Как разумно генерируется 79,34% кода модуля Double Eleven

искусственный интеллект
Как разумно генерируется 79,34% кода модуля Double Eleven

В качестве одного из четырех основных технических направлений передового комитета экономики Али в этом году, как только упоминается направление переднего плана, некоторым людям любопытно: что может сделать передний конец в сочетании с ИИ, как сделать это, и будет ли это иметь большое влияние на переднюю часть в будущем, шок и так далее. В этой статье мы сосредоточимся на этих вопросах, взяв в качестве примера сценарий «автоматической генерации кода из эскизов проекта» с точки зрения фонового анализа, анализа конкурентных продуктов, разбора проблем, технических решений и т. д., а также подробно изложим соответствующее мышление и процессная практика.

Текст/Мяоцзин/Бурбон

фоновый анализ

Тенденция к машинному обучению в отрасли находится в самом разгаре, и в крупных СМИ часто появляется фраза «ИИ — это консенсус будущего». Кай-Фу Ли также указал в «Будущем ИИ», что почти 50% рабочих мест, выполняемых людьми, будут заменены искусственным интеллектом в течение 15 лет, особенно простые и повторяющиеся рабочие места. Кроме того, рабочие места белых воротничков легче заменить, чем рабочие места синих воротничков, потому что рабочие места синих воротничков могут потребовать замены прорывов в робототехнике, программном и аппаратном обеспечении, в то время как рабочие места белых воротничков обычно требуют только прорывов в программных технологиях. заменить. Тогда будет ли заменена работа нашего фронтенда «белых воротничков», когда и сколько?

Оглядываясь назад на 2010 год, программное обеспечение поглотило почти все отрасли, что принесло процветание индустрии программного обеспечения в последние годы, но в 2019 году ИИ поглотил саму индустрию разработки программного обеспечения. Вы видите: в поле DBA появился вопрос к SQL, а операторы SQL можно генерировать, задавая вопросы в определенном поле; TabNine, инструмент анализа исходного кода, основанный на машинном обучении, может помочь в генерации кода; индустрия дизайнеров также имеет интеллектуальных дизайнеров P5 Banner "Deer Class", интеллектуальная комбинация в области тестирования также блестящая. Что насчет передней части?
Затем я должен упомянуть сцену, с которой мы все слишком хорошо знакомы.Проект проекта автоматически генерирует код(Design2Code, в дальнейшем именуемый D2C), комитет по внешнему интерфейсу экономики Али - интеллектуальное направление внешнего интерфейса. Текущий этап заключается в том, чтобы сосредоточиться на том, какПозвольте ИИ помочь интерфейсной функции повысить эффективность и обновить, Устраните простую повторяющуюся работу и позвольте фронтенд-инженерам сосредоточиться на более сложном рабочем содержании!

Конкурентный анализ

В 2017 году вышла статья о транскодировании изображений.Pix2CodeДокумент вызвал волну жарких дискуссий в отрасли о том, как генерировать исходный код непосредственно из прототипа дизайна. Впоследствии в сообществе возникли аналогичные идеи, основанные на этой идее.Screenshot2CodeРабота Microsoft AI Lab в 2018 году открыла исходный код инструмента Sketch to Code.Sketch2Code, в конце того же года новичок, который разумно генерирует интерфейсный код из эскизов дизайнаYotakoОн также начал показывать свое преимущество, и машинное обучение впервые официально вошло в поле зрения фронтенд-разработчиков с отношением, которое нельзя недооценивать.

