XiaoMi-AI文件搜索系统
World File Search System误译
忽视失败：德普伊将军与战间逃避主义的危险
”1 长期以来，对这一论断存在着许多有影响的误译，他们认为冲突可以简单地分为或多或少静态的“类型”（传统的、非常规的、有限的、全面的等等），而忽略了原作者所强调的政治本质和人类冲突中有机的混乱动态。正因为如此，士兵和学者们长期以来都将克劳塞维茨的告诫理解为军队必须规模合适，并为他们所认为的即将来临的特定“类型”冲突做好准备。至少，他们常常断言，在两次世界大战之间为发展或“现代化”军队所做的准备，必须使这个等式比潜在对手“更准确”。2 可以肯定的是，没有一位领导人能够完全准确地预测明天会出现什么样的挑战。然而，历史上普遍存在的一个盲点是，战争倾向于通过混乱的打击和反击，从一种“类型”根本转变为另一种“类型”，从而颠覆交战双方的事先准备。
在移动应用程序的自动 UI 本地化测试中使用 AI
科学文献中很少提到本地化测试，特别是在移动应用领域。本论文重点介绍了 iOS 移动应用自动本地化测试系统的实际实施。我在一家以移动和桌面应用为主要产品的国际公司担任软件工程师。每个应用都本地化为多种语言。测试每个用户界面 (UI) 是否按每种语言显示正确的内容是软件开发生命周期中最耗时的部分。由于测试的视觉性质，需要在具有各种操作系统和屏幕分辨率的不同设备上手动重复完成此操作。有效测试本地化应用对于质量工程师来说始终是一个挑战，因为他们不是语言专家。测试范围在某种程度上仅限于查找错误布局、重叠、未翻译的文本和错误表示的字符等错误。名为 NEAR 的原型系统是本论文的成果。它旨在自动执行 UI 本地化测试中的大多数任务。它集成了来自 Google 等服务提供商的经过预先训练的基于云的自然语言处理 (NLP) 和计算机视觉人工智能模型，为测试添加了视觉上下文。因此，运行回归测试所需的时间更少。测试范围现在包括查找需要语言技能的错误，例如误译、文本截断和语言环境违规。
Josh.ai 白皮书
● Josh.ai 专有自然语言处理 (NLP) 概述 ● Lutron 系统如何与 Josh.ai 集成 ● 编程最佳实践，为环境设备的语音控制奠定成功的基础 ● 通过 Josh.ai 控制 Lutron 系统和设备的功能 ● 语音控制环境的好处 本文的目的是提出语音控制环境的标准，以帮助成功部署 Lutron 项目并获得积极的用户体验。 执行摘要 语音控制在智能家居中的普及使得了解如何优化 Lutron 系统以实现最高程度的互操作性变得比以往任何时候都更加重要。如今，大众市场的语音助手解决方案依赖于技能或基于场景的方法，触发短语需要按照口令准确重复。由于这些助手试图处理家庭控制范围之外的各种任务，因此很难准确地解决命令的听错或误译问题。由此产生的体验非常僵化，每个命令都充当口头按钮，助手不知道被控制的设备类型或这些设备的状态变化。相反，Josh.ai 是专门为智能家居控制而设计的。深度 Lutron 集成使 Josh.ai 能够无限扩展和区分哪些类型的设备是可控的、它们位于何处、它们的名称以及它们的当前状态。这种情境感知，加上软件中用于最新命令和房间感知的记忆等功能，提供了更自然的体验，减少了用户逐字记忆激活短语的需要。Josh.ai 通过本地家庭网络与 Lutron 处理器通信。一旦 Josh.ai 和 Lutron 相互验证，Josh.ai 将从 Lutron 学习家庭的配置。Josh.ai 开始提取楼层、房间和设备类型。由于 Josh.ai 直接与项目中的每个设备通信，因此良好的 Lutron 编程对于确保用户友好的体验是必不可少的。安装完成后，接下来是关键的支持程序