Tag: មគ្គុទ្ទេសក៍អ្នកចាប់ផ្តើម

Walmart ដំណើរការការដាក់ពង្រាយ Apache Kafka ដ៏ធំដែលដំណើរការសាររាប់ពាន់លានជារៀងរាល់ថ្ងៃជាមួយនឹងភាពអាចរកបាន 99.99% ។ ការរៀបចំដ៏រឹងមាំនេះគាំទ្រដល់ប្រតិបត្តិការសំខាន់ៗដូចជា ចលនាទិន្នន័យ សេវាកម្មមីក្រូដែលជំរុញដោយព្រឹត្តិការណ៍ និងការផ្សាយការវិភាគលើបរិស្ថានពពកឯកជន និងសាធារណៈ។ ទោះជាយ៉ាងណាក៏ដោយ ការគ្រប់គ្រង Kafka នៅមាត្រដ្ឋានរបស់ Walmart បង្ហាញពីបញ្ហាប្រឈមពិសេស រួមទាំងការដោះស្រាយការកើនឡើងនៃចរាចរណ៍ និងការគាំទ្រកម្មវិធីអ្នកប្រើប្រាស់ច្រើនភាសា ខណៈពេលដែលរក្សាបាននូវភាពជឿជាក់ខ្ពស់ និងប្រសិទ្ធភាពនៃការចំណាយ។

បញ្ហាប្រឈមសំខាន់ៗ

1. តុល្យភាពអ្នកប្រើប្រាស់ឡើងវិញ

តុល្យភាពអ្នកប្រើប្រាស់នៅក្នុង Kafka កើតឡើងនៅពេលដែ បញ្ជីទូរសារ លចំនួនករណីអ្នកប្រើប្រាស់នៅក្នុងក្រុមផ្លាស់ប្តូរ។ គន្លឹះទូទៅរួមមានការដាក់ឱ្យប្រើប្រាស់ Kubernetes ការចាប់ផ្តើមឡើងវិញ ការវិលជុំ ឬការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិ។ លើសពីនេះ បញ្ហាដូចជាការខកខានចង្វាក់បេះដូង (ដោយសារតែការផ្អាក JVM ឬការប្រមូលសំរាម) ឬការពន្យារពេលក្នុងការដំណើរការបណ្តុំអាចបណ្តាលឱ្យឈ្មួញកណ្តាលសន្មត់ថាអ្នកប្រើប្រាស់មិនឆ្លើយតប ដែលជំរុញឱ្យមានតុល្យភាពឡើងវិញ។

ខណៈពេលដែលការធ្វើឱ្យមានតុល្យភាពឡើងវិញធានាសូម្បីតែការចែកចាយភាគថាស វារំខានដល់ប្រតិបត្តិការ និងបន្ថែមភាពយឺតយ៉ាវ ជាពិសេសនៅក្នុងបរិយាកាសពាណិជ្ជកម្មអេឡិចត្រូនិចដែលមានល្បឿនលឿនរបស់ Walmart ។

2. សារថ្នាំពុល

“ថ្នាំពុល” សំដៅលើសារដែលបណ្តាលឱ្យអតិថិជនបរាជ័យម្តងហើយម្តងទៀត ជាញឹកញាប់ដោយសារតែទិន្នន័យមិនត្រឹមត្រូវ មាតិកាដែលមិនរំពឹងទុក ឬកំហុសនៅក្នុងលេខកូដអ្នកប្រើប្រាស់។ វាបង្កើតរង្វិលជុំដែលអ្នកប្រើប្រាស់ទាញយកម្តងហើយម្តងទៀត ហើយបរាជ័យក្នុងដំណើរការសារ រារាំងដំណើរការសម្រាប់សារផ្សេងទៀតនៅក្នុងភាគថាស។

3. ការកំណត់មាត្រដ្ឋាន និងការចំណាយ

ម៉ូដែលដែលមានមូលដ្ឋានលើភាគ 7 កម្មវិធីជំនួយលក់ឆ្លង និងលក់បន្តល្អបំផុតសម្រាប់ woocommerce ថាសរបស់ Kafka ភ្ជាប់ចំនួនភាគថាសយ៉ាងតឹងរឹងទៅនឹងចំនួនអតិបរមានៃអ្នកប្រើប្រាស់ដែលអាចអានស្របគ្នា។ ការពង្រីក​ករណី​អ្នកប្រើប្រាស់​ទាមទារ​ការបង្កើន​ភាគថាស ដែល​នាំឱ្យ​មាន​បញ្ហា​ប្រឈម៖

• ឈ្មួញកណ្តាល Kafka មានដែនកំណត់លើចំនួនភាគថាស ហើយលើសពីនេះ តម្រូវឱ្យឈ្មួញកណ្តាលដែលមានតម្លៃថ្លៃជាង។
• ការបន្ថែមភាគថាសពាក់ព័ន្ធនឹងកា ការដំឡើងកម្មវិធី  រសម្របសម្រួលក្នុងចំណោមក្រុមជាច្រើន ការបង្កើតផ្នែកលើសនៅក្នុងអង្គការធំៗដូចជា Walmart ជាដើម។
• ភាគថាសកាន់តែច្រើនបង្កើនការប្រើប្រាស់ធនធាន ជំរុញការចំណាយ។

សេវាប្រូកស៊ីសារ (MPS)

ដើម្បីដោះស្រាយបញ្ហាប្រឈមទាំងនេះ Walmart បានបង្កើត សេវា Message Proxy Service (MPS) ដែលកាត់បន្ថយការប្រើប្រាស់សារ Kafka ពីដែនកំណត់ផ្អែកលើភាគថាសរបស់វា។

របៀបដែល MPS ដំណើរការ

MPS ដើរតួជាអន្តរការីរវាងកម្មវិធី Kafka និងអ្នកប្រើប្រាស់ អានសារពីភាគថាស Kafka ហើយដាក់វានៅក្នុងជួរក្នុងអង្គចងចាំ។ លេខអាហ្សង់ទីន កម្មវិធីអ្នកប្រើប្រាស់បន្ទាប់មកទៅយកសារទាំងនេះតាមរយៈ REST APIs ដែលអនុញ្ញាតឱ្យធ្វើមាត្រដ្ឋានអ្នកប្រើប្រាស់ដោយឯករាជ្យដោយមិនបង្កើនភាគថាស Kafka។

សមាសធាតុនៃ MPS

1. Reader Thread
   អានសារពី Kafka ហើយដាក់វានៅក្នុងជួរដែលមានព្រំដែន (PendingQueue)។ ប្រសិនបើជួរពេញ នោះខ្សែនឹងផ្អាក ដើម្បីការពារការផ្ទុកលើសចំណុះនៃអង្គចងចាំ។
2. PendingQueue
   សតិបណ្ដោះអាសន្នដែលមានព្រំដែនដែលអនុញ្ញាតឱ្យដំណើរការអសមកាល ដែលអនុញ្ញាតឱ្យខ្សែស្រឡាយអ្នកអានដំណើរការក្នុងល្បឿន Kafka និងខ្សែស្រឡាយអ្នកសរសេរតាមល្បឿនរបស់ពួកគេ។
3. Order Iterator
   ធានានូវដំណើរការតាមលំដាប់នៃសារដោយប្រើសោដូចគ្នា ដោយការពារការដោះស្រាយសារបែបនេះក្នុងពេលដំណាលគ្នា។
4. Writer Threads
   ខ្សែស្រឡាយទាំងនេះទាញយកសារពី PendingQueue ហើយបញ្ជូនវាទៅអ្នកប្រើប្រាស់តាមរយៈ HTTP POST ។ ការចែកចាយដែលបរាជ័យត្រូវបានសាកល្បងឡើងវិញ ឬផ្លាស់ទីទៅ Dead Letter Queue (DLQ) សម្រាប់ការវិភាគបន្ថែម។
5. អុហ្វសិត Commit Thread
   តាមកាលកំណត់ ធ្វើការទូទាត់សារដែលបានដំណើរ ការដំឡើងកម្មវិធី  ការទៅ Kafka ដោយធានាថាគ្មានការចម្លង ឬបាត់បង់សារក្នុងករណីចាប់ផ្តើមសេវាឡើងវិញ។
6. Consumer Service REST API
   កំណត់ទម្រង់ API សម្រាប់កម្មវិធីអ្នកប្រើប្រាស់ រួមទាំងរបៀបដែលពួកគេឆ្លើយតបទៅនឹងសំណើ HTTP និងគ្រប់គ្រងការបរាជ័យ។

អត្ថប្រយោជន៍របស់ MPS

1. ធ្វើឱ្យប្រសើរឡើងនូវតុល្យភាព
   MPS កាត់បន្ថយភាពញឹកញាប់នៃតុល្យភាពឡើងវិញដោយរក្សាការស្ទង់មតិ Kafka ស្ថិរភាពតាមរយៈ PendingQueue របស់វា។ វាញែកការប្រើប្រាស់សារចេញពីការធ្វើមាត្រដ្ឋានកម្មវិធីអ្នកប្រើប្រាស់ កាត់បន្ថយការរំខាន។
2. ការគ្រប់គ្រងប្រកបដោយប្រសិទ្ធភាពនៃសារថ្នាំពុល
   កម្មវិធីអ្នកប្រើប្រាស់អាចរកឃើញសារដែលមានបញ្ហា និងជូនដំណឹងដល់ MPS ដែលបញ្ជូនពួកគេទៅកាន់ DLQ ដោយធានាថាសារដែលនៅសល់ត្រូវបានដំណើរការយ៉ាងរលូន។
3. ការសន្សំថ្លៃដើម និងលទ្ធភាពធ្វើមាត្រដ្ឋាន
   • សេវាអ្នកប្រើប្រាស់គ្មានរដ្ឋ ៖ កម្មវិធីអាចធ្វើមាត្រដ្ឋានយ៉ាងស្វាហាប់ជាមួយ Kubernetes ដោយផ្អែកលើតម្រូវការ ដោយមិនចាំបាច់បែងចែកធនធានជាមុន។
   • Kafka Optimization : ចង្កោម Kafka ត្រូវ​បាន​ធ្វើ​មាត្រដ្ឋាន​ដោយ​ផ្អែក​លើ​ការ​បញ្ជូន​ជា​ជាង​ការ​រាប់​ភាគ​ថា​ស ដោយ​កាត់​បន្ថយ​តម្លៃ​ហេដ្ឋារចនាសម្ព័ន្ធ។
4. ប្រតិបត្តិការសាមញ្ញ
   REST ទំនាក់ទំនងរវាង MPS និងសេវា ការដំឡើងកម្មវិធី  កម្មអតិថិជនធានាភាពឆបគ្នាជាមួយភាសាកម្មវិធី និងក្របខ័ណ្ឌផ្សេងៗ លើកកម្ពស់ភាពបត់បែន។