Определите цель Количество контролей Статус результата существенная способность
Pix2Code Основные элементы управления Bootstrap 11 Точность экспериментальных данных близка к 80%,
Меньше поддержки элементов управления		 Идентификация основных компонентов в середине и на заднем плане
Screenshot2Code Базовые HTML-теги Базовые HTML-теги менее точный Сквозной код генерации изображений
Sketch2Code Ручной эскиз для управления 9 Наброски от руки снижают барьеры для использования Распознавание компонентов на основе нарисованных от руки чертежей
shots Неинтеллектуальное распознавание, полностью ручная маркировка неизвестный С Showcase новый проект дизайна не может быть опробован, источник закрыт, точность неизвестна, а 6000 проектов дизайна были собраны вручную. Возможность алгоритма компоновки сгенерированного кода из проекта проекта, включая богатые и высококачественные аннотации типов управления в различных сценариях.
Yotako Базовые HTML-теги неизвестный PSD генерирует интерфейсный код, есть Showcase, для использования требуется членский взнос, а требования к эскизам дизайна очень высоки (почти каждый слой имеет требования к именованию), только начинается Проект дизайна генерирует код, и текущие правила имеют большую долю

Основываясь на приведенном выше конкурентном анализе, мы можем сделать следующие выводы:

  1. Текущие возможности обнаружения целей глубокого обучения в изображениях подходят для многократно используемой идентификации материала (идентификация модуля, идентификация базового компонента и идентификация бизнес-компонента) с большей степенью детализации.
  2. Полная сквозная модель, которая напрямую генерирует код из изображений, очень сложна, а сгенерированный код не очень удобен.Для достижения доступности сгенерированного кода промышленного уровня более подробная иерархическая разборка и многоуровневая модель подсети требуется сотрудничество Краткосрочное построение системы D2C может быть выполнено путем создания кода из проекта проекта.
  3. Когда способность распознавания модели не может достичь ожидаемой точности, вы можете использовать проект проекта, чтобы вручную заключить соглашение о нижнем правиле; с одной стороны, соглашение о ручном правиле может помочь пользователям вмешаться для получения желаемых результатов, с другой С другой стороны, эти ручные правила согласования на самом деле высокого качества.Пример аннотации можно использовать в качестве обучающей выборки для оптимизации точности распознавания модели.

декомпозиция проблемы

Цель создания кода из черновика проекта — позволить ИИ помочь функциональной роли внешнего интерфейса повысить эффективность и исключить простую и повторяющуюся работу. Тогда давайте сначала проанализируем «обычный» интерфейс, особенно студентов, сталкивающихся с бизнесом C-end, общий рабочий процесс ежедневной работы примерно выглядит следующим образом:

Общая рабочая нагрузка по разработке «обычного» интерфейса в основном сосредоточена наПросмотр кода, логический кода такжеСовместная отладка данных(Даже для разработки интерфейса данных можно ожидать, когда Serveless превратится в продукт.) Далее мы будем разбирать и анализировать их один за другим.

посмотреть код

Посмотреть разработку кода, как правило, написание кода HTML и CSS на основе визуальных черновиков. Как повысить эффективность? Столкнувшись с повторяющейся работой по разработке представления пользовательского интерфейса, естественно подумать о решениях для инкапсуляции и повторного использования материалов, таких как компонентизация и модульность. На основе этого решения будет осаждение различных библиотек пользовательского интерфейса и даже визуальная сборка и конструкция Упаковка продукта более высокого уровня, но повторно используемые материалы не могут решить все проблемы сцены. Персонализированный бизнес, персонализированные взгляды расцветают повсюду, сталкиваясь с самой проблемой: возможно ли напрямую генерировать пригодный для использования код HTML и CSS?

Это предложение, которое промышленность пытается все время.Основную информацию о слое можно экспортировать через подключаемый модуль разработки инструмента проектирования, но основная трудность здесь заключается в высоких требованиях к проектному проекту и плохой ремонтопригодность сгенерированного кода.Это основная проблема.Давайте Продолжаем разбирать.

Требования к дизайн-проекту высокие

Высокие требования к дизайн-проекту приведут к увеличению стоимости дизайнера, что эквивалентно перекладыванию фронтенд-работы на дизайнера, что очень затруднит его продвижение. Возможным способом является использование CV (ComputerVision, компьютерное зрение) в сочетании с методом экспорта информации о слоях для снятия ограничений эскиза проекта.Конечно, требование к эскизу проекта состоит в том, чтобы напрямую экспортировать изображение, которое не имеет какое-либо влияние на конструктор.требования,что тоже является решением нашей мечты.Также мы пытались отделить подходящие слои от статичных изображений,но доступность в производственной среде на данный момент недостаточна(проблема малой точности распознавания целей и проблема сложное извлечение фона еще предстоит решить) В конце концов, метаинформация, которая поставляется с черновиком дизайна, является более точной, чем метаинформация, извлеченная из изображения.

