Pertumbuhan game Linux Pangsa SteamOS melebihi tiga persen di Steam seperti yang diperhatikan oleh pembuat perangkat keras

[ad_1]

Untuk ekosistem perangkat keras yang lebih luas, angka ini mungkin menandai titik balik di mana dukungan Linux menjadi faktor kinerja yang dapat diukur dan bukan sekedar renungan.

Pergeseran ini mulai mempengaruhi pengembangan perangkat keras di seluruh industri. Optimalisasi driver GPU, penyetelan firmware, dan manajemen daya SoC untuk platform Linux semakin dianggap sebagai prioritas rekayasa arus utama. Seiring dengan meningkatnya adopsi, vendor komponen dan produsen PC diharapkan memperluas validasi driver resmi, optimalisasi termal, dan kalibrasi baterai untuk lingkungan Mesa dan Proton.

Tonggak sejarah ini juga mencerminkan penurunan bertahap penggunaan Windows 10 dan penerimaan yang lebih luas terhadap ekosistem perangkat lunak lintas platform. Bagi peninjau perangkat keras dan pembuat PC, Linux bukan lagi sebuah ceruk pasar, melainkan bagian mapan dari lanskap kinerja yang layak mendapatkan tolok ukur yang konsisten dan dukungan jangka panjang.

[ad_2]

Pertumbuhan game Linux Pangsa SteamOS melebihi tiga persen di Steam seperti yang diperhatikan oleh pembuat perangkat keras

3.000+ video YouTube mengirimkan malware yang menyamar sebagai perangkat lunak gratis

[ad_1]

Jaringan Hantu YouTube menyebarkan malware pencuri informasi melalui ribuan video palsu yang menawarkan perangkat lunak yang diretas, menggunakan akun yang disusupi, dan keterlibatan palsu.

[ad_2]

3.000+ video YouTube mengirimkan malware yang menyamar sebagai perangkat lunak gratis

Produsen perangkat keras Ukraina bersaing satu sama lain di pasar ekspor — Opini — GMK Center

[ad_1]

Pasar ekspor memiliki persyaratan kualitas produk yang lebih tinggi dibandingkan pasar dalam negeri

Industri perangkat keras Ukraina menunjukkan pertumbuhan ekspor yang stabil meskipun dalam kondisi sulit. Ciri khas ekspor adalah eksportir Ukraina tidak hanya bersaing dengan produk dari Tiongkok dan Turki, tetapi juga satu sama lain. Maksim Feofanovmanajer produksi di pabrik Metiz, berbicara tentang spesifik kegiatan ekspor, persyaratan mitra asing, keunggulan kompetitif, dan rencana pengembangan.

Dinamika pembangunan

Arah ekspor perusahaan mulai terbentuk pada tahun 1990-an. Meskipun pada awalnya pasar utama berada di negara-negara tetangga, selama dekade terakhir telah terjadi reorientasi aktif ke pasar Eropa. Saat ini, produk pabrik diekspor ke Polandia, Lituania, Latvia, Moldova, Republik Ceko, Slovakia, Rumania, Jerman, dan negara UE lainnya.

Pada tahun 2024, perseroan mencatatkan peningkatan ekspor. Dalam sepuluh bulan, pasokan meningkat sebesar 20,3%. Pengiriman ke Rumania dilanjutkan setelah jeda panjang, dan pada bulan Desember tahun lalu, perusahaan kembali ke pasar Georgia dengan batch uji sebanyak 22 ton. Produk pabrik juga dijual di negara-negara Eropa Barat — Spanyol, Italia, Austria, dan Prancis.

Rangkaian produk dan skala produksi

Pabrik ini memiliki ruang produksi seluas lebih dari 4.000 meter persegi, jalur kereta api sendiri, dan kendaraan bermotor untuk pengiriman. Saat ini, perusahaan memproduksi:

  • kawat baja serba guna;
  • kawat yang diberi perlakuan panas;
  • kawat untuk memperkuat struktur beton bertulang BP-1;
  • berbagai jenis kuku.

Volume produksi bulanan sekitar 1.500 ton. Hal ini memungkinkan perusahaan untuk memenuhi permintaan domestik dan membentuk batch untuk ekspor. Rata-rata penjualan produk didistribusikan dengan perbandingan 50/50 antara pasar dalam dan luar negeri, dan pada periode tertentu pangsa ekspor meningkat hingga 55%.