ការពិចារណាបន្ថែម

1. តុល្យភាពឡើងវិញនៅក្នុង MPS
   MPS ខ្លួនវាដំណើរការជាអ្នកប្រើប្រាស់ Kafka និងជាកម្មវត្ថុនៃការធ្វើឱ្យមានតុល្យភាពឡើងវិញ។ ទោះជាយ៉ាងណាក៏ដោយ ការរចនារបស់វា អនុលោមតាមលក្ខណៈនេះយ៉ាងប្រណិត ជាមួយនឹង PendingQueue ដើរតួជាទ្រនាប់ក្នុងអំឡុងពេលអន្តរកាល។
2. REST ធៀបនឹងពិធីការផ្សេងទៀត
   REST ត្រូវបានជ្រើសរើសលើពិធីការដូចជា gRPC សម្រាប់ភាពសាមញ្ញ និងភាពឆបគ្នាយ៉ាងទូលំទូលាយ ទោះបីជាវាមានតម្លៃខ្ពស់ជាងក៏ដោយ។
3. ការបង្កើនភាពស្មុគស្មាញ
   ការណែនាំ MPS បន្ថែមស្រទាប់អន្តរការី ដែលទាមទារធនធានបន្ថែមសម្រាប់ការត្រួតពិនិត្យ និងថែទាំ។ ទោះជាយ៉ាងណាក៏ដោយអត្ថប្រយោជន៍របស់វាលើសពីភាពស្មុគស្មាញបន្ថែម។.

នៅក្នុងការផ្លាស់ប្តូរដ៏អស្ចារ្យមួយដែលបានកំណត់ដើម្បីធ្វើបដិវត្តទេសភាព DevOps JFrog និង GitHub បានប្រកាសពីភាពជាដៃគូដ៏ទូលំទូលាយមួយក្នុងគោលបំណងរួមបញ្ចូលវេទិការៀងៗខ្លួនរបស់ពួកគេ។ កិច្ចសហការនេះត្រូវបានបង្ហាញនៅថ្ងៃទី 29 ខែឧសភា ឆ្នាំ 2024 សន្យាថានឹងសម្រួលដំណើរការអភិវឌ្ឍន៍កម្មវិធី និងបង្កើនវិធានការសុវត្ថិភាពនៅទូទាំងខ្សែសង្វាក់ផ្គត់ផ្គង់កម្មវិធីទាំងមូល។

លក្ខណៈសំខាន់ៗនៃភាពជាដៃគូ

ការរួមបញ្ចូលដោយគ្មានថ្នេរ

សម្ព័ន្ធភាពនឹងអនុញ្ញាតឱ្យមានការត មូលដ្ឋានទិន្នន័យអ៊ីមែលមុខងារមុខងារ ភ្ជាប់ទ្វេទិសពីកំណើតរវាងកូដប្រភពនៅក្នុងឃ្លាំង GitHub និងកញ្ចប់ដែលបានបង្កើតដែលរក្សាទុកនៅក្នុងវេទិកា JFrog ។ សមាហរណកម្មនេះត្រូវបានរចនាឡើងដើម្បីផ្តល់ឱ្យអ្នកអភិវឌ្ឍន៍នូវទិដ្ឋភាពរួមនៃគម្រោងរបស់ពួកគេ សម្របសម្រួលការរុករកកាន់តែងាយស្រួល និងតាមដានរវាងកូដប្រភព និងប្រព័ន្ធគោលពីរ។

ការអភិវឌ្ឍន៍ដោយ AI

ទិដ្ឋភាពសំខាន់នៃភាពជាដៃគូនេះគឺការរួមបញ្ចូលជាមួយ GitHub Copilot ដែលជាក្របខ័ណ្ឌ AI ជំនាន់ចុងក្រោយដែលផ្អែកលើគំរូភាសាធំ (LLMs) ដែ ផលប៉ះពាល់លើទេ លបង្កើតឡើងដោយ OpenAI ។ សមាហរណកម្មនេះមានគោលបំណងបង្កើនបញ្ញាសិប្បនិម្មិត ដើម្បីបង្កើនប្រសិទ្ធភាព និងផលិតភាពនៃការសរសេរកូដ។

វិធានការសន្តិសុខដែលបានពង្រឹង

កិច្ចសហការនេះនឹងផ្តោតលើការកែល វិធីជំរុញវេទិកាទិន្នន័យអតិថិជនរបស់អ្នក។ ម្អសុវត្ថិភាពពេញមួយវដ្តនៃការអភិវឌ្ឍន៍កម្មវិធី។ JFrog CTO Yoav Landman បានសង្កត់ធ្ងន់ថាភាពជាដៃគូនេះនឹងធ្វើឱ្យវាកាន់តែងាយស្រួលសម្រាប់អង្គការនានាក្នុងការអនុវត្តការអនុវត្ត DevSecOps ដ៏ល្អបំផុតតាមការប្រកាស។

ការអភិវឌ្ឍន៍នាពេលអនាគត

ជំនាន់ SBOM ថាមវន្ត

ក្នុងរយៈពេលប៉ុន្មានខែខាងមុខនេះ JFrog និង GitHub គ្រោងនឹងផ្តល់នូវការមើលឃើញសុវត្ថិភាពពេញលេញពីកូដប្រភពទៅបរិយាកាសផលិតកម្ម។ ការរីកចម្រើននេះនឹងសម្រួលដល់ការបង្កើតវិក្កយបត្រផ្នែកទន់នៃសម្ភារៈ (SBOMs) ដែលមានសារៈសំខាន់សម្រាប់ការថែរក្សាតម្លាភាព និងសុវត្ថិភាពនៅក្នុងខ្សែសង្វាក់ផ្គត់ផ្គង់កម្មវិធី។

ការគ្រប់គ្រងគម្រោងបង្រួបបង្រួម

ភាពជាដៃគូនឹងណែនាំសមត្ថភាពនៃការចុះហត្ថលេខាតែមួយរួមបញ្ចូលគ្នា ដែលអនុញ្ញាតឱ្យក្រុម DevOps កាន់តែងាយស្រួលបង្រួបបង្រួមគម្រោងនៅទូទាំ លេខអាហ្សង់ទីន ផលប៉ះពាល់លើទេ ងវេទិកាជាច្រើន។ លក្ខណៈពិសេសនេះត្រូវបានគេរំពឹងថានឹងធ្វើឱ្យប្រសើរឡើងយ៉ាងខ្លាំងនូវសុវត្ថិភាពនៃខ្សែសង្វាក់ផ្គត់ផ្គង់កម្មវិធី។

ស្តង់ដារនៃលំហូរការងារ

Landman បានកត់សម្គាល់ថាសម្ព័ន្ធភាពនេះបង្ហាញពីការបញ្ចប់នៃយុគសម័យ “Wild West” នៅក្នុងការអភិវឌ្ឍន៍កម្មវិធី។ អង្គការកំពុងបង្កើនស្តង់ដារលើវេទិកាដែលសម្រួលដល់លំហូរការងាររបស់ DevOps ដោយហេតុនេះកាត់បន្ថយហានិភ័យដែលទាក់ទងនឹងការកសាង និងថែទាំកម្មវិធី។

ការផ្លាស់ប្តូរដែលជំរុញដោយ AI

ភាពជាដៃគូកើតឡើងនៅពេលដែល AI ត្រៀមខ្លួនជាស្ ផលប៉ះពាល់លើទេ រេចដើម្បីផ្លាស់ប្តូរជាមូលដ្ឋាននៃការអភិវឌ្ឍន៍កម្មវិធី និងដំណើរការដាក់ឱ្យប្រើប្រាស់។ ទាំង JFrog និង GitHub ត្រូវបានគេរំពឹងថានឹងបញ្ចូលសមត្ថភាព AI ជំនាន់ជាច្រើនទៅក្នុងវេទិការបស់ពួកគេ ដែលធ្វើឱ្យវាកាន់តែងាយស្រួលសម្រាប់ក្រុម DevOps ក្នុងការសាងសង់ ប្រើប្រាស់ និងគ្រប់គ្រងកម្មវិធីដែលមានសុវត្ថិភាពក្នុងកម្រិតដែលមិនធ្លាប់មានពីមុនមក។

នៅក្នុងពិភពនៃការអភិវឌ្ឍន៍កម្មវិធី ការរួមបញ្ចូលជាបន្តបន្ទាប់ និងការចែកចាយបន្ត (CI/CD) ដើរតួនាទីយ៉ាងសំខាន់ក្នុងការធានាឱ្យមានការដាក់ឱ្យប្រើប្រាស់កូដប្រកបដោយប្រសិទ្ធភាព។ ក្រុមហ៊ុនបច្ចេកវិទ្យាយក្សពីរគឺ Amazon និង Google បានទទួលយកវិធីសាស្រ្តផ្សេងគ្នាយ៉ាងធំធេងចំពោះ CI/CD ដែលនីមួយៗមានភាពខ្លាំង និងបញ្ហាប្រឈមផ្ទាល់ខ្លួន ។

