lembar Penerimaan.dimana jaringan saraf dapat melakukan. Sementara jaringan saraf sedang bersenang-senang dan mengingat apa yang terjadi dengan tindakan seperti itu, dan dengan ini, dan mencari kecanduan, kami membuat situs web yang paling bermasalah dari semua yang ada dan mengkonfigurasi jaringan saraf untuk mengirim pesan jika acara tersebut tidak memenuhi harapannya. Dengan mengirimkan situs ini ke pintu masuk, kami akan menerima pesan tentang kemungkinan bug, sehingga mengotomatiskan proses pembuatan Lembar Penerimaan.Aplikasi web. Metode penguatan. Wortel dan tongkat.Sulit untuk memprediksi seberapa akurat versi pengujian sebelumnya, karena jaringan saraf mungkin tidak belajar dengan benar dan mengharapkan hasil yang tidak logis. Ada opsi kedua yang lebih panjang, tetapi lebih akurat dan universal. Jaringan saraf hanya akan memantau tindakan penguji sehingga belajar menggunakan metode yang diperkuat. Ini akan menerima sejumlah besar data dengan menemukan koneksi di dalamnya dan mereproduksi mereka. Jaringan saraf harus merekam tidak hanya tindakan di situs, tetapi juga pada titik mana tester akan merekam pesan tentang bug untuk menemukan koneksi. Di sini kita sudah mendapatkan versi yang lebih akurat dari penguji mandiri. Tetapi pada saat yang sama, baik di sana maupun di sana, ada faktor manusia yang bukan tugas yang mudah untuk dideskripsikan berdasarkan fungsinya, oleh karena itu, sulit bagi jaringan saraf untuk memberikan stokastik manusia.6.2
Saat menguji perangkat lunak, kami, seperti bagian sebelumnya, dapat menggunakan metode ini dengan bala bantuan. Metode yang sangat universal yang memungkinkan Anda untuk mengajarkan jaringan saraf hampir semua hal. Kami menempatkan jaringan saraf untuk memantau sejumlah besar penguji. Kami akan membagi fungsinya menjadi pengujian fungsional dan pengujian non-fungsional. Jaringan saraf yang bertanggung jawab untuk pengujian fungsional akan didasarkan pada kerangka acuan. Untuk pelatihannya, kami akan menggunakan satu set TK dan bug yang ditemukan oleh programmer dalam program ini. Di sini Anda juga dapat menggunakan jaringan saraf mulai dari paragraf 5 untuk menambahkan pintasan ke data yang diberikan ke input. Dengan demikian, NS akan dapat memberi tahu kemungkinan adanya bug atau kesalahan, serta terus-menerus memperbaiki diri dari waktu ke waktu dan menyesuaikan diri dengan tim pengembangan tertentu.Untuk pengujian non-fungsional, Anda dapat menggunakan program konvensional karena jaringan saraf di sini hanya akan menyulitkan.6.3 Kesimpulan
Jaringan saraf bagus untuk menguji lokasi, tetapi pada saat yang sama akan membutuhkan banyak waktu untuk melatih. Tentang hal yang sama dengan pengujian perangkat lunak, tetapi agak lebih buruk dan lebih sulit untuk mengimplementasikan pengujian itu sendiri.7. Kesimpulan
Kesimpulannya, kita dapat mengatakan bahwa penggunaan jaringan saraf untuk pengembangan perangkat lunak akan mempercepat proses, tetapi tidak dalam semua kasus. Semua hal di atas, tentu saja, hanya bekerja dalam teori, dalam praktiknya segala sesuatu mungkin tidak begitu cerah, tetapi tugasnya adalah mempelajari kemungkinan, setidaknya secara teori, untuk mempercepat pengembangan perangkat lunak menggunakan jaringan saraf. Hasil akhir saya dari penelitian ini adalah jawabannya: dan tidak hanya secara teori, tetapi dengan pendekatan dan analisis individu sebagai pribadi, akan ada masalah besar yang saat ini sulit diatasi. Untuk penggunaan penuh jaringan saraf sebagai asisten, diperlukan pelatihan panjang, yang nantinya akan membuahkan hasil. Jaringan saraf paling cocok untuk membuat spesifikasi teknis, atau lebih tepatnya untuk menyederhanakan interaksi antara kontraktor dan pelanggan.Jaringan saraf menghancurkan penghalang komunikasi, yang mempercepat dan memfasilitasi seluruh proses. Perlu juga dicatat kemungkinan menggunakan jaringan saraf dalam pengujian juga sangat berguna. Jaringan saraf dapat memprediksi kemungkinan bug daripada mempercepat pengujian. Ini tidak akan secara dramatis mempercepat proses, tetapi akan membuatnya sedikit lebih mudah. Sayangnya, jaringan saraf tidak terlalu efektif dalam memilih metodologi. Jaringan saraf tidak dapat mulai memahami perasaan orang, oleh karena itu, ia hanya dapat memilih metodologi berdasarkan data statistik.Sayangnya, jaringan saraf tidak terlalu efektif dalam memilih metodologi. Jaringan saraf tidak dapat mulai memahami perasaan orang, oleh karena itu, ia hanya dapat memilih metodologi berdasarkan data statistik.Sayangnya, jaringan saraf tidak terlalu efektif dalam memilih metodologi. Jaringan saraf tidak dapat mulai memahami perasaan orang, oleh karena itu, ia hanya dapat memilih metodologi berdasarkan data statistik.Jaringan saraf berkembang dengan pesat dan siapa tahu seberapa cepat android humanoid yang sama akan muncul di rumah kita yang (akan menghancurkan semua manusia ) akan meningkatkan kehidupan kita.
(Android Sofia)ReferensiNikolenko, S.Pelajaran Jauh: Perendaman di Dunia Jaringan Saraf / S. Nikolenko, A. Kadurin, E. Arkhangelskaya - St. Petersburg - Pembelajaran Dalam. - SPb: Peter, 2018 - 480 p .: Ill. - (Seri "Perpustakaan Programmer").