Segmen konsumen ekspor utama didistribusikan hampir sama: sekitar 50% ditujukan ke industri konstruksi (kawat penguat dan paku), dan 50% lainnya ke industri, di mana kawat serbaguna digunakan untuk memproduksi berbagai produk. Menurut perkiraan perusahaan, pangsa pasar perangkat keras ekspor Ukraina adalah sekitar 6–7%.

Perusahaan memiliki sistem kontrol multi-level: mulai dari inspeksi bahan mentah hingga pengujian produk jadi. Untuk memastikan produk ekspor dengan kualitas terbaik, tidak ada peralatan tambahan yang digunakan; sebaliknya, pengendalian yang lebih hati-hati diterapkan—produk diperiksa beberapa kali. Pendekatan ini memastikan kepatuhan terhadap standar nasional dan Eropa.

Persyaratan kualitas

Pasar ekspor memiliki persyaratan kualitas produk yang lebih tinggi yang harus dipenuhi. Perusahaan memproduksi dan mengekspor dua jenis produk: kawat dan paku.

Terkait dengan kawat, beragam jenis kemasan harus dipertimbangkan – tidak hanya jenis kemasan tradisional yang digunakan di Ukraina, namun juga jenis kemasan perantara. Ada juga peningkatan persyaratan untuk kualitas permukaan kawat: harus lebih halus, tanpa bekas minyak. Selain itu, diperlukan pengikatan tambahan, pengemasan stretch film, dan penyusunan palet.

Sedangkan untuk paku, ada standar khusus untuk produksinya. Meskipun pasar domestik berorientasi pada standar Gost dan kondisi teknis Ukraina, ada standar asing (DIN, dll.) untuk ekspor, yang memberikan ukuran yang sedikit berbeda dari standar Ukraina. Selain itu, ada persyaratan kualitas yang lebih tinggi: toleransi yang lebih kecil, perpindahan garis sumbu relatif terhadap kepala paku tidak diperbolehkan. Kemasan 1 kg banyak digunakan, sedangkan kemasan 10 dan 25 kg lebih banyak digunakan di pasar dalam negeri.

Kompetisi eksternal

Sejak masa Uni Soviet, Ukraina telah menjadi rumah bagi sejumlah besar produsen perangkat keras. Meskipun tidak ada pabrik besar di Rusia sebelah barat Ural (semuanya dipasok dari Ukraina), Ukraina selalu memiliki dan terus memiliki sejumlah besar produsen perangkat keras.

Persaingan internal antar pabrikan Ukraina cukup ketat. Di pasar tempat perusahaan saat ini diwakili, persaingan terutama terjadi dengan pabrikan Ukraina.

Jika dibandingkan dengan negara lain, pesaing utamanya tentu saja adalah Tiongkok dan Turki. Tiongkok dapat menaklukkan pasar mana pun jika mereka mau, namun Tiongkok bukanlah soal bisnis, namun soal politik. Produsen perangkat keras Turki lebih fokus di Eropa Barat dan kurang terwakili di pasar Eropa Timur, sehingga membuat pekerjaan kami sedikit lebih mudah.

Sayangnya, perusahaan tidak dapat memberikan pinjaman komoditas dalam jumlah besar seperti beberapa pesaingnya, yang merupakan keunggulan mereka. Oleh karena itu, persaingan didasarkan pada kualitas, tingkat layanan, harga, dan penyediaan kondisi yang lebih baik: waktu pengiriman yang lebih singkat dan logistik yang lebih baik.

Pada gilirannya, pembeli di pasar ekspor dipandu oleh serangkaian kriteria: harga, kualitas, dan layanan. Waktu pengiriman juga penting. Semuanya penting jika digabungkan.

Rencana ekspor

Bagi suatu perusahaan, mengekspor bukan hanya peluang untuk menjual volume yang tidak dikonsumsi oleh pasar dalam negeri. Ini juga merupakan cara untuk memasuki pasar baru dengan persyaratan kualitas yang lebih tinggi. Bekerja dengan mitra asing memerlukan standar yang lebih ketat untuk kualitas produk, pengemasan, keteraturan, dan ketepatan waktu pengiriman. Ini mendisiplinkan dan sekaligus meningkatkan tingkat produksi.

