ABONAMENTE VIDEO REDACȚIA
RO
EN

Simona Motogna Conferențiar @ Facultatea de Matematică și Informatică, Universitatea Babeș-Bolyai

Arthur Molnar Lector @ Facultatea de Matematică și Informatică, Universitatea Babeș-Bolyai
@
Lecții învățate din utilizarea instrumentelor de estimare a datoriei tehnice

În această ultimă parte a seriei de articole dedicate datoriei tehnice prezentăm rezultatele experimentale ale cercetărilor noastre în domeniu. Asemenea marii părți a literaturii existente, am utilizat mai multe proiecte open-source mature care au jucat rolul sistemelor testate. Majoritatea rezultatelor au fost obținute folosind unealta SonarQube, care rămâne cel mai utilizat instrument atât în mediul de cercetare cât și în cadrul industriei software. Episodul trecut al seriei noastre include o prezentare a instrumentului SonarQube și a altor unelte populare pentru analiza codului, în timp ce primul episod al seriei prezintă modelele pe care au fost construite acestea.

Reclame


Simona Motogna Conferențiar @ Facultatea de Matematică și Informatică, Universitatea Babeș-Bolyai

Arthur Molnar Lector @ Facultatea de Matematică și Informatică, Universitatea Babeș-Bolyai
@
Instrumente de estimare a datoriei tehnice (II)

Continuăm discuția privitoare la datoria tehnică, analizând câteva dintre cele mai utilizate instrumente existente pentru estimarea datoriei. Diferențele dintre modele ( prezentate în prima parte) se reflectă și la nivelul uneltelor dezvoltate, astfel că nu putem spune că există un „câștigător”. Alegerea trebuie determinată de scopul pentru care se măsoară datoria tehnică.


Lucian Cioranu Co-Founder @ DataGrid Software
Kubernetes : runtime pentru AI

O soluție AI, dincolo de algoritmi și tehnici, este despre timpul petrecut în obținerea de rezultate semnificative, iar timpul se traduce în cerințe hardware și managementul resurselor. Cerințele variază în funcție de scopul urmărit. În unele cazuri, un model poate fi antrenat pe o configurație simplă cu un singur CPU/GPU, în timp ce în altele, sunt necesare semnificativ mai multe resurse decât cele disponibile pe o singură mașină. Complexitatea este influențată de cantitatea de date și de tehnicile utilizate pentru antrenarea modelului. O infrastructură care se poate adapta rapid la cerințe este esențială pentru obținerea rezultatelor- aici intervine Kubernetes.


Rotberg Iavi Project Delivery Manager @ 3Pillar Global

Cristian Nechita Lead Software Engineer @ Basware
@
Un model inteligent de detecție automată a furnizorilor pentru plata creanțelor

La baza operațiunilor de plată a creanțelor curente stă etapa de detecție a furnizorului sau, în termeni mai simpli, găsirea furnizorului potrivit pentru a putea plăti serviciile consumate. Pentru companiile care au mii de sucursale și zeci de mii de furnizori, automatizarea procesului are un impact extraordinar în ceea ce privește reducerea costurilor asociate producției prin minimizarea muncii manuale.


Lucian Cristea Team Lead Machine Learning @ Centrul de Inginerie Bosch Cluj

Constantin Lazăr Team Leader @ Centrul de Inginerie Bosch Cluj
@
De la date la cunoaștere

În lumea de astăzi ne-am obișnuit deja cu termenul mai demult exotic de machine learning. Sistemele de ultimă generație AI (inteligența artificială) pot acum să se apropie foarte mult sau chiar să rivalizeze cu performanța umană în diverse sarcini, cum ar fi clasificarea imaginilor, înțelegerea scenei sau procesarea semnalelor variate (ex. audio). Și totuși, cum face acest lucru un algoritm de machine learning? De ce are nevoie? După cum sugerează denumirea sa, el „învață” din date. Având la dispoziție un set de exemple etichetate (o pereche input – output), algoritmul estimează o funcție de corelație între cele două.


Ovidiu Mățan Fondator @ Today Software Magazine
Simularea conducerii autonome folosind CARLA

Cu toți suntem fascinați de mașinile autonome. Cu siguranță, unii dintre noi chiar visează să-și construiască una. Din păcate avem de-a face cu costuri mari pentru realizarea unui astfel de proiect, riscuri și autorizări în ceea ce privește testarea lor. Simulatorul CARLA rezolvă toate aceste probleme prin oferirea unei soluții virtuale unde vă veți putea testa algoritmii, folosi și testa camere video, senzori lidar sau de detecție a obstacolelor. În rândurile care urmează, veți descoperi moduri de instalare a simulatorului și de încărcare a anumitor hărți, precum și principiile de bază ale controlului automobilului. La final, va fi prezentat un exemplu complet în care se va implementa frânarea de urgență.


Liviu-Vasile Pop Embedded Software Engineer @ Centrul de Inginerie Bosch Cluj

Mihai Souca Embedded Software Engineer @ Centrul de Inginerie Bosch Cluj
@


Rudolf Mate Embedded Software Engineer @ Centrul de Inginerie Bosch Cluj
@
Sisteme de servodirecție electrică: Prezentul și viitorul

Atunci când cineva se gândește să cumpere o mașină, primul aspect pe care îl ia în considerare este caroseria. Unii își doresc un SUV care să îi ducă pe cele mai înalte vârfuri ale munților, alții își doresc o mașină mică, care să poată pătrunde prin cele mai înguste străzi și care să încapă în cele mai strâmte locuri de parcare. După aceea se iau în calcul următoarele aspecte: scaune încălzite, senzori de parcare, controlul vitezei de croazieră/ pilot automat și așa mai departe... Toate acestea sunt lucruri pe care le poți verifica online, citind fișa de specificații. Ceea ce te face cu adevărat să cumperi mașina este momentul când te așezi pe scaunul șoferului și faci o tură. Aici, cu siguranță suntem de acord că sistemul de servodirecție joacă un rol cheie. În zilele noastre, cele mai multe mașini utilizează o Servodirecție Electrică (EPS) care îi facilitează șoferului manevrele de direcție.

VIDEO: NUMĂRULUI 114

Sponsori

  • Accesa
  • Accenture
  • Bosch
  • Betfair
  • FlowTraders
  • MHP
  • Connatix
  • BoatyardX
  • metro.digital
  • Tradesilvania
  • Colors in projects

« Articole mai vechi Articole mai noi »