Я уже говорил ранее, что разработчик должен выполнять основную работу по контролю качества, и тесты — неотъемлемая часть здорового контроля качества. Разработчику крайне желательно разрабатывать модульные (unit) тесты на тот функционал, который он делает. Да, это может занимать 50% времени от всего процесса разработки. Но это инвестиции в будущее. Если вы можете «продать» это время своему заказчику — продавайте. Если не можете — все равно старайтесь писать тесты, хотя бы по минимуму, это время окупится в будущем с лихвой. Не стоит добиваться 100% покрытия unit тестами, чаще всего это избыточно. Будет достаточно покрыть тестами лишь публичный интерфейс ваших классов. Помимо модульного тестирования есть еще миллион видов тестирования, и мы конечно не будем про них разговаривать. Но стоит понимать, что вся автоматизация тестирования лежит на разработчике. Никто кроме разработчика не сможет запрограммировать технически грамотный сценарий исполнения кода. Разработчик должен делать и модульные, и функциональные, и приемочные, и smoke, и мутационные тесты. Нужно как можно больше уходить от ручного тестирования в сторону автоматизации, потому что в наши дни возможности автоматического тестирования позволяют избегать ручной работы вообще.

Количество создаваемых видео выросло в пять раз, а пользователи теперь тратят на видео в полтора раза больше времени, чем на статьи. Время, которое пользователи ежедневно проводят за просмотром видео в Дзене, составляет уже 300 млн минут — и больше 50 млн минут люди тратят на просмотр коротких роликов. Большинство пользователей Дзена читают и смотрят материалы от блогеров и медиа в приложении Яндекс. В следующем году оно станет для блогеров основной площадкой для создания контента, особенно в коротких форматах роликов и постов. Еще одно изменение в Дзене коснулось правил модерации контента. Пользователи, которые подписались на канал блогера, увидят в ленте контент, который раньше не рекомендовался — например, материалы с яркой эмоциональной окраской. А блогеры, которые пишут и снимают локальный контент, смогут выйти на аудиторию всей страны. Дзен также составил рейтинг самых быстрорастущих блогеров и популярных креаторов в коротких видео. Среди самых успешных блогеров в роликах — паркурщик Кирилл Колесников, автоблогер Настя Туман и тренер по акробатике Роман Дорохин. Их видео собрали больше всего просмотров в Дзене. Среди самых быстрорастущих блогеров — ландшафтный и интерьерный дизайнер Шебби-Шик, а также кулинарные блогеры Sadfman и Евгения Полевская. За последний год они увеличили количество своих подписчиков в несколько раз.

Двигатели с десмодромным газораспределением могут работать на оборотах, недоступных для обычных клапанных механизмов с пружинами, у которых при определённых оборотах коленчатого вала скорости срабатывания клапанных пружин не будет хватать для того, чтобы отвести клапаны из-под удара поршня до его прихода в верхнюю мёртвую точку («зависание» клапанов), что приводит к выходу двигателя из строя. Десмодромный механизм имеет много прецизионных деталей, очень трудоёмок и дорог в изготовлении, требует высочайшего качества моторного масла. В двухтактных дизельных двигателях большого объёма с клапанно-щелевой продувкой обычно имеются только выпускные клапана, устроенные в целом аналогично выпускным клапанам бензинового двигателя, а для впуска сжатого воздуха во время продувки используются впускные окна в стенках цилиндра, открываемые уходящим вниз поршнем. В большинстве случаев используется привод ГРМ типа OHV, ничем принципиально не отличающийся от такового на бензиновом моторе. Механизмы, позволяющие прямо во время работы двигателя изменять длительность и высоту открытия выпускных клапанов, использовались ещё в начале XX века — например, на авиационном моторе Gnome-Monosoupape первых лет выпуска (с 1913 года) при помощи такого механизма осуществлялось управление оборотами.

Но в нашем случае этот набор инструментов снова использует API Pipeline, и, как было сказано во втором разделе, этот API не позволяет применять продвинутые приёмы генерирования текстов, вроде лучевого поиска и сэмплирования. Для того чтобы обойти эти ограничения — мы предоставляем системе собственный скрипт для формирования выходных данных модели. Для получения первого набора показателей, характеризующих эффективность модели, мы, для формирования результатов, воспользуемся теми же параметрами, что и во втором разделе, при оценке ZSL-модели. Выглядит вдохновляюще! Посл
е первой попытки обучения модели, не настраивая гиперпараметры, мы смогли значительно улучшить показатели ROUGE. Теперь поэкспериментируем с моделью, прибегнем к более продвинутым приёмам, таким, как лучевой поиск и сэмплирование. Подробное описание смысла соответствующих параметров можно найти в этом материале. Результаты оказались не такими, как мы ожидали — показатели ROUGE, на самом деле, даже немного уменьшились. Но не позволяйте этому факту отбить у вас охоту экспериментировать с параметрами. Этот момент нашей работы представляет собой переход от окончания подготовки модели к началу экспериментов с ней.