Rencana ekspor terutama terkait dengan modernisasi peralatan secara keseluruhan. Khususnya, peralatan menggambar (pabrik gambar langsung) dan peralatan perlakuan panas (tungku anil yang lebih produktif dan berkualitas lebih tinggi). Hal ini akan memungkinkan kami menghasilkan produk dengan kualitas yang jauh lebih tinggi atau meningkatkan kapasitas dan volume ekspor kami secara signifikan.

Dalam waktu dekat, perusahaan juga berencana untuk memperkuat posisinya di Eropa Timur, memperluas geografi pasokannya, dan meningkatkan pangsa pasarnya di pasar yang sudah maju.



[ad_2]

Produsen perangkat keras Ukraina bersaing satu sama lain di pasar ekspor — Opini — GMK Center

Kelas Master dalam Inovasi AI yang Sadar Perangkat Keras

[ad_1]


Narasi yang umum dalam infrastruktur AI sering kali berpusat pada dominasi NVIDIA, namun arus balik yang menarik juga muncul, yang didukung oleh perusahaan seperti Zyphra. Dalam diskusi baru-baru ini di podcast Latent Space, Alessio Fanelli berbicara dengan Quentin Anthony, Kepala Pelatihan Model di Zyphra dan penasihat di EleutherAI, mempelajari poros strategis Zyphra yang berani terhadap perangkat keras AMD dan implikasinya terhadap masa depan pengembangan dan penerapan model AI. Wawasan Anthony mengungkapkan filosofi keterlibatan teknis yang mendalam, menantang kepuasan industri, dan menunjukkan jalan menuju keunggulan kompetitif.

https://www.youtube.com/watch?v=-gE1cesJF9M

Zyphra, sebuah perusahaan model full-stack, menangani segalanya mulai dari kurasi data hingga penerapan model, dengan fokus khusus pada edge AI. Keputusan strategis yang signifikan bagi startup ini adalah memigrasikan seluruh cluster pelatihannya ke AMD. “Kami baru-baru ini memindahkan seluruh klaster pelatihan kami ke AMD,” kata Anthony, menyoroti keyakinan bahwa AMD menawarkan “klaster pelatihan yang sangat menarik” yang secara signifikan mengurangi biaya operasional mereka. Langkah ini bukannya tanpa tantangan mendasar, yang berakar pada pengalaman Anthony sebelumnya bekerja pada superkomputer Frontier di Oak Ridge National Lab, yang seluruhnya didasarkan pada GPU AMD MI250X. Kebutuhan ini memaksanya untuk memindahkan operasi kompleks seperti Flash Attention ke perangkat keras AMD, sebuah proses yang sulit namun pada akhirnya mengungkap banyak hal.

Pengalaman langsung Anthony menggarisbawahi wawasan penting: meskipun NVIDIA secara historis memiliki keunggulan perangkat lunak, GPU MI300X terbaru AMD menawarkan metrik perangkat keras yang menarik. Dia mencatat bahwa untuk operasi yang terikat memori atau yang melibatkan paralelisme, MI300X AMD, dengan VRAM 192GB dan bandwidth memori yang superior, dapat mengungguli NVIDIA H100s. “Semakin sedikit waktu yang Anda habiskan dalam komputasi padat… dan semakin banyak waktu yang Anda habiskan dalam paralelisme atau berpindah ke dan dari HBM, AMD MI300X sebenarnya memiliki metrik perangkat keras yang jauh lebih baik,” jelas Anthony. Hal ini menunjukkan bahwa untuk beban kerja tertentu, terutama yang tidak bergantung pada komputasi padat FP8, AMD menghadirkan alternatif yang ampuh dan hemat biaya.

Namun, perjalanan untuk memanfaatkan potensi AMD menuntut pendekatan yang tidak konvensional dalam pengembangan kernel. Anthony secara terbuka mengkritik kecenderungan industri terhadap kerangka kerja tingkat tinggi seperti Triton, dan memilih pengkodean langsung dalam ROCm atau bahkan perakitan GPU bila diperlukan. Filosofinya jelas bersifat “bottom-up”: memahami sifat intrinsik perangkat keras terlebih dahulu, kemudian merancang algoritme untuk sepenuhnya mengeksploitasi kemampuan tersebut. Hal ini berbeda dengan pendekatan “top-down” yang mungkin mengabaikan spesifikasi perangkat keras, sehingga berpotensi mengabaikan kinerja. Dia berpendapat bahwa sebagian besar “masalah perangkat lunak” yang dirasakan AMD sebagian disebabkan oleh keterbatasan perangkat keras dan kurangnya upaya optimasi tingkat rendah yang berdedikasi. “Jika Anda mengevaluasi semuanya secara merata, Anda akan menemukan hal-hal seperti ini dalam kesulitan,” katanya, menunjukkan bahwa banyak pengembang yang belum memanfaatkan ekosistem AMD, sehingga menciptakan peluang bagi mereka yang ingin melakukan pekerjaan lebih mendalam.