Monorepo ទល់នឹង Microrepos: មូលដ្ឋានគ្រឹះនៃភាពខុសគ្នា

ចំណុចសំខាន់នៃភាពផ្ទុយគ្នានេះគឺភា បញ្ជីអ៊ីម៉ែល b2bពខុសគ្នាជាមូលដ្ឋាននៅក្នុងរចនាសម្ព័ន្ធឃ្លាំង។ Google ប្រើប្រព័ន្ធ monorepo ដែលវិស្វករជាង 120,000 នាក់ចែករំលែកឃ្លាំងតែមួយដោយគ្មានសាខា។ ម៉្យាងវិញទៀត Amazon ប្រើប្រាស់ microrepos រាប់ពាន់ ដោយសេវាកម្មនីមួយៗជាធម្មតាមានឃ្លាំងផ្ទាល់ខ្លួន ។

សមត្ថភាពបញ្ជូនមុនរបស់ Google

វិធីសាស្រ្ត monorepo របស់ Google ត្រូវការហេដ្ឋា របៀបស្វែងរកកាលបរិច្ឆេទនៃការបង្កើតគេហទំព័រ និងសារៈសំខាន់របស់វានៅក្នុង seo ធីសាស្រ្តផ្ទុយគ្នាទៅនឹង  រចនាសម្ព័ន្ធសាកល្បងមុនបញ្ជូនដ៏រឹងមាំ។ ជាមួយនឹងចំនួនដ៏ច្រើននៃអ្នកអភិវឌ្ឍន៍ដែលកំពុងធ្វើការលើឃ្លាំងតែមួយ ផលប៉ះពាល់ដែលអាចកើតមាននៃការឆែកឆេរមិនល្អគឺធំសម្បើម។ ដើម្បីកាត់បន្ថយហានិភ័យនេះ Google បានបណ្តាក់ទុនយ៉ាងច្រើននៅក្នុងសមត្ថភាពធ្វើតេស្តជាមុន

បរិស្ថានសាកល្បងមិនច្បាស់លាស់៖  Google បានបង្កើតហេដ្ឋារចនាសម្ព័ន្ធជាច្រើនដើម្បីដំណើរការការធ្វើតេស្តរួមបញ្ចូលពីចុងដល់ចប់ពីបរិស្ថានអ្នកអភិវឌ្ឍន៍ក្នុងស្រុក ឬអំឡុងពេលពិនិត្យកូដ។ ការធ្វើតេស្តទាំងនេះធ្វើឡើងប្រឆាំងនឹងបរិយាកាសតេស្តដែលមានលក្ខណៈមិនច្បាស់លាស់ ដែលអនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍ចាប់បញ្ហា មុនពេលវាប៉ះពាល់ដល់មូលដ្ឋានកូដទាំងមូល។

ការជ្រើសរើសតេស្តឆ្លាតវៃ៖  ដោយគិតពីមាត្រដ្ឋាននៃ monorepo របស់ Google ការដំណើរការការធ្វើតេស្តដែលអាចធ្វើបានទាំងអស់សម្រាប់ការផ្លាស់ប្តូរនីមួយៗគឺមិនអាចអនុវត្តបាន។ ក្រុមហ៊ុនបានវិនិយោគលើការជ្រើសរើសតេស្តឆ្លាតវៃ និងយន្តការបន្ទោរបង់ដើម្បីបង្កើនប្រសិទ្ធភាពការប្រតិបត្តិការធ្វើតេស្ត

ឧត្តមភាពក្រោយការបញ្ជូនរបស់ Amazon

ផ្ទុយពី Google ក្រុមហ៊ុន Amazon ពូកែក្នុងដំណាក់កាលក្រោយការបញ្ជូន CI/CD ។ រចនាសម្ព័ន microrepo អនុញ្ញាតឱ្យមានបរិស្ថានដែលមានផ្ទុកកាន់តែច្រើន ដែលអនុញ្ញាតឱ្យដាក់ពង្រាយកាន់តែលឿនទៅផលិតកម្ម

ការដាក់ពង្រាយយ៉ាងឆាប់រហ័ស៖ ទស្សនវិជ្ជារបស់ក្រុមហ៊ុន Amazon សង្កត់ធ្ងន់លើការទទួលបានការផ្លាស់ប្តូរកូដទៅផលិតកម្មក្នុងរយៈពេលប៉ុន្មាន ធីសាស្រ្តផ្ទុយគ្នាទៅនឹង  ម៉ោង។ វិធីសាស្រ្តនេះត្រូវបានសម្របសម្រួលដោយរចនាសម្ព័ន្ធ microrepo ដែលអនុញ្ញាតឱ្យមានការផ្លាស់ប្តូរឯករាជ្យនិងធ្វើមូលដ្ឋានីយកម្មបន្ថែមទៀត។

ការកាត់បន្ថយកាំផ្ទុះដែលមានភ្ជាប់មកជាមួយ៖ ប្រព័ន្ធ microrepo ផ្តល់នូវយន្តការដែលមានស្រាប់សម្រាប់កំណត់ផលប៉ះពាល់នៃការចូលមិនល្អ។ ជាធម្មតាបញ្ហាត្រូវបានចាប់ និងរារាំង មុនពេលដែលវាអាចប៉ះពាល់ដល់ microrepos ផ្សេងទៀត។

ការដោះដូរពាណិជ្ជកម្ម

វិធីសាស្រ្តទាំងពីរនេះកើតឡើងជាមួ លេខអាហ្សង់ទីន យនឹងសំណុំបញ្ហាប្រឈម និងអត្ថប្រយោជន៍ផ្ទាល់របស់ពួកគេ៖

បញ្ហាប្រឈមរបស់ Google៖

• ស្មុគ្រស្មាញ ហេដ្ឋារចនាសម្ព័ន្ធ ដាក់ស្នើជាមុន
• ការ​ដាក់​ពង្រាយ​ក្រោយ​ការ​ដាក់​ស្នើ​យឺត​ជាង
• ការលំបាកក្នុងការកំណត់អត្តសញ្ញាណពិរុទ្ធជនក្នុងការដាក់ពង្រាយដែលបរាជ័យ

បញ្ហាប្រឈមរបស់ Amazon៖

• ការធ្វើតេស្តដាក់ស្នើជាមុនមិនសូវរឹងមាំ
• ភាពស្មុគស្មាញក្នុងការគ្រប់គ្រងលំហូរកូដរវាង microrepos
• បញ្ហាដែលអាចកើតមានជាមួយដំណោះស្រាយកំណែអាស្រ័យ

សេចក្តីសន្និដ្ឋាន

ការជជែកវែកញែករវាងវិធីសាស្រ្ត monorepo និង microrepo កំពុងបន្ត ដោយប្រព័ន្ធនីមួយៗមានអ្នកគាំទ្ររបស់វា។ ទីបំផុតទាំង Amazon និង Google បានកែសម្រួលដំ ធីសាស្រ្តផ្ទុយគ្នាទៅនឹង  ណើរការ CI/CD របស់ពួកគេ ដើម្បីដំណើរការប្រកបដោយប្រសិទ្ធភាពនៅក្នុងរចនាសម្ព័ន្ធឃ្លាំងដែលបានជ្រើសរើសរបស់ពួកគេ។ គន្លឹះសំខាន់គឺថាការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធដែលដាក់ស្នើមុន និងក្រោយការដាក់ស្នើអាចនាំទៅរកការកែលម្អយ៉ាងសំខាន់នៅក្នុងផលិតភាពរបស់អ្នកអភិវឌ្ឍន៍ និងគុណភាពកូដ។

នៅក្នុងទិដ្ឋភាពឌីជីថលដែលមានល្បឿនលឿននាពេលបច្ចុប្បន្ននេះ ការត្រួតពិនិត្យប្រកបដោយប្រសិទ្ធភាព និងការមើលឃើញទិន្នន័យបានក្លាយទៅជារឿងសំខាន់សម្រាប់អាជីវកម្មដើម្បីរក្សាបាននូវប្រតិបត្តិការដ៏ល្អប្រសើរ និងធ្វើការសម្រេចចិត្តប្រកបដោយការយល់ដឹង។ ឧបករណ៍ដ៏មានអានុភាពពីរដែលបានធ្វើបដិវត្តអវកាសនេះគឺ Grafana និង Docker ។ នៅពេលបញ្ចូលគ្នា ពួកគេបង្កើតដំណោះស្រាយដ៏គួរឱ្យទាក់ទាញមួយសម្រាប់ការត្រួតពិនិត្យ និងមើលឃើញទិន្នន័យនៅក្នុងបរិយាកាសផ្ទុក។

ការយល់ដឹងអំពី Grafana និង Docker

Grafana គឺជាវេទិកាត្រួតពិនិត្យ បញ្ជីអ៊ីមែលរបស់ប្រទេសនិងវិភាគប្រភពបើកចំហ ដែលអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់សាកសួរ មើលឃើញ និងដាស់តឿនលើម៉ែត្រពីប្រភពទិន្នន័យផ្សេងៗ។ ម៉្យាងវិញទៀត Docker គឺជាវេទិកាមួយដែលអាចឱ្យអ្នកបង្កើតកញ្ចប់កម្មវិធី និងភាព បញ្ចេញថាមពលនៃការ អាស្រ័យរបស់ពួកគេចូលទៅក្នុងកុងតឺន័រ ដោយធានាបាននូវភាពស៊ីសង្វាក់គ្នានៅទូទាំងបរិយាកាសផ្សេងៗគ្នា។

