#data_validation — Public Fediverse posts

Пострелизная валидация данных как новый вид тестирования?

Что делать если шаткие предположения о логике работы легаси проектов используют как фундамент для новой логики? Как обезопасить легаси проект от рисков, которые не может покрыть стандартное тестирование? Как все это сделать быстро и дешево? И при чем тут, возможно, новый вид тестирования?

https://habr.com/ru/articles/963860/

#тестирование_по #теория_тестирования #тестирование_данных #data_validation #shiftleft

Пострелизная валидация данных как новый вид тестирования?

Что делать если шаткие предположения о логике работы легаси проектов используют как фундамент для новой логики? Как обезопасить легаси проект от рисков, которые не может покрыть стандартное тестирование? Как все это сделать быстро и дешево? И при чем тут, возможно, новый вид тестирования?

https://habr.com/ru/articles/963860/

#тестирование_по #теория_тестирования #тестирование_данных #data_validation #shiftleft

Пострелизная валидация данных как новый вид тестирования?

Что делать если шаткие предположения о логике работы легаси проектов используют как фундамент для новой логики? Как обезопасить легаси проект от рисков, которые не может покрыть стандартное тестирование? Как все это сделать быстро и дешево? И при чем тут, возможно, новый вид тестирования?

https://habr.com/ru/articles/963860/

#тестирование_по #теория_тестирования #тестирование_данных #data_validation #shiftleft

Пострелизная валидация данных как новый вид тестирования?

Что делать если шаткие предположения о логике работы легаси проектов используют как фундамент для новой логики? Как обезопасить легаси проект от рисков, которые не может покрыть стандартное тестирование? Как все это сделать быстро и дешево? И при чем тут, возможно, новый вид тестирования?

https://habr.com/ru/articles/963860/

#тестирование_по #теория_тестирования #тестирование_данных #data_validation #shiftleft

Контроль качества разметки на проекте: делай как ОКК

Существует известное правило: “мусор на входе, мусор на выходе”. Все знают, что “чистые”, точные данные повышают качество и корректность работы ИИ-моделей, так что итоговая ценность оправдывает дополнительные усилия и вложения. Намного дешевле компаниям выходит предотвратить проблемы с данными, чем решать их после. Но как контролировать качество на проектах разметки максимально эффективно? Выстроить такие процессы непросто, но мы считаем, что у нас это получилось. Для того, чтобы гарантировать на каждом проекте высокое качество разметки, в Data Light существует отдел Контроля качества. Я, Евгений Шилкин, руководитель ОКК, расскажу, что нам позволяет обеспечивать стабильно высокое качество на проектах и какие советы для эффективной валидации мы можем дать.

https://habr.com/ru/companies/data_light/articles/848234/

#ai #ml #data_annotation #разметка_данных #project_management #bigdata #data_validation

Контроль качества разметки на проекте: делай как ОКК

Существует известное правило: “мусор на входе, мусор на выходе”. Все знают, что “чистые”, точные данные повышают качество и корректность работы ИИ-моделей, так что итоговая ценность оправдывает дополнительные усилия и вложения. Намного дешевле компаниям выходит предотвратить проблемы с данными, чем решать их после. Но как контролировать качество на проектах разметки максимально эффективно? Выстроить такие процессы непросто, но мы считаем, что у нас это получилось. Для того, чтобы гарантировать на каждом проекте высокое качество разметки, в Data Light существует отдел Контроля качества. Я, Евгений Шилкин, руководитель ОКК, расскажу, что нам позволяет обеспечивать стабильно высокое качество на проектах и какие советы для эффективной валидации мы можем дать.

https://habr.com/ru/companies/data_light/articles/848234/

#ai #ml #data_annotation #разметка_данных #project_management #bigdata #data_validation

Контроль качества разметки на проекте: делай как ОКК

Существует известное правило: “мусор на входе, мусор на выходе”. Все знают, что “чистые”, точные данные повышают качество и корректность работы ИИ-моделей, так что итоговая ценность оправдывает дополнительные усилия и вложения. Намного дешевле компаниям выходит предотвратить проблемы с данными, чем решать их после. Но как контролировать качество на проектах разметки максимально эффективно? Выстроить такие процессы непросто, но мы считаем, что у нас это получилось. Для того, чтобы гарантировать на каждом проекте высокое качество разметки, в Data Light существует отдел Контроля качества. Я, Евгений Шилкин, руководитель ОКК, расскажу, что нам позволяет обеспечивать стабильно высокое качество на проектах и какие советы для эффективной валидации мы можем дать.

https://habr.com/ru/companies/data_light/articles/848234/

#ai #ml #data_annotation #разметка_данных #project_management #bigdata #data_validation