проблемы ремонтопригодности

Сгенерированная структура кода обычно сталкивается с проблемами сопровождения:

  • Разумная вложенность макета: Включая абсолютное позиционирование в относительное позиционирование, удаление избыточных узлов, разумную группировку, круговую оценку и т. д.;
  • Адаптация элемента: Масштабируемость самого элемента, отношения выравнивания между элементами, максимальная ширина и высота элемента и отказоустойчивость;
  • Семантический: Многоуровневая семантика имени класса;
  • стиль CSS-выражения: цвет фона, закругленные углы, линии и т. д. можно анализировать и извлекать с помощью CV и других методов, а CSS можно использовать для максимально возможного выражения стилей вместо изображений;
  • ...

После разбора этих проблем и решения их по категориям решение кажется бесконечным, но, к счастью, основные категории проблем, найденные до сих пор, в основном решены. Многие задавались вопросом, что реализация этой части способности, по-видимому, не имеет ничего общего с интеллектом, в лучшем случае это экспертная система правил, связанная с алгоритмом компоновки. Да, на данном этапе эта часть больше подходит для системы правил.Для пользователей алгоритм компоновки должен быть близок к 100% доступности.Кроме того,большинство проблем здесь связано с комбинацией бесчисленных значений атрибутов и текущие правила более контролируемы. Если вам нужно использовать модель, то это можно определить как проблему множественной классификации. В то же время применение любой модели глубокого обучения требует четкого процесса определения проблемы, а четкое определение правил решения проблемы является важным процессом.

Но в случаях, когда правила сложны для решения, модели могут помочь в их решении. НапримерРазумная группировка(Как показано на рисунке ниже) и оценка **элемента цикла**, на практике мы обнаружили, что в различных ситуациях все еще есть ошибочные оценки, и правила алгоритма трудно перечислить.Здесь требуется контекстуальное семантическое распознавание между элементами , что также является следующим шагом в ключевых проблемах, которые необходимо решить с помощью модели.

(указание разумной группировки)

логический код

Разработка логического кода в основном включает привязку данных, динамические эффекты и написание кода бизнес-логики. Часть, которую можно улучшить, как правило, заключается в том, что повторно используемые динамические эффекты и код бизнес-логики могут ускорять базовые компоненты, бизнес-компоненты и т. д.

  • Привязка поля интерфейса: технико-экономический анализ по-прежнему высок.Это можно сделать по тексту или изображению визуального проекта, чтобы определить, к какому полю-кандидату принадлежит, но эффективность затрат не высока, потому что привязка поля данных интерфейса слишком бизнес , да и универсальность не сильная.
  • Динамическая эффективность: эта часть проекта ввода разработки. Интерактивный, динамический эффект и вообще неравномерную доставку различных форм, некоторую анимированную презентацию GIF, какой-то текст, некоторые устные; сгенерированный динамический эффект, сгенерированный код более подходящей формой визуального генерации, интеллектуальный генерируют нет прямой ссылки. Рассмотрите рассмотреть соотношение ввода-вывода не в пределах объема краткосрочной перспективы.
  • Бизнес-логика: основой для этой части разработки в основном является PRD или даже логика, продиктованная PD; если вы хотите разумно сгенерировать эту часть логического кода, слишком много входных данных отсутствует, и вы должны увидеть, какие проблемы интеллект может решить в этом подполе.

Мышление генерации логического кода

Идеальное решение, конечно, состоит в том, чтобы иметь возможность изучать исторические данные, такие как другие области искусства, такие как поэзия, живопись и музыка.Согласно вводу текста PRD, новый логический код может быть сгенерирован напрямую, но может ли сгенерированный код работать напрямую без любая ошибка?

