Комментарии

Согласен, Вы абсолютно правы.

Мультимодельная платформа для работы с искусственным интеллектом — это действительно более точное описание, поскольку:

— Интерфейс подразумевает только передачу данных между пользователем и моделями.
— DST AI не просто передает запросы, а управляет, интегрирует и обрабатывает результаты разных моделей, обеспечивая более сложную функциональность и взаимодействие.

Мультимодельная платформа подчеркивает её роль как системы, объединяющей и управляющей несколькими ИИ-моделями, а не просто интерфейса для передачи данных.

Согласен, Вы абсолютно правы.

Мультимодельная платформа для работы с искусственным интеллектом — это действительно более точное описание, поскольку:

— Интерфейс подразумевает только передачу данных между пользователем и моделями.
— DST AI не просто передает запросы, а управляет, интегрирует и обрабатывает результаты разных моделей, обеспечивая более сложную функциональность и взаимодействие.

Мультимодельная платформа подчеркивает её роль как системы, объединяющей и управляющей несколькими ИИ-моделями, а не просто интерфейса для передачи данных.

Спасибо Александр за уточнение. Не хочу показать ханжой, но DST AI — это не просто мультимодельный интерфейс, как Вы написали. Интерфейс обычно предполагает только передачу и работу с данными, которые предоставляют сами ИИ-модели. Однако DST AI обладает своей уникальной релевантной выдачей. Поэтому более точное название — мультимодельная платформа для искусственного интеллекта.

Спасибо Александр за уточнение. Не хочу показать ханжой, но DST AI — это не просто мультимодельный интерфейс, как Вы написали. Интерфейс обычно предполагает только передачу и работу с данными, которые предоставляют сами ИИ-модели. Однако DST AI обладает своей уникальной релевантной выдачей. Поэтому более точное название — мультимодельная платформа для искусственного интеллекта.

DST AI — это программное обеспечение или платформа, которая служит интерфейсом или средой для работы с различными ИИ-моделями. В отличие от самостоятельных нейросетевых моделей, DST AI не является собственной моделью ИИ, а скорее инструментом или платформой, которая управляет, интегрирует и использует разные модели ИИ для выполнения задач.

Основные характеристики DST AI

— Не является нейросетью. Это программное обеспечение, а не модель ИИ.

— Интегратор моделей. Может работать с разными ИИ-моделями, предоставляя пользователю возможность выбирать или комбинировать их.

— Обеспечивает доступ к контенту.Генерирует или обрабатывает контент, используя выбранные модели ИИ.

— Может управлять несколькими моделями. Обеспечивает работу с разными ИИ для различных задач или для сравнения результатов.

— Может релевантно менять модели ИИ на лету и выбирать используя собственные алгоритмы какую ИИ-модель использовать для того или иного действия.

Основные функции DST AI

Если говорить о функциональности, то DST AI — это:

— Мульти-модельный интерфейс или мульти-двигатель ИИ — платформа, которая управляет несколькими ИИ-моделями.

— Многофункциональный ИИ-агрегатор — объединяет результаты разных моделей.

— Интеграционная платформа для ИИ — обеспечивает работу с разными ИИ через единый интерфейс.

DST AI — это программное обеспечение или платформа, которая обеспечивает работу с разными ИИ-моделями, выступая в роли мульти-двигателя или мульти-модельного интерфейса. Это позволяет пользователю получать контент или результаты, используя разные модели ИИ, без необходимости взаимодействовать с каждой моделью отдельно.

Технические аспекты DST AI

1. Архитектура системы

DST AI обычно строится на основе модульной архитектуры, которая включает:

— Интерфейс пользователя (UI) — для взаимодействия с платформой.

— Менеджер моделей (Model Manager) — компонент, отвечающий за подключение, настройку и управление различными ИИ-моделями.

— API-шлюз (API Gateway) — обеспечивает взаимодействие между UI и моделями.

— Обработчик запросов (Request Handler) — маршрутизирует запросы к выбранным моделям.

— Результат-агрегатор (Result Aggregator) — собирает и объединяет ответы от разных моделей.