នៅពេលដែល Grafana ត្រូវបានដាក់ពង្រាយដោយប្រើ Docker វានាំមកនូវភាពល្អបំផុតនៃពិភពលោកទាំងពីរ – សមត្ថភាពមើលឃើញដ៏មានឥទ្ធិពល និងភាពបត់បែននៃកុងតឺន័រ។

គុណសម្បត្តិនៃការដំណើរការ Grafana នៅក្នុង Docker

អត្ថប្រយោជន៍ចម្បងមួយនៃការដំណើរការ Grafana នៅក្នុង Docker គឺភាពឯកោដែលវាផ្តល់។ ធុង Docker រុំព័ទ្ធ Grafana និងភាពអាស្រ័យរបស់វា ការពារការប៉ះទង្គិចជាមួយកម្មវិធីផ្សេងទៀតនៅលើប្រព័ន្ធ។ ភាពឯកោនេះធានាថា Grafana អាចត្រូវបានកំណត់រចនាសម្ព័ន្ធជាមួយនឹងកំណែជាក់លាក់ដោយមិនប៉ះពាល់ដល់បរិស្ថានម៉ាស៊ីន ឬកម្មវិធីផ្សេងទៀត។

លើសពីនេះទៅទៀត ភាពចល័តរបស់ Docker អ បញ្ចេញថាមពលនៃការ នុញ្ញាតឱ្យការដំឡើង Grafana ចម្លងបានយ៉ាងងាយស្រួលនៅទូ វិធីជំរុញវេទិកាទិន្នន័យអតិថិជនរបស់អ្នក។ ទាំងបរិយាកាសផ្សេងៗគ្នា ចាប់ពីការអភិវឌ្ឍន៍រហូតដល់ការផលិត ដោយគ្មានហានិភ័យនៃការកំណត់រចនាសម្ព័ន្ធ។ ភាពស៊ីសង្វាក់គ្នានេះធានាថារាល់ករណីរបស់ Grafana ប្រព្រឹត្តដូចគ្នា ដោយមិនគិតពីកន្លែងដែលវាត្រូវបានដាក់ពង្រាយ។

ការធ្វើមាត្រដ្ឋាន និងការគ្រប់គ្រងធនធាន

កុងតឺន័រ Docker មានទម្ងន់ស្រាល និងងាយស្រួលក្នុងការធ្វើមាត្រដ្ឋាន ដែលធ្វើឱ្យវាសាមញ្ញក្នុងការបង្កើនករណី Grafana បន្ថែម នៅពេលដែលតម្រូវការត្រួតពិនិត្យកើនឡើង។ ឧបករណ៍ orchestration Docker ដូចជា Kubernetes អាចធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិដោយផ្អែកលើការផ្ទុក ដោយធានានូវការដាក់ឱ្យប្រើប្រាស់ Grafana ដ៏រឹងមាំ និងអាចបត់បែនបាន។

គោលគំនិត Docker គន្លឹះសម្រាប់ការដាក់ពង្រាយ Grafana

ដើម្បីដាក់ឱ្យប្រើប្រាស់ Grafana ប្រកបដោ លេខអាហ្សង់ទីន បញ្ចេញថាមពលនៃការ យប្រសិទ្ធភាព ដោយប្រើ Docker វាចាំបាច់ណាស់ក្នុងការយល់ដឹងអំពីគោលគំនិត Docker សំខាន់ៗមួយចំនួន៖

1. រូបភាព Docker៖ ការកំណត់ឋិតិវន្តសម្រាប់កុងតឺន័រ។ រូបភាព Grafana Docker ផ្លូវការមានសមាសធាតុចាំបាច់ទាំងអស់ដើម្បីដំណើរការ Grafana នៅក្នុងបរិយាកាសផ្ទុក។
2. កុងតឺន័រ៖ ជាឧទាហរណ៍ដែលកំពុងដំណើរការនៃរូបភាព Docker ។ នៅពេលដាក់ពង្រាយ Grafana អ្នកបង្កើតកុងតឺន័រពីរូបភាព Grafana ដែលរួមបញ្ចូលអ្វីគ្រប់យ៉ាងដែលត្រូវការដើម្បីដំណើរការកម្មវិធី។
3. Docker Compose៖ ជាឧបករណ៍សម្រាប់កំណត់ និងគ្រប់គ្រងការដំឡើងពហុកុងតឺន័រ ដែលមានប្រយោជន៍នៅពេលដាក់ពង្រាយ Grafana ជាមួយនឹងសេវាកម្មផ្សេងទៀតដូចជា Prometheus ឬ Loki។

ការដំឡើង Grafana នៅក្នុង Docker

ជំហានទី 1: ទាញរូបភាព Grafana Docker

ដើម្បីចាប់ផ្តើម សូមទាញរូបភាព Grafana Docker ចុងក្រោយបង្អស់ពី Docker Hub៖

ជំហានទី 2: ដំណើរការ Grafana ជាកុងតឺន័រ

នៅពេលដែលរូបភាពត្រូវបានទាញ សូមដំណើរការ Grafana ជាធុងមួយ៖

ពាក្យបញ្ជានេះចាប់ផ្តើម Grafana ហើយផែនទីច្រក 3000 នៅលើម៉ាស៊ីនទៅកាន់ច្រក 3000 នៅក្នុងកុងតឺន័រ។

ជំហានទី 3៖ ការប្រើប្រាស់ Docker Compose សម្រាប់ការដំឡើងកម្រិតខ្ពស់

សម្រាប់ការដំឡើងស្មុគ្រស្មាញដែលពាក់ព័ន្ធនឹងធុងច្រើន Docker Compose គឺមានតម្លៃមិនអាចកាត់ថ្លៃបាន។ នេះជាឧទាហរណ៍ ឯកសារ docker-compose.

នៅក្នុងការផ្លាស់ប្តូរដ៏អស្ចារ្យមួយដែលបានកំណត់ដើម្បីធ្វើបដិវត្តទេសភាព DevOps JFrog និង GitHub បានប្រកាសពីភាពជាដៃគូដ៏ទូលំទូលាយមួយក្នុងគោលបំណងរួមបញ្ចូលវេទិការៀងៗខ្លួនរបស់ពួកគេ។ កិច្ចសហការនេះត្រូវបានបង្ហាញនៅថ្ងៃទី 29 ខែឧសភា ឆ្នាំ 2024 សន្យាថានឹងសម្រួលដំណើរការអភិវឌ្ឍន៍កម្មវិធី និងបង្កើនវិធានការសុវត្ថិភាពនៅទូទាំងខ្សែសង្វាក់ផ្គត់ផ្គង់កម្មវិធីទាំងមូល។

លក្ខណៈសំខាន់ៗនៃភាពជាដៃគូ

សម្ព័ន្ធភាពនឹងអនុញ្ញាតឱ្យមានកា ទិញសេវា sms ច្រើន រតភ្ជាប់ទ្វេទិសពីកំណើតរវាងកូដប្រភពនៅក្នុងឃ្លាំង GitHub និងកញ្ចប់ដែលបានបង្កើតដែលរក្សាទុកនៅក្នុងវេទិកា JFrog ។ សមាហរណកម្មនេះត្រូវបានរចនាឡើងដើម្បីផ្តល់ឱ្យអ្នកអភិវឌ្ឍន៍នូវទិដ្ឋភាពរួមនៃគម្រោងរបស់ពួកគេ សម្របសម្រួលការរុករកកាន់តែងាយស្រួល និងតាមដានរវាងកូដប្រភព និងប្រព័ន្ធគោលពីរ។

ការអភិវឌ្ឍន៍ដោយ AI

ទិដ្ឋភាពសំខាន់នៃភាពជាដៃគូនេះគឺការរួមប វិធីជំរុញវេទិកាទិន្នន័យអតិថិជនរបស់អ្នក។ ញ្ចូលជាមួយ GitHub Copilot ដែលជាក្របខ័ណ្ឌ AI ជំនាន់ចុងក្រោយដែលផ្អែកលើគំរូភាសាធំ (LLMs) ដែលបង្កើតឡើងដោយ OpenAI ។ ការធ្វើសមាហរណកម្មនេះ មានគោលបំណងប្រើប្រាស់បញ្ញាសិប្បនិម្មិត ដើម្បីបង្កើនប្រសិទ្ធភាព និងផលិតភាពនៃការសរសេរកូដ។

វិធានការសន្តិសុខដែលបានពង្រឹង

កិច្ចសហការនេះនឹងផ្តោតលើការកែលម្  ផលប៉ះពាល់ស អសុវត្ថិភាពពេញមួយវដ្តនៃការអភិវឌ្ឍន៍កម្មវិធី។ JFrog CTO Yoav Landman បានសង្កត់ធ្ងន់ថាភាពជាដៃគូនេះនឹងធ្វើឱ្យវាកាន់តែងាយស្រួលសម្រាប់អង្គការនានាក្នុងការអនុវត្តការអនុវត្ត DevSecOps ដ៏ល្អបំផុតតាមការប្រកាស។ 

ការអភិវឌ្ឍន៍នាពេលអនាគត

ជំនាន់ SBOM ថាមវន្ត

ក្នុងរយៈពេលប៉ុន្មានខែខាងមុខនេះ JFr og និង GitHub ផលប៉ះពាល់ស  គ្រោងនឹងផ្តល់នូវការមើលឃើញសុវត្ថិភាពពេញលេញពីកូដប្រភពទៅបរិយាកាសផលិតកម្ម។ ការរីកចម្រើននេះនឹងសម្រួលដល់ការបង្កើតវិក្កយបត្រផ្នែកទន់នៃសម្ភារៈ (SBOMs) ដែលមានសារៈសំខាន់សម្រាប់ការថែរក្សាតម្លាភាព និងសុវត្ថិភាពនៅក្នុងខ្សែសង្វាក់ផ្គត់ផ្គង់កម្មវិធី។