Хотя искусственный интеллект быстро развивается, проблемы, которые он может решить, по-прежнему ограничены, и проблемы необходимо определять как типы проблем, с которыми он хорошо справляется. Обучение с подкреплением хорошо подходит для задач оптимизации стратегии Глубокое обучение в настоящее время хорошо подходит для решения задач классификации и обнаружения целей в компьютерном зрении С точки зрения текста оно хорошо подходит для NLP (обработка естественного языка, обработка естественного языка).

Что касается кода бизнес-логики, первое, что приходит на ум, — это использовать LSTM (Long Short-Term Memory, сеть с долговременной кратковременной памятью) и NLP для выполнения контекстного анализа функциональных блоков исторического исходного кода, чтобы получить семантику функциональных блоков кода, интеллектуальное напоминание кода VS Code и TabNine - аналогичные идеи.

Кроме того, при анализе задачи (как показано на рисунке ниже) мы также обнаружили, что интеллект в области бизнес-логики также может помочь определить местоположение (время) логической точки в представлении и угадать логическую семантика, основанная на представлении.

Подводя итог, резюмируем пункты, которые могут помочь на текущем этапе интеллекта:

  • Путем анализа и угадывания семантики часто встречающихся функциональных блоков (логических блоков) на основе исторического анализа исходного кода фактически получается семантика библиотек компонентов или базовых функциональных блоков, которые можно использовать для рекомендации блоков кода во время редактирования кода.
  • Некоторые повторно используемые логические точки угадываются по визуальному наброску, например логика связывания полей здесь, поля, которым они принадлежат, могут быть угаданы в соответствии с семантическим НЛП текста здесь, а некоторые элементы изображения классифицируются в соответствии с ограниченным диапазоном изображений, и соответствующие поля изображения, которым они принадлежат (как показано на следующем рисунке), угадываются. В примере изображение украшения атмосферы по-прежнему является изображением логотипа); в то же время он также может идентифицировать повторно используемые компоненты бизнес-логики, такие как как логика сбора купонов здесь.

Поэтому на текущем этапе создания бизнес-логики проблемы, которые можно решить, относительно ограничены, особенно когда появляются новые точки бизнес-логики с новыми логическими схемами, все эти точки отсчета находятся в PRD или в уме PD. Поэтому для схемы генерации бизнес-логики стратегии на данном этапе в основном следующие:

  • Привязка полей: интеллектуальное определение семантической классификации текста и изображений в проекте дизайна, особенно текстовой части.
  • Повторно используемые точки бизнес-логики: интеллектуально идентифицируемые в соответствии с представлением и свободно собираемые представлением, включая небольшие и красивые логические точки (одна строка выражения или несколько строк кода, которых обычно недостаточно для инкапсуляции в компоненты), базовые компоненты, и бизнес-компоненты.
  • Новая бизнес-логика, которую нельзя использовать повторно: структурированный (визуализированный) набор требований PRD, что является сложной задачей и все еще находится в стадии тестирования.

резюме

В настоящее время основной анализ HTML + CSS + часть JS + часть ДАННЫХ автоматически генерируется интеллектуальным способом, как указано выше, что является основным процессом от проектирования до кода, Внутреннее название проекта называется D2C, а последующие серии статей будет использовать эту аббревиатуру, название лендинга внутри и вне группы дляimgcook. С постепенным развитием трехсторонних возможностей разработки подключаемых модулей основных инструментов проектирования (Sketch, PS, XD и т. д.) в последние годы быстрое развитие глубокого обучения даже превосходит тенденцию человеческого признания, это сильные стороны. поддержка рождения и непрерывного развития D2C.

(Документ по обнаружению объектов 2014-2019 гг.)