— База данных (DB) — хранит настройки, истории запросов, результаты и метаданные.

DST AI — это программное обеспечение или платформа, которая служит интерфейсом или средой для работы с различными ИИ-моделями. В отличие от самостоятельных нейросетевых моделей, DST AI не является собственной моделью ИИ, а скорее инструментом или платформой, которая управляет, интегрирует и использует разные модели ИИ для выполнения задач.

Основные характеристики DST AI

— Не является нейросетью. Это программное обеспечение, а не модель ИИ.

— Интегратор моделей. Может работать с разными ИИ-моделями, предоставляя пользователю возможность выбирать или комбинировать их.

— Обеспечивает доступ к контенту.Генерирует или обрабатывает контент, используя выбранные модели ИИ.

— Может управлять несколькими моделями. Обеспечивает работу с разными ИИ для различных задач или для сравнения результатов.

— Может релевантно менять модели ИИ на лету и выбирать используя собственные алгоритмы какую ИИ-модель использовать для того или иного действия.

Основные функции DST AI

Если говорить о функциональности, то DST AI — это:

— Мульти-модельный интерфейс или мульти-двигатель ИИ — платформа, которая управляет несколькими ИИ-моделями.

— Многофункциональный ИИ-агрегатор — объединяет результаты разных моделей.

— Интеграционная платформа для ИИ — обеспечивает работу с разными ИИ через единый интерфейс.

DST AI — это программное обеспечение или платформа, которая обеспечивает работу с разными ИИ-моделями, выступая в роли мульти-двигателя или мульти-модельного интерфейса. Это позволяет пользователю получать контент или результаты, используя разные модели ИИ, без необходимости взаимодействовать с каждой моделью отдельно.

Технические аспекты DST AI

1. Архитектура системы

DST AI обычно строится на основе модульной архитектуры, которая включает:

— Интерфейс пользователя (UI) — для взаимодействия с платформой.

— Менеджер моделей (Model Manager) — компонент, отвечающий за подключение, настройку и управление различными ИИ-моделями.

— API-шлюз (API Gateway) — обеспечивает взаимодействие между UI и моделями.

— Обработчик запросов (Request Handler) — маршрутизирует запросы к выбранным моделям.

— Результат-агрегатор (Result Aggregator) — собирает и объединяет ответы от разных моделей.

— База данных (DB) — хранит настройки, истории запросов, результаты и метаданные.

Спасибо, но можно подробнее т.к. хотим интегрировать к себе и хотелось бы знать больше чего умеет даная платформа

Спасибо, но можно подробнее т.к. хотим интегрировать к себе и хотелось бы знать больше чего умеет даная платформа

DST AI — это мультимодельная платформа для работы с искусственным интеллектом, которая предоставляет доступ к различным моделям и инструментам ИИ, обеспечивая интеграцию, маршрутизацию запросов и объединение результатов для достижения лучших результатов.

DST AI — это мультимодельная платформа для работы с искусственным интеллектом, которая предоставляет доступ к различным моделям и инструментам ИИ, обеспечивая интеграцию, маршрутизацию запросов и объединение результатов для достижения лучших результатов.

Можете объяснить, что такое DST AI? Насколько я понимаю, это не модель ИИ и не нейросеть, а программное обеспечение для работы с искусственным интеллектом. Однако есть нюанс: DST AI может взаимодействовать с разными ИИ-моделями и создавать релевантный контент на основе уже своих алгоритмов. Это значит, что DST AI — не просто программное обеспечение а некий интегратор моделей ИИ?

Можете объяснить, что такое DST AI? Насколько я понимаю, это не модель ИИ и не нейросеть, а программное обеспечение для работы с искусственным интеллектом. Однако есть нюанс: DST AI может взаимодействовать с разными ИИ-моделями и создавать релевантный контент на основе уже своих алгоритмов. Это значит, что DST AI — не просто программное обеспечение а некий интегратор моделей ИИ?