ការគ្រប់គ្រងគម្រោងបង្រួបបង្រួម

ភាពជាដៃគូនឹងណែនាំសមត្ថភាពនៃ លេខអាហ្សង់ទីន ការចុះហត្ថលេខាតែមួយរួមបញ្ចូលគ្នា ដែលអនុញ្ញាតឱ្យក្រុម DevOps កាន់តែងាយស្រួលបង្រួបបង្រួមគម្រោងនៅទូទាំងវេទិកាជាច្រើន។ លក្ខណៈពិសេសនេះត្រូវបានគេរំពឹងថានឹងធ្វើឱ្យប្រសើរឡើងយ៉ាងខ្លាំងនូវសុវត្ថិភាពនៃខ្សែសង្វាក់ផ្គត់ផ្គង់កម្មវិធី។

ផលប៉ះពាល់លើទេសភាព DevOps

ស្តង់ដារនៃលំហូរការងារ

Landman បានកត់សម្គាល់ថាសម្ព័ន្ធភាពនេះបង្ហាញពីការបញ្ចប់នៃយុគសម័យ “Wild West” នៅក្នុងការអភិវឌ្ឍន៍កម្មវិធី។ អង្គការកំពុងបង្កើនស្តង់ដារលើវេទិកាដែលសម្រួលដល់លំហូរការងាររបស់ DevOps ដោយហេតុនេះកាត់បន្ថយហានិភ័យដែលទាក់ទងនឹងការកសាង និងថែទាំកម្មវិធី។

ការផ្លាស់ប្តូរដែលជំរុញដោយ AI

ភាពជាដៃគូកើតឡើងនៅពេលដែល ផលប៉ះពាល់ស  AI ត្រៀមខ្លួនជាស្រេចដើម្បីផ្លាស់ប្តូរជាមូលដ្ឋាននៃការអភិវឌ្ឍន៍កម្មវិធី និងដំណើរការដាក់ឱ្យប្រើប្រាស់។ ទាំង JFrog និង GitHub ត្រូវបានគេរំពឹងថានឹងបញ្ចូលសមត្ថភាព AI ជំនាន់ជាច្រើនទៅក្នុងវេទិការបស់ពួកគេ ដែលធ្វើឱ្យវាកាន់តែងាយស្រួលសម្រាប់ក្រុម DevOps ក្នុងការសាងសង់ ប្រើប្រាស់ និងគ្រប់គ្រងកម្មវិធីដែលមានសុវត្ថិភាពក្នុងកម្រិតដែលមិនធ្លាប់មានពីមុនមក។

លទ្ធិប្រជាធិបតេយ្យនៃ DevOps

នៅពេលដែលសមត្ថភាព AI កាន់តែរីករាលដាលនៅក្នុងវេទិកា DevOps ឧបសគ្គក្នុងការចូលសម្រាប់អង្គការដែលកំពុងស្វែងរកការទទួលយកការអនុវត្ត DevOps ត្រូវបានគេរំពឹងថានឹងធ្លាក់ចុះយ៉ាងខ្លាំង។ ប្រជាធិបតេយ្យភាវូបនីយកម្មនេះអាចនាំឱ្យមានការកើនឡើងយ៉ាងច្រើននៃចំនួនអង្គការដែលអាចបង្កើត និងប្រើប្រាស់កម្មវិធីផ្ទាល់ខ្លួន។.

នៅក្នុងអាណាចក្រនៃការធ្វើតេស្តការអនុវត្ត Apache JMeter លេចធ្លោជាឧបករណ៍ដ៏មានអានុភាពសម្រាប់បង្កើតបន្ទុកយ៉ាងច្រើនដល់កម្មវិធីតេស្តស្ត្រេស។ ទោះយ៉ាងណាក៏ដោយ ករណី JMeter តែមួយអាចមិនគ្រប់គ្រាន់សម្រាប់សេណារីយ៉ូការធ្វើតេស្តខ្នាតធំនោះទេ។ នេះគឺជាកន្លែងដែលការធ្វើតេស្តផ្ទុកចែកចាយចូលមកលេង ហើយ Docker លេចចេញជាដំណោះស្រាយផ្លាស់ប្តូរហ្គេម ដើម្បីសម្រួលដំណើរការ។

ការយល់ដឹងអំពីស្ថាបត្យកម្មតេស្តចែកចាយរបស់ JMeter

ការរៀបចំការធ្វើតេស្តចែកចាយរបស់ JMeter ពាក់ព័ន្ធនឹងវត្ថុសំខាន់ដែលគ្រប់គ្រងវត្ថុ JMeter ពីចម្ងាយជាច្រើន ដែលត្រូវបានគេស្គាល់ថាជា ទិន្នន័យ telegramទាសករ។ ស្ថាបត្យកម្មនេះអនុញ្ញាតឱ្យបង្កើតបន្ទុកធំជាងនេះ ជំរុញកម្មវិធីដល់ដែនកំណត់របស់វា។

ការទំនាក់ទំនង Master-Slave

ការទំនាក់ទំនងរវាងមេ JMeter និងទាសករពឹងផ្អែកលើ Java RMI (Remote Method Invocation) ដែលអនុញ្ញាតឱ្យមានអន្តរកម្មជាមួយវត្ថុ 7 កម្មវិធីជំនួយលក់ឆ្លង និងលក់បន្តល្អបំផុតសម្រាប់ WooCommerce នៅក្នុងបណ្តាញចែកចាយ។ ការដំឡើងនេះតម្រូវឱ្យមានការកំណត់រចនាសម្ព័ន្ធច្រកជាក់លាក់៖

• ច្រកម៉ាស៊ីនមេ៖ ១០៩៩
• ច្រកក្នុងស្រុករបស់ម៉ាស៊ីនមេ RMI: 50000
• ច្រកក្នុងស្រុក RMI របស់អតិថិជន៖ 60000 (សម្រាប់ទាសករផ្ញើលទ្ធផលទៅមេ)

តាមរយៈការដាក់ពង្រាយ JMeter ការធានាគុណភាព  ជាច្រើនជាម៉ាស៊ីនមេនៅទូទាំងម៉ាស៊ីនផ្សេងៗ អ្នកសាកល្បងអាចបង្កើនសមត្ថភាពបង្កើតបន្ទុកដើម្បីបំពេញតម្រូវការសាកល្បងរបស់ពួកគេ។

បញ្ចូល Docker៖ ធ្វើឱ្យហេដ្ឋារចនាសម្ព័ន្ធ JMeter សាមញ្ញ

Docker ណែនាំការផ្លាស់ប្តូរគំរូក្នុងការគ្រប់ លេខអាហ្សង់ទីន គ្រងហេដ្ឋារចនាសម្ព័ន្ធការធ្វើតេស្តចែកចាយរបស់ JMeter ។ មិនដូចម៉ាស៊ីននិម្មិតប្រពៃណី Docker អនុញ្ ការធានាគុណភាព  ញាតឱ្យកម្មវិធីចែករំលែកខឺណែលលីនុចរបស់ប្រព័ន្ធម៉ាស៊ីន ដែលបណ្តាលឱ្យមានដំណើរការប្រសើរឡើង និងកាត់បន្ថយទំហំកម្មវិធី។

តួនាទីរបស់ Docker ក្នុងការធ្វើតេស្តចែកចាយ JMeter

ការដំឡើងម៉ាស៊ីនបម្រើ JMeter ជាច្រើនដោយដៃ ការធានាគុណភាព  អាចជាកិច្ចការដ៏គួរឱ្យភ័យខ្លាច ជាពិសេសនៅពេលដោះស្រាយជាមួយការដាក់ពង្រាយទ្រង់ទ្រាយធំ។ Docker សម្រួលដំណើរការនេះដោយបិទបាំងបរិស្ថាន JMeter ទាំងមូល រួមទាំងកំណែ Java និង JMeter ជាក់លាក់នៅក្នុងកុងតឺន័រមួយ។.

នៅក្នុងទិដ្ឋភាពនៃការវិវឌ្ឍដែលមិនធ្លាប់មាននៃការអភិវឌ្ឍន៍កម្មវិធី ការធ្វើតេស្តនៅតែជាធាតុផ្សំដ៏សំខាន់សម្រាប់ធានាគុណភាព និងភាពជឿជាក់នៃផលិតផល។ ទោះជាយ៉ាងណាក៏ដោយ ដំណើរការនៃការបង្កើតផែនការសាកល្បង និងលក្ខណៈបច្ចេកទេសជាប្រពៃណីគឺជាការងារដែលចំណាយពេលច្រើន និងពឹងផ្អែកលើកម្លាំងពលកម្ម។ បញ្ចូល Hephaestus (HEPH) ដែលជាក្របខ័ណ្ឌ AI បង្កើតថ្មីដែលបង្កើតឡើងដោយក្រុម DriveOS របស់ NVIDIA ដែលត្រូវបានរចនាឡើងដើម្បីធ្វើស្វ័យប្រវត្តិកម្ម និងសម្រួលដំណើរការបង្កើតការធ្វើតេស្ត។

អំណាចនៃ AI នៅក្នុងការធ្វើតេស្តកម្មវិធី

HEPH ប្រើប្រាស់គំរូភាសាធំ (LLMs) ដើម្បីវិភា អ្នកដឹកនាំពិសេស គឯកសារបញ្ចូល និងគំរូកូដ បង្កើតការសាកល្បងការយល់ដឹងអំពីបរិបទដែលតម្រូវតាមតម្រូវការជាក់លាក់។ វិធីសាស្រ្តដែលជំរុញដោយ AI នេះកាត់បន្ថយយ៉ាងខ្លាំងនូវពេលវេលាដែលបានចំណាយលើការបង្កើតករណីសាកល្បង ដោយផ្តល់នូវដំណោះស្រាយបដិវត្តចំពោះបញ្ហាប្រឈមដ៏យូរអង្វែងក្នុងការអភិវឌ្ឍន៍កម្មវិធី។