Технические решения

Основываясь на вышеупомянутом общем анализе интеллектуальной разработки переднего плана, мы сделали обзор возможностей и уровней существующей интеллектуальной технологической системы D2C, которая в основном разделена на следующие три части:

  • Способность к распознаванию: Признание проектирования проекта. Интеллектуальный многомерный анализ информационного слоя, основных компонентов, бизнес-компонентов, макета, семантические, поля данных и тому подобное, включенное в проект логики бизнеса. Если интеллектуальное распознавание позволило ему добавить визуальное ручное вмешательство, чтобы исправить, с одной стороны, чтобы визуализировать доступность недорогих вмешательства для генерации кода, с другой стороны, данные этих вмешательств указаны в каталоге, кормление интеллекта повысить точность распознавания.
  • способность выражения: В основном для вывода данных и доступа к инженерной части
    • Преобразование стандартных структурированных описаний в Schema2Code посредством адаптации DSL
    • Доступ к проекту с помощью подключаемых модулей IDE
  • Алгоритмическая инженерия: Для лучшей поддержки интеллектуальных возможностей D2C требуются возможности частоты обслуживания, включая основную обработку генерации данных, часть модели обслуживания.
    • Разработка образца: основная обработка каждого канала образца источников данных и генерирует образец
    • Услуга модели: в основном предоставляет услугу упаковки API модели и возврат данных.

(Сводное описание интерфейсных интеллектуальных возможностей D2C)

Во всей схеме мы используем один и тот же набор **Спецификация протокола данных (схема D2C)** для подключения возможностей каждого уровня, чтобы гарантировать, что идентификация может быть сопоставлена ​​с конкретным соответствующим полем, а код может быть правильно передан. на этапе выражения Engine и другие программы генерируют код.

Многоуровневая технология интеллектуальной идентификации

Во всем проекте D2C ядром является вышеупомянутая часть способности идентификации.Распознавание машинного интеллектаКонкретное подразделение этого уровня выглядит следующим образом, и последующая серия статей будет посвящена внутренним принципам реализации этих подразделений.

  • Слой идентификации материала: в основном идентифицируйте материалы на изображениях с помощью возможностей распознавания изображений (распознавание модулей, распознавание атомарных модулей, распознавание базовых компонентов, распознавание бизнес-компонентов).
  • слой обработки слоя: Он в основном разделяет слои в черновике дизайна или изображении и упорядочивает метаинформацию слоя в сочетании с результатами распознавания предыдущего слоя.
  • слой переделки слоя: Дальнейшая нормализация данных слоя слоя обработки слоя.
  • Слой алгоритма компоновки: преобразует макеты слоев с абсолютным позиционированием в 2D в макеты с относительным позиционированием и гибкие макеты.
  • семантический слой: Уровень семантически выражается на стороне сгенерированного кода через многомерные функции уровня.
  • Слой привязки поля: привяжите и сопоставьте поля динамических данных интерфейса со статическими данными в слое, объединенном с интерфейсом данных.
  • слой бизнес-логики: создание протокола кода бизнес-логики для сконфигурированной бизнес-логики посредством идентификации и выражения бизнес-логики.
  • Слой движка кода: Наконец, выводится протокол кода, который был интеллектуально обработан каждым уровнем, и различные коды DSL выводятся с помощью выразительной способности (механизм преобразования протокола в код).

(технология многоуровневой идентификации D2C)

Технические болевые точки

Конечно, **неполное распознавание и низкая точность распознавания** всегда были общей темой D2C, а также нашей основной технической проблемой. Мы пытаемся проанализировать факторы, вызывающие эту проблему, с следующих точек зрения:

