Mortoff Blog

Innováció az autógyártásban: Egy hatékonyságnövelő automatizációs projekt története
Az autógyártásban a pontosság és az időzítés kulcsfontosságú. Egyik legutóbbi projektünk éppen ezen alapelvek mentén született: célunk az volt, hogy egy ügyfelünk számára az autógyártási alkatrészek optimális mennyiségének rendelését teljes mértékben automatizáljuk.

A mesterséges intelligencia (AI) egyre nagyobb szerepet játszik a szoftverfejlesztésben és a tesztelésben, megkönnyítve és felgyorsítva számos feladatot. Az AI képes automatizálni a tesztek létrehozását, optimalizálni a tesztelési lefedettséget, és segíteni a hibák gyors felismerésében. Azonban, bármennyire is fejlett legyen az AI, nem tud mindent megoldani a tesztelési folyamatokban. Számos terület van, ahol az emberi szakértelem és megítélés továbbra is nélkülözhetetlen. 

A saját fejlesztésű ipari adat platform megoldásunk valós időben gyűjt adatokat szenzorokból, PLC-kből és egyéb adatforrásokból, hogy átfogó képet nyújtson az energiafelhasználásról. A rendszer nemcsak nyers idősoros adatokat kezel, hanem származtatott adatokat is képes előállítani a nyers adatok transzformációjával, így értékes betekintéseket nyújt az energiahatékonyság optimalizálásához és az energiapazarlás megelőzéséhez. 

A szoftverfejlesztés világában az AI (mesterséges intelligencia) egyre inkább beépül a mindennapi folyamatokba, és nem kivétel ez alól a teszt automatizálás sem. Az AI-alapú tesztelés lehetőséget nyújt arra, hogy a QA (minőségbiztosítás) szakemberek gyorsabban, pontosabban és hatékonyabban végezzék munkájukat. Az alábbiakban bemutatunk néhányat a legnépszerűbb AI teszt automatizáló eszközök közül, amelyek átalakítják a szoftvertesztelés világát. 

A .NET Aspire egy nyílt forráskódú projekt, amely főként felhőben futtatott, modern, skálázható és elosztott alkalmazások készítéséhez ad támogatást a fejlesztők számára. Teszi mindezt konzisztens és jól bevált minták alkalmazásával. Alapvetően NuGet csomagokat és Visual Studio projekt sablonokat tartalmaz, amelyek segítségével gyorsan és hatékonyan hozhatunk létre éles környezetre kész, jól monitorozható elosztott alkalmazásokat. 

Az AI technológiák rohamos fejlődésével egyre több vállalat és szervezet dönt úgy, hogy saját szervereken futtatja mesterséges intelligencia megoldásait. Az on-premise AI rendszerek számos előnyt kínálnak, például nagyobb adatbiztonságot, testreszabhatóságot és költséghatékonyságot. 

A Java továbbra is népszerű a szerveroldali fejlesztésekben, érdemes időről időre áttekinteni, hogy milyen fejlesztésekkel jelentkeztek a Java platformú szerveroldali keretrendszerek. 

Milyen hatással lesz az AI az iparvállalatokra? Tényleg felforgatja-e a szervezeti működést a mesterséges intelligencia? Mik a gyakorlati tapasztalatok az AI beveztésével kapcsolatban a vállalati kultúra terén? Hogyan készülhet fel egy vezető az AI bevezetésére?
TALÁLKOZZUNK AZ IPAR 4.0 BACKSTAGE ELSŐ ÉLŐ PODCASTFELVÉTELÉN!

A mesterséges intelligencia (AI) térnyerése a szoftverfejlesztésben vitathatatlan, és a .NET platform sem maradhat ki ebből a forradalomból. Az ML.NET egy Microsoft által fejlesztett nyílt forráskódú gépi tanulási keretrendszer, kifejezetten a .NET fejlesztők számára készült, hogy gépi tanulási képességeket integrálhassanak meglévő és új alkalmazásaikba.  

A Python egy sokoldalú programozási nyelv, amit széleskörűen használnak adatelemzési, adatmanipulációs és adatvizualizációs feladatokhoz is. A Power BI alapvetően rendelkezik saját beépített adatfeldolgozási és manipulálási képességekkel, azonban beillesztett Python kódok használatával kiterjeszthetjük az eszköz funkcionalitását és a rugalmasságát. Rövid áttekintésünkben ennek előnyeit és hátrányait vizsgáljuk.

Kinek nem jutott még eszébe, hogy a ChatGPT-vel készítsen el egy válaszlevelet vagy egy jelentést a főnökének? Vajon van olyan diák, aki nem készítené el a házi feladatot, vagy az egyetemi beadandókat vele? No és erről mi a véleményük az oktatóknak? Pár hónapja, 2024 január végén szerveztünk egy workshopot hat magyar egyetem részvételével a (generatív) AI egyetemi oktatásra gyakorolt hatásairól.

Talán az első dolgok között van, amit egy informatikus megtanul, hogy mi a különbség az adat és az információ között. Az adatok csupán nyers tények, önmagukban nem szüntetnek meg bizonytalanságokat, viszont gondolkodás vagy az adatok gépi feldolgozása után információ jöhet létre belőlük, ami már képes erre. Az adatokat rendszerezni, értelmezni és vizualizálni kell, hogy segíthessenek a döntéshozásban, így egy jól működő szervezetben - legyen az bármilyen méretű is– idővel mindig felmerül az „információéhség”: minél több releváns üzleti információhoz jutni a rendszerekben gyűlő adattengerből.