Да, с помощью 1С и DST Маркетплейс можно создать маркетплейс, но для полноценной работы платформы возможно потребуется доработать отдельные компоненты системы, возможно и нет, зависит от Вашей бизнес модели.

1С благодаря своей гибкости и возможности масштабирования позволяет справляться с частью ключевых задач, особенно в области учёта и документооборота. DST Маркетплейс подходит для управления коммерческой частью, автоматизации процессов и построения гибкого бэк-офиса.

В качестве стартового набора рекомендуется реализовать основные системы, такие как управление информацией о продуктах, интерфейсы для продавцов, управление заказами и логистические модули. Это позволит запустить минимальную рабочую версию платформы за короткий срок и с разумными затратами.

То есть используя 1С в связке с DST Маркетплейс можно как раз создать маркетплейс для обслуживания большого числа внешних продавцов и покупателей в рамках единой торговой площадки.

Все верно Дмитрий. Использовать существующую ERP-систему как платформу для запуска маркетплейса неправильно. ERP-системы предназначены для внутреннего управления бизнес-процессами компании, а не для обслуживания большого числа внешних продавцов и покупателей в рамках единой торговой площадки.

Для полноценного маркетплейса требуется специально созданная IT-платформа, которая включает множество взаимосвязанных компонентов и модулей, способных обеспечить масштабируемость, отказоустойчивость и высокую производительность.

Только при использовании микросервисной архитектуры с предназначенными для этого компонентами и стратегией можно добиться успешного запуска качественного и конкурентоспособного маркетплейса.

Некоторые преимущества микросервисного подхода:

— Простота обновлений и расширений. Каждый компонент — от интерфейса для покупателей и продавцов до систем учёта и логистики — интегрируется через API и работает в рамках микросервисной архитектуры.

— Возможность масштабировать внутренние системы и интегрировать их друг с другом без ограничений.

— Адаптация к быстро меняющимся условиям рынка электронной коммерции.

Таким образом, для запуска собственного маркетплейса необходима специально разработанная IT-платформа, а не использование существующей ERP-системы.

Ну то есть как я понял использовать существующую ERP-систему в связке с нашим Интернет-магазином как платформу для запуска маркетплейса неправильно, верно я понял?

Что бы там не проводили и не говорили а искусственный интеллект значительно влияет на производительность разработки программного обеспечения. Некоторые аспекты этого влияния:

— Автоматизация программирования. ИИ-алгоритмы способны анализировать требования к программному обеспечению и генерировать исходный код. Это ускоряет процесс разработки и уменьшает количество рутинных задач.
— Автоматическое исправление ошибок. ИИ помогает обнаруживать и исправлять ошибки в коде на ранних этапах разработки. Это снижает риск возникновения проблем в будущем и улучшает качество программного обеспечения.
— Оптимизация и рефакторинг кода. ИИ может анализировать производительность программного обеспечения и предлагать оптимизации, которые повышают эффективность выполнения кода. Это позволяет автоматически находить и исправлять участки кода, которые замедляют работу программы, улучшая её производительность.
— Умные среды разработки. Современные интегрированные среды разработки (IDE) всё чаще включают ИИ-функции, которые облегчают жизнь программистам.
— Машинное обучение и анализ данных. ИИ-инструменты помогают разработчикам анализировать большие объёмы данных и визуализировать результаты. 1

В будущем ИИ продолжит трансформировать индустрию программирования, делая её более доступной, гибкой и инновационной.

Принятие Copilot

Принятие Copilot относительно проще и менее затратно по сравнению с другими рабочими ИИ инструментами. Copilot не требует дополнительных инвестиций и уже интегрирован в среду разработки.
В течение первых двух недель эксперимента в Microsoft только 8,5% разработчиков тестовой группы зарегистрировались на GitHub Copilot. Такой низкий показатель внедрения мог быть обусловлен невнимательностью к анонсу по электронной почте. Microsoft отправил два напоминания, и эти письма увеличили принятие до 42,5%.