នៅក្នុងទិដ្ឋភាពនៃការអភិវឌ្ឍន៍កម្មវិធីដែលមានល្បឿនលឿននាពេលបច្ចុប្បន្ននេះ តួនាទីនៃការធានាគុណភាព (QA) កាន់តែមានសារៈសំខាន់។ នៅពេលដែលអង្គការខិតខំបញ្ចេញកម្មវិធីដែលមានគុណភាពខ្ពស់យ៉ាងឆាប់រហ័ស ការរួមបញ្ចូលការធ្វើតេស្តយ៉ាងរលូនទៅក្នុងបណ្តាញភ្ជាប់ជាបន្តបន្ទាប់ និងការដាក់ពង្រាយជាបន្តបន្ទាប់ (CI/CD) បានក្លាយជាភាពចាំបាច់។ ទោះជាយ៉ាងណាក៏ដោយ ក្រុម QA តែងតែប្រឈមមុខនឹងបញ្ហាប្រឈមដែលលើសពីជំនាញការធ្វើតេស្តបែបប្រពៃណីរបស់ពួកគេ ជាពិសេសនៅពេលនិយាយអំពីបញ្ហាទាក់ទងនឹងហេដ្ឋារចនាសម្ព័ន្ធ។

ការប្រឈមមុខនឹង QA នៅក្នុងពិភព CI/CD

អ្នកជំនាញ QA ពូកែយល់អំពីមុខងារកម្មវិធី កំណត់អត្តសញ្ញាណករណីគែម និងវិភាគឥរិយាបថអ្នកប្រើប្រាស់។ ការផ្តោតសំខាន់របស់ពួ បណ្ណាល័យលេខទូរស័ព្ទ កគេគឺលើការរចនាករណីសាកល្បងដ៏ទូលំទូលាយ ការវិភាគលទ្ធផល និងការធានាគុណភាពកូដមុនពេលចេញផលិត។ ទោះជាយ៉ាងណាក៏ដោយ នៅក្នុងបរិយាកាសដែលគ្របដណ្ដប់ដោយការដាក់ពង្រាយដោយស្វ័យប្រវត្តិយ៉ាងឆាប់រហ័ស វិស្វករ QA តែងតែជួបប្រទះនឹងឧបសគ្គទាក់ទងនឹងហេដ្ឋារចនាសម្ព័ន្ធ និងការគ្រប់គ្រងវេទិកា។

ការពឹងផ្អែកលើវិស្វកម្មវេទិកា

បញ្ហាប្រឈមចម្បងមួយដែលក្រុម QA ប្រឈមមុខគឺការពឹងផ្អែករបស់ពួកគេលើវិស្វកម្មវេទិកាសម្រាប់បំពង់ CI/CD ។ ខណៈពេលដែលបំពង់ប ការធានាគុណភាព (QA)សំបុត្រព័ត៌មាន ង្ហូរប្រេងទាំងនេះមានសារៈសំខាន់សម្រាប់ការរួមបញ្ចូល និងការដាក់ឱ្យប្រើប្រាស់កម្មវិធីទំនើប ការកសាង និងថែទាំពួកវាតម្រូវឱ្យមានជំនាញហេដ្ឋារចនាសម្ព័ន្ធជាធម្មតានៅខាងក្រៅដែន QA ។ ភាពអាស្រ័យនេះអាចបង្កើតការរាំងស្ទះ និងបន្ថយដំណើរការសាកល្បង។

សាកល្បងការផ្តល់បរិស្ថាន

តាមឧត្ដមគតិ បរិយាកាសសាកល្បងគួរតែឆ្លុះបញ្ចាំងយ៉ាងជិ របៀបស្វែងរកកាលបរិច្ឆេទនៃការបង្កើតគេហទំព័រ និងសារៈសំខាន់របស់វានៅក្នុង seo តស្និទ្ធនូវការកំណត់ផលិតកម្ម ហើយអាចចូលប្រើបានយ៉ាងងាយស្រួល។ ទោះជា ការធានាគុណភាព (QA)សំបុត្រព័ត៌មាន យ៉ាងណាក៏ដោយ ការផ្តល់ និងការថែរក្សាបរិស្ថានបែបនេះទាមទារចំណេះដឹងផ្នែកហេដ្ឋារចនាសម្ព័ន្ធដ៏រឹងមាំ រួមទាំងការរៀបចំកុងតឺន័រ ការធ្វើមាត្រដ្ឋាន និងការកំណត់រចនាសម្ព័ន្ធបណ្តាញ។ កង្វះស្វ័យភាពក្នុងការគ្រប់គ្រងបរិស្ថានរារាំងសមត្ថភាពរបស់ក្រុម QA ក្នុងការធ្វើតេស្ដយ៉ាងម៉ត់ចត់ប្រកបដោយប្រសិទ្ធភាព។

ភាពស្មុគស្មាញនៃការអនុវត្តកម្មវិធី

ការ​ដាក់​ឱ្យ​ប្រើ​ប្រាស់​កម្មវិធី​សម្រាប់ លេខអាហ្សង់ទីន ​ការ​សាកល្បង​មាន​ច្រើន​ជាង​ការ​ដំណើរការ​កូដ។ វាទាមទារការគ្រប់គ្រងភាពអាស្រ័យ ការគ្រប់គ្រងការកំណត់រចនាសម្ព័ន្ធ និងធានាឱ្យមានការដាក់ពង្រាយដាច់ដោយឡែក។ វិស្វករ QA ជាច្រើនរកឃើញភាពស្មុគ្រស្មាញនៃការដាក់ពង្រាយទាំងនេះនៅខាងក្រៅជំនាញស្នូលរបស់ពួកគេ ដោយធ្វើឱ្យពួកគេពឹងផ្អែកលើក្រុម DevOps ។ ការពឹងផ្អែកនេះអាចនាំឱ្យមានការពន្យារពេល ជាពិសេសនៅពេលដែលធនធាន DevOps មានកម្រិត។.

នៅក្នុងទិដ្ឋភាពវិវត្តន៍យ៉ាងឆាប់រហ័សនៃដំណើរការភាសាធម្មជាតិ (NLP) Nvidia បានបង្ហាញការអភិវឌ្ឍន៍ផ្លាស់ប្តូរហ្គេមដែលសន្យាថានឹងធ្វើបដិវត្តអន្តរកម្មរវាងមនុស្ស និងកុំព្យូទ័រ។ ក្រុមហ៊ុនបច្ចេកវិទ្យាយក្សមួយនេះបានបញ្ចេញនូវគំរូបទភ្លេង Llama3-70b QA/RAG ដែលមានលក្ខណៈប្រកួតប្រជែង ដែលបង្ហាញពីព្រឹត្តិការណ៍ដ៏សំខាន់មួយនៅក្នុងអាណាចក្រនៃ Retrieval-Augmented Generation (RAG) និងប្រព័ន្ធសំណួរ-ចម្លើយសន្ទនា (QA) ។

ការណែនាំ Llama3-ChatQA-1.5៖ ស្តង់ដារថ្មីក្នុងការសន្ទនា AI

ចំណុចសំខាន់នៃរបកគំហើញនេះគឺម៉ូដែល Llama3-ChatQA-1.5 ដែលជាការរីកចំរើនដ៏គួរឱ្យចាប់អារម្មណ៍មួយដែលបានបង្កើតឡើងនៅលើមូ បញ្ជីលេខ whatsapp លដ្ឋាននៃអ្នកកាន់តំណែងមុនរបស់ខ្លួនគឺ ChatQA (1.0)។ ការធ្វើឡើងវិញថ្មីនេះប្រើប្រាស់នូវគំរូមូលដ្ឋាន Llama-3 ដ៏រឹងមាំ និងរួមបញ្ចូលនូវរូបមន្តបណ្តុះបណ្តាលដែលប្រសើរឡើង ដើម្បីផ្តល់នូវដំណើរការដែលមិនធ្លាប់មានពីមុនមក។

លក្ខណៈសំខាន់ៗ និងការកែលម្អ

1. សមត្ថភាពបន្ថែម ៖ ម៉ូដែលនេះមានសមត្ថភាពក្នុងការគណនាតារាង និងនព្វន្ធដែលប្រសើរឡើង ដោយសារការរួមបញ្ចូលនៃសំណុំទិន្នន័ Nvidia ធ្វើបដិវត្តការសន្ទនា  យ QA សន្ទនាខ្នាតធំ។
2. កំណែពីរ ៖ Llama3-ChatQA-1.5 មានពីរប្រភេទ៖
   • Llama3-ChatQA-1.5-8B (8 ពាន់លានប៉ារ៉ាម៉ែត្រ)
   • Llama3-ChatQA-1.5-70B (70 ពាន់លានប៉ារ៉ាម៉ែត្រ)
3. ភាពងាយស្រួល ៖ ដំបូងឡើយត្រូវបានបណ្តុះបណ្តាលជាមួយ Megatron-LM កំណែទាំងពីរត្រូវបានបំប្លែងទៅជាទម្រង់ Hugging Face ដែលធានានូវភាពងាយស្រួល និងភាពងាយស្រួលនៃការប្រើប្រាស់សម្រាប់អ្នកអភិវឌ្ឍន៍ និងអ្នកស្រាវជ្រាវ។

