TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #973 · 20.04

В C# есть модификатор доступа internal, который закрывает свойство или метод для всего, кроме текущей сборки (сборка это по сути группа пространств имён). И это чертовски удобно для построения правильной архитектуры по DDD — ты делаешь домен отдельной сборкой без внешних зависимостей, у сущностей закрываешь сеттеры и другие поля модификатором internal, а бизнес-правила с открытыми методами уже пишешь в агрегатах, которые содержат эти сущности. Агрегаты объявлены в той же сборке, так что они могут с сущностями делать что угодно, но слой приложения уже сможет вызвать только метод агрегата. Пример. Есть бизнес-процесс, который включает в себя две сущности: письмо и прикреплённый к нему документ. У каждой из этих сущностей разные жизненные циклы, но письмо можно отправить только в том случае, если статус документа "Согласован". Мы делаем агрегат "письмо с документом" и там public-метод отправки письма сначала проверяет статус документа, а потом вызывает internal-метод отправки в сущности письма. Снаружи (вне домена) вызвать сразу отправку письма невозможно. Но как эту задачу решают разработчики на других языках? Я совершенно не понимаю, как сделать хорошую архитектуру без internal. Окей, в некоторых языках вообще нет вменяемого ОПП и системы типов, но и к таким ребятам я бы не подходил с вопросами об энтерпрайз-архитектуре. Однако, многие серьёзные проекты пишутся на Java или, скажем, Go, что делают разработчики там? Может, кто-нибудь знает, и расскажет мне в комментариях? #dev

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #copyrightdata

当前筛选 #copyrightdata清除筛选
AI & Law

@ai_and_law · Post #202 · 28.12.2023 г., 08:04

USA: New Bill Proposes Transparency Rules for AI Training Data Hello everybody! In US a new AI Foundation Model Transparency Act have been introduced. The aim is to ensure transparency in the usage of copyrighted data in training AI models. Companies developing foundation models must reveal the sources of their training data. This move is geared towards informing copyright holders if their data has been utilized. The bill tasks the Federal Trade Commission (FTC) to collaborate with the National Institute of Standards and Technology (NIST) in establishing rules for reporting training data transparency. Companies must disclose the origin of training data, how it's retained during inference, model limitations or risks, alignment with NIST’s AI Risk Management Framework, and adherence to federal standards. AI developers are required to report efforts to "red team" the model, especially in areas like medical queries, cybersecurity, elections, and services impacting vulnerable populations. This bill complements the Biden administration’s AI executive order, reinforcing the push for standardized reporting in AI models. The bill is yet to go through committee discussions, and its fate before the election campaign season remains uncertain. #AIlaw#CopyrightData#Legislation#TechNews#AIRegulation