  1. Определите, что определение проблемы не является точным: Неточное определение проблемы является основным фактором, влияющим на неточную идентификацию модели.Многие думают, что образцы и модели являются основными факторами, но до этого могут быть проблемы с определением проблемы в начале, и нам нужно судить о наших требованиях к идентификации: подходит ли модель, и если да, то как определить правила и т.д.
  2. Отсутствие качественных образцов набора данных: Наши возможности машинного интеллекта по распознаванию на уровне распознавания должны полагаться на разные образцы, сколько сценариев клиентской разработки могут охватывать наши образцы, каково качество выборочных данных каждого сценария, унифицированы ли стандарты данных, разработана ли функция разработки. обработка унифицирована, и есть ли неоднозначность в образцах и как интероперабельность, это проблема, с которой мы сейчас сталкиваемся.
  3. ** Запоминание модели низкое, и есть ошибочные суждения: ** Мы склонны накапливать много разных типов образцов в разных сценариях в качестве обучения на образце, ожидая решить все проблемы распознавания с помощью модели, но это часто является частью модели. скорость отзыва классификации низкая, и для некоторых неоднозначных классификаций будут ошибочные оценки.

определение проблемы

Модель компьютерного зрения в глубоком обучении в настоящее время больше подходит для решения проблем классификации и обнаружения целей.Предпосылкой для того, чтобы мы могли судить о том, следует ли использовать глубокую модель для проблемы распознавания, является то, можем ли мы судить и понимать себя, и есть ли два типа таких проблем.Если люди не могут точно судить, то эта проблема идентификации может быть неуместной.

Если будет решено, что классификация глубокого обучения подходит для выполнения, то необходимо продолжить четкое определение всех классификаций, и эти классификации должны быть строгими, исключительными и полностью перечислимыми. Например, делая предложение семантики изображения, каковы общие условные имена ClassName общих изображений?Например, процесс анализа выглядит следующим образом:

  • Шаг 1: Найдите как можно больше подходящих эскизов дизайна и перечислите в них типы изображений один за другим.
  • Шаг 2: разумно обобщить и классифицировать типы изображений.Это наиболее спорное место.Если определение не очень хорошее, неоднозначность приведет к наибольшей проблеме с точностью модели.
  • Третий шаг: проанализируйте особенности каждого типа изображений, являются ли эти особенности типичными, и являются ли они наиболее важными отличительными чертами, потому что это связано с способностью к рассуждению и обобщению последующей модели.
  • Шаг 4: Существует ли источник выборки данных для каждого типа изображений, и если нет, может ли он быть создан автоматически; если выборка данных недоступна, модель не подходит, и вместо нее можно использовать правила алгоритма сначала увидеть эффект.

Таких проблем в проекте D2C много.Само определение проблемы должно быть очень точным, и оно должно иметь научную справочную базу.Это само по себе сложно, потому что нет прецедента, на котором можно было бы учиться.Вы можете только сначала попробуйте его на известном опыте.Если в тесте есть проблема, а затем исправьте ее, это болевая точка, которая требует постоянной итерации и постоянного улучшения.

Качество образца

В ответ на проблему **выборки** нам необходимо установить стандартные спецификации для этой части набора данных, построить многомерные наборы данных в различных сценариях, обрабатывать и предоставлять собранные данные унифицированным образом и надеяться установить набор стандартизированных данных системы.

В этой системе мы используем единый формат хранения выборочных данных, чтобы предоставить единый инструмент оценки выборки для различных задач (классификация, обнаружение целей) для оценки качества каждого набора данных.Используется разработка признаков (нормализация, увеличение краев и т. д.). для обработки, и также ожидается, что образцы подобных проблем будут распространены и сравнены в различных последующих моделях для оценки точности и эффективности различных моделей.
   

(Инженерная система выборки данных)

Модель

Для проблем отзыва и неправильной оценки модели мы пытаемся объединить сценарии для повышения точности. ** Часто образцы в разных сценариях будут иметь некоторые сходства в функциях или влиять на некоторые локальные ключевые особенности классификации, что приводит к неправильной оценке и низкому отзыву.Мы ожидаем, что сможем выполнять распознавание образов путем схождения сценариев для повышения точности модели. Мы сводим сценарии к следующим трем сценариям: сценарий беспроводного маркетингового канала C-стороны, сценарий апплета, а также средний и фоновый сценарии ПК. Режимы проектирования нескольких сцен здесь имеют свои особенности.Разработка вертикальной модели распознавания для каждой сцены может эффективно повысить точность распознавания отдельной сцены.