Inovasi Zyphra meluas ke arsitektur modelnya. Perusahaan ini telah menjadi yang terdepan dalam model hibrida ruang angkasa, seperti Zamba 2, yang menggabungkan transformator dan blok Mamba2. Anthony dengan bangga mencatat bahwa Zamba 2, model parameter 7B, dapat menandingi kinerja Llama 3 8B. Model-model ini dioptimalkan untuk penerapan edge, dengan skala mulai dari model 1,2 miliar untuk ponsel hingga 7 miliar untuk desktop, yang menunjukkan komitmen terhadap AI pada perangkat yang efisien. Strategi pengembangan spektrum model yang disesuaikan dengan beragam kendala perangkat keras, mulai dari perangkat edge dengan sumber daya terbatas hingga klaster lokal yang lebih kuat, adalah kunci dari visi mereka tentang AI yang ada di mana-mana.

Bacaan Terkait

Anthony juga menyampaikan pemikiran jujurnya tentang peran AI dalam produktivitas pengembang dan tantangan pembuatan kode tingkat rendah. Meskipun mengakui kegunaan AI untuk tugas-tugas tingkat tinggi seperti fusi kode atau menghasilkan boilerplate, ia tetap skeptis tentang kemampuannya saat ini untuk menghasilkan kernel GPU tingkat rendah yang dioptimalkan. Ia menemukan bahwa model sering kali menghasilkan kode tingkat rendah yang “dead basic” atau benar-benar salah, yang kemudian sulit untuk di-debug karena paralelisme yang melekat dan kompleksitas operasi GPU. Dia lebih memilih akses API langsung daripada alat seperti Cursor, memprioritaskan kontrol penuh atas konteks dan menghindari “efek mesin slot” dari model yang terus-menerus mendorong. Tantangan dalam menciptakan kumpulan data kernel yang kuat dan metrik evaluasi yang andal semakin memperumit peran AI dalam domain ini.

Jalur yang ditempuh Zyphra bersama AMD merupakan bukti kekuatan keahlian teknis yang mendalam dan pilihan perangkat keras yang strategis dalam lanskap yang didominasi oleh satu pemain. Dengan merangkul nuansa arsitektur AMD dan berinvestasi dalam pengembangan kernel dasar, Zyphra tidak hanya mengurangi biaya tetapi juga mencapai terobosan kinerja yang dapat membentuk kembali dinamika kompetitif pelatihan dan penerapan model AI.

[ad_2]

Kelas Master dalam Inovasi AI yang Sadar Perangkat Keras

Paycom Software, Inc. Mengumumkan Dividen Tunai Kuartalan — Berita TradingView

[ad_1]

Pada tanggal 3 November 2025, Paycom software, Inc. mengumumkan dividen tunai triwulanan sebesar $0,375 per saham.

Sorotan Utama:

  • Dividen sebesar $0,375 per saham diumumkan oleh Dewan Paycom.
  • Dividen dibayarkan pada tanggal 8 Desember 2025 kepada pemegang saham yang memenuhi syarat.
  • Tanggal pencatatan bagi pemegang saham ditetapkan pada 24 November 2025.
  • Mencerminkan komitmen Paycom untuk mengembalikan nilai kepada pemegang saham.

Pengajuan SEC Asli: Perangkat Lunak Paycom, Inc. [ PAYC ] – 8-K – 03 November 2025

Penafian

Ini adalah ringkasan yang didukung AI. Ini mungkin mengandung ketidakakuratan. Pertimbangkan untuk memverifikasi informasi penting dengan sumbernya. Harap diperhatikan bahwa ringkasan ini hanya didasarkan pada dokumen yang diajukan ke SEC.