Первоначальное принятие в контрольной группе также не было идеальным: 0,5%. По завершении эксперимента в апреле 2023 года, когда контрольной группе был предоставлен доступ к Copilot, наблюдался быстрый темп принятия в контрольной группе. Однако к январю 2024 года принятие в контрольной группе оставалось ниже принятия в экспериментальной группе.

Принятие Copilot в Accenture шло быстрыми темпами в начале эксперимента (график (b)), но через 1-2 месяца достигла плато в 60%. Когда контрольной группе предоставили доступ в декабре 2023 года, то был виден более медленный, но устойчивый рост принятия. К апрелю 2024 года скорость принятия в экспериментальной группе составила 69,4%, в то время как уровень принятия в контрольной группе был 24,4%.

График © показывает поэтапное приглашение к Copilot и уровень принятия среди всех участников исследования в компании из Fortune-100. Все разработчики получили доступ к Copilot в течение шести недель. После завершения рассылки приглашений уровень принятия вышел на плато, показав небольшой рост в течение оставшегося срока эксперимента.

Уровень принятия Copilot удивительно схож во всех трех компаниях и существенно ниже 100%; при этом около 30-40% инженеров даже не пробовали инструмент.

Это говорит о том, что другие факторы, такие как индивидуальные предпочтения и воспринимаемая полезность инструмента, играют важную роль в принятии инженерами решений об использовании этого инструмента.

В Microsoft видно положительное влияние Copilot на количество пул реквестов, коммитов и сборок кода. Однако только влияние на количество пул реквестов статистически значимо.

В Accenture и компании из Fortune-100 исследователи находят сопоставимые размеры эффекта, но эти эффекты не имеют статистической значимости.

Использование Copilot в зависимости от стажа и опыта работы

Поскольку у исследователей был доступ к данным разработчиков Microsoft, они смогли оценить влияние Copilot на производительность в зависимости от стажа работы в компании и опыта разработчика.

Разработчики-новички в компании на 9,5 процентных пунктов (84,3% против 74,8%) более склонны использовать Copilot, что согласуется с предыдущими исследованиями. Тот же эффект имеет место для разработчиков с небольшим опытом работы, которые на 5,3 процентных пункта (82,1% против 76,8%) чаще склонны использовать, хотя разница в принятии немного меньше в этом случае.

Сотрудники — новички в компании с большей вероятностью продолжат использовать Copilot через месяц после начала использования. Это, вероятно, говорит о том, что они ожидают большей выгоды от технологии, чем старожилы.

Старожилы примерно на 4,3% (или на 1,0 процентный пункт) менее склонны принимать предложенный Copilot код.

При сравнении разработчиков на младших и старших позициях в компании эта разница в показателях принятия Copilot намного меньше и составляет 1,8% (или 0,5 процентных пункта), хотя тренд тот же: опытные разработчики с меньшей вероятностью принимают предложения ИИ по коду.

Copilot значительно повышает производительность у новичков и разработчиков на младших позициях, но не у сторожил и опытных разработчиков.

Разработчики-новички в компании увеличивают свою производительность на 27–39%, в то время как разработчики-старожилы — с 8% до 13%.

Младшие разработчики увеличивают свою производительность на 21–40%, в то время как опытные разработчики получают более скромную выгоду: их производительность растет с 7% до 16%.

Как ни странно но с Copilot у Microsoft тоже не задалось

Влияние ИИ на производительность разработчиков

Это одно из первых исследований на эту тему, в котором приняли участие почти 5 тыс. разработчиков из трех ведущих IT компаний. Важно, что это не лабораторное исследование, а в живых «полевых» условиях. Поэтому стоит обратить внимание на его результаты.

Какого эффекта ожидать от использования ИИ?

Ожидания в целом большие. Так, одни экономисты подсчитали, что генеративный ИИ может выполнять задачи более чем 80% рабочих мест в США, и вопреки представлениям, в первую очередь — высококвалифицированных профессий. Другие, однако, менее оптимистичны в отношении такого роста производительности.

Сложность реальных измерений эффекта затрудняет оценку того, оправдан ли такой оптимизм в отношении роста производительности.

Как проводилось исследование?