ការវិវត្តន៍ពី ChatQA ទៅ Llama3-ChatQA-1.5

ការអភិវឌ្ឍន៍របស់ Llama3-ChatQA-1.5 ផ្អែកលើភា វិធីជំរុញវេទិកាទិន្នន័យអតិថិជនរបស់អ្នក។ ពជោគជ័យរបស់ ChatQA ដែលជាក្រុមគ្រួសារនៃគំរូ QA សន្ទនាដែលបានបង្ហាញកម្រិតប្រតិបត្តិការដែលប្រៀបធៀបទៅនឹង GPT-4 ។ ChatQA បានណែនាំយុទ្ធសាស្ត្រកែសំរួលការណែនាំពីរដំណាក់កាលប្រលោមលោក ដែលជួយបង្កើនលទ្ធផល QA នៃការសន្ទនាសូន្យយ៉ាងសំខាន់ជាមួយនឹងគំរូភាសាធំ (LLMs)។

ការបង្កើតឡើងវិញ – បង្កើនភាពច្នៃប្រឌិត

មុខងារសំខាន់របស់ ChatQA គឺការប្រើប្រាស់របស់វានូវឧបករណ៍ទាញយកក្រាស់ ដែលធ្វើអោយប្រសើរឡើងនៅលើសំណុំទិន្នន័យ QA ច្រើនវេន។ វិធីសាស្រ្តនេះអនុញ្ញាតឱ្យមានការគ្រប់គ្រងប្រកបដោយប្រសិទ្ធភាពនៃជំនាន់ដែលបន្ថែមការទាញយកមកវិញ កាត់បន្ Nvidia ធ្វើបដិវត្តការសន្ទនា  ថយការចំណាយលើការអនុវត្តយ៉ាងច្រើន ខណៈពេលដែលសម្រេចបានលទ្ធផលស្មើរនឹងបច្ចេកទេសសរសេរសំណួរឡើងវិញដែលទំនើបបំផុត។

បដិវត្តន៍ Llama 3: ការកំណត់ស្តង់ដារថ្មី។

ការផ្លាស់ប្តូរទៅម៉ូដែល Llama 3 តំណាងឱ្យពេលវេលា លេខអាហ្សង់ទីន ដ៏សំខាន់នៅក្នុងការអភិវឌ្ឍន៍ AI ។ ម៉ូដែលទាំងនេះ ជាមួយនឹងកំណែប៉ារ៉ាម៉ែត្រ 8B និង 70B របស់ពួកគេ បង្ហាញពីដំណើរការពិសេសនៅទូទាំងស្តង់ដារឧស្សាហកម្មផ្សេងៗ ហើយមានអំនួតតាមរយៈសមត្ថភាពសមហេតុផលដែលប្រសើរឡើង។

ទិសដៅអនាគតសម្រាប់ឡាម៉ា ៣

ក្រុម Llama បានគូសបញ្ជាក់ពីគោលដៅមហិច្ឆតាសម្រាប់អនាគត៖

1. ពង្រីកទៅក្នុងពហុភាសា និងពហុម៉ូឌុល
2. បង្កើនការយល់ដឹងតាមបរិបទ
3. បន្តកែលម្អមុខងារស្នូល LLM ដូចជាការបង្កើតកូដ និងការវែកញែក

គោលបំណងសំខាន់គឺដើម្បីផ្តល់នូវគំរូប្រភពបើកចំហកម្រិតខ្ពស់បំផុត និងអាចចូលដំណើរការបាន ជំរុញការច្នៃប្រឌិត និងការសហការនៅក្នុងសហគមន៍ AI ។

Llama 3 ទល់នឹង Llama 2: A Quantum Leap ក្នុងការសម្តែង

ទិន្នផលរបស់ Llama 3 លើសពីអ្នកកាន់តំណែងមុនរបស់ខ្លួន Llama 2 យ៉ាងខ្លាំង ដោយបង្កើតស្តង់ដារថ្មីសម្រាប់ LLMs នៅមាត្រដ្ឋានប៉ា Nvidia ធ្វើបដិវត្តការសន្ទនា  រ៉ាម៉ែត្រ 8B និង 70B ។ ការកែលម្អគួរឱ្យកត់សម្គាល់នៅក្នុងពិធីការមុន និងក្រោយការបណ្តុះបណ្តាលបាននាំឱ្យមាន៖

• ភាពចម្រុះនៃការឆ្លើយតបប្រសើរឡើង
• ការតម្រឹមគំរូប្រសើរឡើង
• ពង្រឹងសមត្ថភាពរិះគន់ រួមទាំងការវែកញែក និងការណែនាំដូចខាងក្រោម

ផលប៉ះពាល់នៃ Llama3-ChatQA-1.5 លើ NLP និង AI

សេចក្តីណែនាំនៃ Llama3-ChatQA-1.5 តំណាងឱ្យគែមនៃការរីកចម្រើន NLP និងកំណត់ស្តង់ដារថ្មីសម្រាប់ការងារនាពេលអនាគតលើម៉ូដែល AI ប្រភពបើកចំហ។ ការអភិវឌ្ឍន៍នេះឈានទៅដល់យុគសម័យថ្មីនៃការសន្ទនា QA និងជំនាន់ដែលបានបន្ថែមការទាញយក ដោយមានផលប៉ះពាល់យ៉ាងទូលំទូលាយសម្រាប់វិស័យផ្សេងៗ។.

នៅក្នុងយុគសម័យឌីជីថល ការផ្សាយផ្ទាល់ព្រឹត្តិការណ៍កីឡាទៅកាន់អ្នកទស្សនារាប់លាននាក់ក្នុងពេលដំណាលគ្នាមិនមែនជារឿងតូចតាចទេ។ JioCinema ដែលជាវេទិកាស្ទ្រីមដ៏ពេញនិយមបានគ្រប់គ្រងដើម្បីសម្រេចបាននូវព្រឹត្តិការណ៍ដ៏អស្ចារ្យនេះក្នុងអំឡុងពេលការប្រកួតកីឡា cricket របស់ Indian Premier League (IPL) ។ ចូរយើងស្វែងយល់អំពីហេដ្ឋារច បច្ចេកវិទ្យាស្ទ្រីម IPL របស់  នាសម្ព័ន្ធបច្ចេកវិទ្យាដ៏ស្មុគស្មាញដែលអាចឱ្យ JioCinema ផ្តល់នូវបទពិសោធន៍នៃការផ្សាយប្រកបដោយភាពរលូនទៅកាន់អ្នកចូលចិត្តកីឡា cricket ជាង 20 លាននាក់នៅទូទាំងប្រទេសឥណ្ឌា។

បណ្តាញចែកចាយមាតិការឹងមាំ

ចំនុចសំខាន់នៃសមត្ថភាពស្ទ្រីមរបស់ JioCinema គឺបណ្តាញចែកចាយខ្លឹមសារដ៏រឹងមាំ (CDN)។ បណ្តាញចែកចាយនៃម៉ាស៊ីនមេនេះត្រូវបានដាក់ បានធ្វើបច្ចុប្បន្នភាពបញ្ជីលេខទូរស័ព្ទពីទូទាំងពិភពលោក បច្ចេកវិទ្យាស្ទ្រីម IPL របស់  ជាយុទ្ធសាស្រ្តនៅទូទាំងទីតាំងភូមិសាស្ត្រនានាធានាថាមាតិកាវីដេអូត្រូវបានបញ្ជូនទៅអ្នកមើលជាមួយនឹងភាពយឺតយ៉ាវតិចតួចបំផុត។ តាមរយៈការរក្សាទុកមាតិកាឱ្យកាន់តែជិតអ្នកប្រើប្រាស់ចុងក្រោយ CDN កាត់បន្ថយពេលវេលាផ្ទុកទិន្នន័យយ៉ាងច្រើន និងបង្កើនបទពិសោធន៍នៃការមើលទាំងមូល។

ការអ៊ិនកូដវីដេអូកម្រិតខ្ពស់ និងការស្ទ្រីមអត្រាប៊ីតអាដាប់ធ័រ

JioCinema ប្រើបច្ចេកទេសអ៊ិនកូដវីដេអូទំនើប ដើម្បីបង្កើនប្រសិទ្ធភាពគុណភាពនៃមាតិកាដែលបានផ្សាយ ខណៈពេលដែលកាត់បន្ថយការប្រើប្រាស់កម្រិតបញ្ជូន។ វេទិកានេះប្រើប្រាស់បច្ចេកវិទ្យាស្ទ្រីមអត្រាប៊ីតអាដាប់ធ័រ ដែលកែតម្រូវគុណភាពវីដេអូយ៉ាងស្វាហាប់ដោយផ្អែកលើល្បឿនភ្ជាប់អ៊ីនធឺណិតរបស់អ្នកមើល។ វិធីសាស្រ្តឆ្លាតវៃនេះធានាថា អ្នកប្រើប្រាស់ដែលមានការតភ្ជាប់យឺតជាងនេះ នៅតែអាចរីករាយនឹងការផ្សាយដោយមិនមានការរំខាន ទោះបីជាមានកម្រិតភាពច្បាស់ទាបក៏ដោយ ខណៈពេលដែលអ្នកដែលមានការតភ្ជាប់លឿនជាង ទទួលបានមាតិកានិយមន័យខ្ពស់។