(сцена D2C)

процессное мышление

Поскольку используется глубокая модель, существует более реалистичная проблема, что способность обобщения модели недостаточно, а точность распознавания не должна быть на 100% удовлетворительным для пользователей. Что мы можем сделать до этого?

Во всей связи восстановления D2C для модели распознавания мы также следуем методологии, то есть разрабатываем набор протоколов или правил для понимания эффекта распознавания глубокой модели с помощью других методов, чтобы гарантировать, что пользователи могут все равно распознают модель в случае неточного распознавания.Заполнить апелляцию:Условные обозначения вручную > Политика правил > Машинное обучение > Глубокие модели. Например, если вам нужно идентифицировать тело цикла в проекте проекта:

  • На ранней стадии мы можем вручную согласовать тело петли в проекте проекта, чтобы достичь
  • В соответствии с контекстной информацией слоя можно судить о некоторых правилах, чтобы определить, является ли он телом цикла.
  • Используя функции уровня машинного обучения, вы можете попытаться выполнить дополнительную оптимизацию политики правил вверх по течению.
  • Генерировать некоторые положительные и отрицательные образцы корпуса петли для обучения глубокой моделью

Среди них согласованный вручную анализ проекта протокола имеет наивысший приоритет, что также может гарантировать, что последующий процесс не будет нарушен блокировкой и ошибочной идентификацией.

бизнес-лендинг

2019 Дабл Одиннадцать Посадка

В этом году на сцене Double Eleven наш D2C охватывает новые модули площадки Tmall Taobao, включая основную площадку, отраслевую площадку, площадку для маркетинговых игр, площадку для списков и т. д., включая автоматическую генерацию кодов просмотра и некоторых логических кодов в рамках статистический диапазон,Генерация кода D2C составила 79,34%.目前代码的人工改动的主要原因有：全新业务逻辑、动画、字段绑定猜测错误（字段标准化情况不佳）、循环猜测错误、样式自适应修改等，这些问题也都是接下来需要逐步完善的。

(Изменения пользователя при генерации кода D2C)

Общая ситуация посадки

Наши внешние продуктыimgcook, по состоянию на 2019.11.09 соответствующие данные об использовании следующие:

  • Количество модулей — 12 681, каждую неделю добавляется около 540;
  • Количество пользователей 4315, каждую неделю добавляется около 150;
  • Пользовательские DSL: всего 109;

На данный момент доступны следующие возможности сервиса:

Последующее планирование

  • Продолжайте снижать требования к проекту проекта и стремитесь к протоколу проекта 0, в котором точность интеллектуального распознавания группировки и циркуляции повышена, а затраты на ручное вмешательство в протокол визуального проекта снижены.
  • Повышена точность идентификации компонентов, на данный момент точность составляет всего 72%, а доступность бизнес-приложений низкая.
  • Улучшена доступность возможностей восстановления на уровне страниц и элементов, а также улучшена точность возможностей сегментации страниц.
  • Улучшены возможности восстановления на уровне страниц небольших программ, промежуточных и внутренних областей и т. д., включая общие возможности восстановления сложных форм, таблиц и диаграмм.
  • Улучшена доступность ссылки на код генерации статического изображения, и ее действительно можно использовать в производственной среде.
  • Продукты разработки алгоритмов совершенны, каналы генерации образцов более разнообразны, а набор образцов более богат.
  • Возможность D2CОткрытый исходный код.

В будущем мы надеемся, что в рамках интеллектуального проекта D2C передовые интеллектуальные технологические решения будут универсализированы, будут размещены более конкурентоспособные образцы и модели, а также будут предоставлены услуги по генерации кода с более высокой точностью и удобством использования; Эффективность исследований и разработок, сокращение простой повторяющейся работы, отсутствие сверхурочной работы и сокращение сверхурочной работы, а также сосредоточение внимания на более сложном рабочем содержании вместе!

серия статей

связаться с нами

Добро пожаловать в группу DingTalk для общения.

больше рекомендаций:

Категории