Методика

Проведено три рандомизированных контролируемых исследования (что важно!): в Microsoft, Accenture и IT компании из списка Fortune-100.

Важно, что эти исследования не были лабораторными, а проводились компаниями в рамках их обычной деятельности.

Большинство исследований влияния ИИ инструментов на производительность проводилось в контролируемых лабораторных условиях. Как правило, такие исследования показывали рост производительности.

Участники

В случае Microsoft и Accenture тестовой группе разработчиков случайным образом был предоставлен доступ к GitHub Copilot, тогда как другая группа (контрольная группа) не имела доступа к инструменту в течение семи (Microsoft) или четырех (Accenture) месяцев. В эксперименте компании из списка Fortune 100 все пользователи получили доступ к инструменту в течение двух месяцев, но даты доступа были рандомизированы, и некоторые команды получили доступ на шесть недель раньше других.

В эксперименте в Microsoft (стартовал в сентябре 2022 года) приняли участие 1 746 разработчиков. Из них 50,4% были случайным образом выбраны для получения доступа к Github Copilot. Участники тестовой группы были проинформированы по электронной почте о возможности зарегистрироваться в GitHub Copilot. Помимо этого письма, участники, прошедшие лечение, не получили никаких дополнительных инструкций. Эксперимент завершился 3 мая 2023 года, поскольку растущая осведомленность об инструментах кодирования с использованием ИИ заставила участников контрольной группы искать доступ к Copilot.

Эксперимент в Accenture начался в июле 2023 года и проходил в Юго-Восточной Азии. Рандомизация происходила на уровне разработчиков, и 61,3% из 320 разработчиков попали в тестовую группу. Участники тестовой группы были проинформированы по электронной почте о возможности зарегистрироваться в GitHub Copilot. Они также приняли участие в обучающем тренинге. Контрольной группе был предоставлен доступ к Copilot в декабре 2023 года.

В компании из списка Fortune-100 эксперимент начался в октябре 2023 года. В нем приняли участие 3 054 разработчика, которые были приглашены использовать Copilot. Даты приглашений были рандомизированы, новые приглашения рассылались еженедельно в период с сентября 2023 года по октябрь 2023 года

Как оценивалась производительность

В этом исследовании изучается эффект одного из известных (наряду с Amazon CodeWhisperer и Replit Ghostwriter) ИИ инструментов — GitHub Copilot.

GitHub Copilot был разработан GitHub в партнерстве с OpenAI, значительный объем кода из публичных репозиториев GitHub использовался для обучения Copilot.

Когда разработчики пишут код или комментарии, Copilot анализирует контекст и генерирует соответствующие фрагменты кода, комментарии и документацию. Он может автоматически дополнять код или предлагать фрагменты, которые им в противном случае пришлось бы искать в Интернете. Это может сэкономить время разработчиков и потенциально улучшить качество кода. Однако, как и все инструменты на основе LLM, Copilot может совершать ошибки. Если разработчики будут полагаться на него без проверки, он может потенциально привносить ошибки и снижать качество кода.

Основным результатом работы разработчика являются «pull requests», которые можно рассматривать как единицу работы. Исследователи обоснованно предполагают, что рамках компании понимание pull requests является стабильным.

Также используются три дополнительных параметра:

— “commit’ы” — процесс сохранения внесенных в код изменений в системе контроля версий.
— “build” / сборки кода- периодически разработчик будет собирать код, и можем наблюдать, как он собран.
— успешная сборка как мера качества кода.

В дополнение к этим выходным показателям отслеживается, как разработчики используют Copilot. Для каждого разработчика, использующего Copilot, считалось как количество предложений от Copilot, так и количество принятых разработчиком приложений.

Для эксперимента Microsoft также был доступ к данным о дате найма и грейда в компании, что позволило провести анализ по опыту и стажу работы в компании.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Производительность разработчиков

Использование ИИ помощника при написании кода приводит к увеличению:

— выполненных задач на 26,1%

— обновлений кода (коммитов) на 13,6%,

— сборок кода на 38,4%.