ហេដ្ឋារចនាសម្ព័ន្ធពពកដែលអាចធ្វើមាត្រដ្ឋានបាន។

ដើម្បីគ្រប់គ្រងលំហូរចូលនៃអ្នកទស្សនា វិធីជំរុញវេទិកាទិន្នន័យអតិថិជនរបស់អ្នក។ យ៉ាងច្រើនក្នុងអំឡុងពេលការប្រកួត IPL JioCinema ពឹងផ្អែកលើហេដ្ឋារចនាសម្ព័ន្ធពពក   ដែលអាចធ្វើមាត្រដ្ឋានបានខ្ពស់។ ស្ថាបត្យកម្មយឺតនេះអនុញ្ញាតឱ្យវេទិកាពង្រីកធនធានរបស់ខ្លួនយ៉ាងឆាប់រហ័ស ដើម្បីបំពេញតម្រូវការកើនឡើងភ្លាមៗ។ តាមរយៈការប្រើប្រាស់សេវាកម្មពពក JioCinema អាចគ្រប់គ្រងការផ្ទុកម៉ាស៊ីនមេប្រកបដោយប្រសិទ្ធភាព និងធានាថាបទពិសោធន៍នៃការផ្សាយនៅតែរលូន ទោះបីជាក្នុងអំឡុងពេលនៃការមើលកំពូលក៏ដោយ។

ការវិភាគ និងតាមដានពេលវេលាពិត

នៅពីក្រោយឆាក ក្រុមប្រតិបត្តិការរបស់ JioCinema ប្រើប្រាស់ឧបករណ៍វិភាគ និងតាមដានពេលវេលាជាក់ស្តែងដ៏ទំនើប។ ប្រព័ន្ធទាំងនេះផ្តល់នូវការយល់ដឹងដ៏ លេខអាហ្សង់ទីន មានតម្លៃចំពោះដំណើរការរបស់វេទិកា ដែលអនុញ្ញាតឱ្យវិស្វករកំណត់អត្តសញ្ញាណយ៉ាងឆាប់រហ័ស និងដោះស្រាយបញ្ហាដែលអាចកើតមានណាមួយ។ តាមរយៈការត្រួតពិនិត្យជាបន្តបន្ទាប់នូវម៉ែត្រសំខាន់ៗដូចជាការផ្ទុកម៉ាស៊ីនមេ ចរាចរណ៍បណ្តាញ និងការចូលរួមរបស់អ្នកប្រើប្រាស់ ក្រុមការងារអាចបង្កើនប្រសិទ្ធភាពបទពិសោធន៍នៃការផ្សាយយ៉ាងសកម្ម។.

នៅក្នុងទិដ្ឋភាពនៃការវិវត្តន៍យ៉ា បដិវត្តការបង្កើតសំណួរ  ងឆាប់រហ័សនៃការសម្រេចចិត្តដែលជំរុញដោយទិន្នន័យ Uber បានបង្កើតឧបករណ៍ឈានមុខគេមួយដែលកំពុងផ្លាស់ប្តូររបៀបដែលវិស្វករ អ្នកគ្រប់គ្រងប្រតិបត្តិការ និងអ្នកវិទ្យាសាស្ត្រទិន្នន័យធ្វើអន្តរកម្មជាមួយឃ្លាំងទិន្នន័យដ៏ធំរបស់ពួកគេ។ QueryGPT ដែលជាកម្មវិធីប្រកបដោយភាពច្នៃប្រឌិតនៃ AI ជំនាន់ថ្មី កំពុងបិទគម្លាតរវាងភាសាធម្មជាតិ និងសំណួរ SQL ដ៏ស្មុគស្មាញ ដោយបង្កើនផលិតភាពយ៉ាងសំខាន់នៅទូទាំងស្ថាប័ន។

លោកុប្បត្តិនៃ QueryGPT

នៅ Uber ដែលជាកន្លែងដែលសំណួរអន្តរកម្មប្រហែល 1.2 លានត្រូវបានដំណើរការប្រចាំខែ តម្រូវការសម្រាប់ការបង្កើតសំណួរប្រក ទិញបញ្ជីលេខទូរស័ព្ទ បដោយប្រសិទ្ធភាពកាន់តែច្បាស់ឡើង។ ជាមួយនឹងក្រុមប្រតិបត្តិការតែម្នាក់ឯងដែលរួមចំណែកដល់ 36% នៃសំណួរទាំងនេះ សក្ដានុពលសម្រាប់ការសន្សំពេលវេលាគឺមានច្រើនណាស់។ QueryGPT បានលេចចេញជាដំណោះស្រាយចំពោះបញ្ហាប្រឈមនេះ ដោយសន្យាថានឹងកាត់បន្ថយពេលវេលាសរសេរសំណួរពីជាមធ្យម 10 នាទីមកត្រឹមតែ 3 នាទីប៉ុណ្ណោះ។

គោលគំនិតនៃ QueryGPT បានកើតក្នុងអំឡុងពេលនៃការបង្កើត AI Hackdays របស់ Uber ក្នុងខែឧសភា ឆ្នាំ 2023។ ចាប់តាំងពីការចាប់ផ្តើមរបស់វា ឧបករណ៍នេះបានដំណើរការឡើងវិញជាច្រើន ដោយបានវិវត្តន៍ពីភស្តុតាងនៃគំនិតទៅជាសេវាកម្មដែលត្រៀមរួចជាស្រេចដែលកំពុងផលិត ដែលកំពុងផ្លាស់ប្តូររបៀបដែលបុគ្គលិក Uber ធ្វើអន្តរកម្មជាមួយទិន្នន័យ។

ស្ថាបត្យកម្ម និងការវិវត្តន៍

កំណែដំបូងនៃ QueryGPT បានប្រើប្រាស់ប្រព័ន្ធ Retrieval-Augmented Generation (RAG) ត្រង់ដើម្បីទៅយកគំរូដែលពាក់ព័ន្ធសម្រាប់ការបង្កើតសំ បដិវត្តការបង្កើតសំណួរ  ណួរ។ វា​បាន​បំផុសគំនិត​អ្នក​ប្រើ​ជា​វ៉ិចទ័រ និង​ធ្វើ​ការ​ស្វែងរក​ភាព​ស្រដៀងគ្នា​លើ​គំរូ SQL និង​គ្រោងការណ៍​ដើម្បី​កំណត់​អត្តសញ្ញាណ​តារាង​ពាក់ព័ន្ធ និង​ឧទាហរណ៍​សំណួរ។

ស្ថាបត្យកម្មបច្ចុប្បន្ន

នៅពេលដែល QueryGPT មានភាពចាស់ទុំ ស្ថាបត្យកម្មរបស់វាកាន់តែទំនើប៖

1. កន្លែងធ្វើការ ៖ បណ្តុំនៃគំរូ SQL និងតារាងដែលបានរៀបចំសម្រាប់ដែនអាជីវកម្មជាក់លាក់។
2. ភ្នាក់ងារចេតនា ៖ សំណួរអ្នកប្រើប្រា វិធីជំរុញវេទិកាទិន្នន័យអតិថិជនរបស់អ្នក។ ស់ផែនទីទៅកាន់ដែនអាជីវកម្មដែលសមស្រប។
3. ភ្នាក់ងារតារាង ៖ ជ្រើសរើស និងផ្ទៀងផ្ទាត់តារាងត្រឹមត្រូវសម្រាប់ការបង្កើតសំណួរ។
4. Column Prune Agent ៖ បង្កើនប្រសិទ្ធភាពការបញ្ចូលគ្រោងការណ៍ដោយយកជួរឈរដែលមិនពាក់ព័ន្ធចេញ។

រចនាសម្ព័ន្ធចម្រាញ់នេះបានធ្វើឱ្យប្រសើរឡើងយ៉ាងខ្លាំងនូវភាពត្រឹមត្រូវ និងភាពពាក់ព័ន្ធនៃសំណួរដែលបានបង្កើត ខណៈពេលដែលគ្រប់គ្រងដែនកំណត់និមិត្តសញ្ញា និងកាត់បន្ថយភាពយឺតយ៉ាវ។

កន្លែងធ្វើការ

ការណែនាំនៃកន្លែងធ្វើការគឺជាការផ្លាស់ប្តូរហ្គេមសម្រាប់ QueryGPT ។ តាមរយៈការបែងចែកគំរូ និងតារាង SQL ទៅក្នុងដែនអាជីវកម្មជាក់លាក់ដូចជា Mobility, Core Services, និង Ads ឥឡូវនេះប្រព័ន្ធអាចផ្តល់នូវសំណើសំណួរដែលផ្តោត និងត្រឹមត្រូវជាងមុន។

ចំណាត់ថ្នាក់នៃចេតនា

ភ្នាក់ងារចេតនាដើរតួនាទីយ៉ាងសំខា លេខអាហ្សង់ទីន បដិវត្តការបង្កើតសំណួរ ន់ក្នុងការយល់ដឹងអំពីសំណួររបស់អ្នកប្រើប្រាស់។ តាមរយៈការគូសផែនទីការជម្រុញភាសាធម្មជាតិទៅកាន់ដែនអាជីវកម្មជាក់លាក់ វាបង្រួមវិសាលភាពស្វែងរក និងកែលម្អភាពពាក់ព័ន្ធនៃ SQL ដែលបានបង្កើត។ 

ការជ្រើសរើសតារាង និងការផ្ទៀងផ្ទាត់

ភ្នាក់ងារតារាងអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់ផ្ទៀងផ្ទាត់ និងកែប្រែតារាងដែលបានជ្រើសរើសសម្រាប់ការបង្កើតសំណួរ ដោយធានាថាប្រភពទិន្នន័យសមស្របបំផុតត្រូវបានប្រើប្រាស់។

ការធ្វើឱ្យប្រសើរគ្រោងការណ៍

ដើម្បីដោះស្រាយបញ្ហាដែនកំណត់និមិត្តសញ្ញាជាមួយគ្រោងការណ៍ធំ ភ្នាក់ងារ Column Prune Agent កាត់បន្ថយទំហំគ្រោងការណ៍ដោយឆ្លាតវៃដោយដកចេញនូវជួរឈរដែលមិនពាក់ព័ន្ធ ធ្វើអោយប្រសើរឡើងទាំងប្រសិទ្ធភាព និងប្រសិទ្ធភាព។.