[ad_2]

Paycom Software, Inc. Mengumumkan Dividen Tunai Kuartalan — Berita TradingView

Toko Perangkat Keras Maple Grove Jerry Akan Tutup pada Akhir Tahun

[ad_1]

15.10 | Senin, 3 November 2025

Penduduk Maple Grove kehilangan toko perangkat keras di lingkungan mereka. Jerry's Hardware, terletak di 13151 Weaver Lake Rd. dekat toko kelontong Cub, tutup pada 31 Desember.

CCX News mengkonfirmasi penutupan tersebut dengan manajer toko, yang tidak ingin memberikan komentar lebih lanjut.

Jerry's Hardware dimiliki oleh Jerry's Enterprises, Inc., yang mengoperasikan lebih dari selusin toko kelontong Twin Cities, termasuk Jerry's Foods dan beberapa lokasi Cub. Jerry's Enterprises juga tidak memberikan rincian lebih lanjut.

Jerry's Hardware juga merupakan bagian dari Do it Best, koperasi perangkat keras, kayu, dan bahan bangunan milik anggota yang berbasis di Fort Wayne, Ind. Do it Best mengakuisisi True Value Company dari kebangkrutan sebesar $153 juta pada November 2024.

Menurut situs web perusahaan, Jerry's Hardware dimulai dengan satu toko di Edina lebih dari 50 tahun yang lalu. Itu berkembang menjadi lima lokasi, termasuk Maple Grove. Namun, surat kabar Sun Sailor melaporkan bahwa toko Jerry's Hardware di St. Louis Park juga dijadwalkan tutup. Itu akan meninggalkan toko Perangkat Keras Jerry di Edina, Bloomington dan Eden Prairie.

CCX News menghubungi pejabat pengembangan ekonomi kota Maple Grove, namun dia belum mendengar tentang penutupan tersebut atau apa yang dapat menggantikan toko tersebut.

Warga juga menghubungi CCX News tentang penutupan tersebut.

“Kami akan merindukan mereka!” tulis salah satu warga di email.

Hutan Maple Perangkat Keras Jerry

Jerry's Hardware telah menandatangani peringatan kepada pelanggan tentang penutupan toko pada tanggal 31 Desember.


Lihat juga: Perangkat Keras Welna Ace Robbinsdale Membuka Garden Center


Hutan Maple

[ad_2]

Toko Perangkat Keras Maple Grove Jerry Akan Tutup pada Akhir Tahun

5 fitur penting dari perangkat lunak manajemen pengeluaran

[ad_1]

Ramp melaporkan bahwa perangkat lunak manajemen pengeluaran mengotomatiskan pelacakan pengeluaran, meningkatkan kepatuhan, dan meningkatkan pengawasan keuangan, serta mengoptimalkan operasi bisnis.

[ad_2]

5 fitur penting dari perangkat lunak manajemen pengeluaran

Pengembang perangkat lunak menunjukkan skeptisisme yang kurang konstruktif ketika menggunakan asisten AI dibandingkan ketika bekerja dengan rekan manusia

[ad_1]

html=”Credit: Unsplash/CC0 Public Domain”>

pemrogram

Kredit: Domain Publik Unsplash/CC0

Saat menulis kode program, pengembang perangkat lunak sering kali bekerja berpasangan—sebuah praktik yang mengurangi kesalahan dan mendorong berbagi pengetahuan. Asisten AI kini semakin banyak digunakan untuk peran ini.

Namun perubahan dalam praktik kerja ini bukannya tanpa kelemahan, seperti yang diungkapkan oleh studi empiris baru yang dilakukan oleh ilmuwan komputer di Saarbrücken. Pengembang cenderung kurang memperhatikan kode yang dihasilkan AI dan mereka belajar lebih sedikit darinya. Temuan ini akan dipresentasikan pada Konferensi Internasional IEEE/ACM tentang Rekayasa Perangkat Lunak Otomatis (ASE 2025) ke-40 di Seoul.

Ketika dua pengembang perangkat lunak berkolaborasi dalam sebuah proyek pemrograman—dikenal di kalangan teknis sebagai pemrograman berpasangan—hal ini cenderung menghasilkan peningkatan yang signifikan dalam kualitas perangkat lunak yang dihasilkan.

“Para pengembang sering kali dapat menginspirasi satu sama lain dan membantu menghindari solusi yang bermasalah. Mereka juga dapat berbagi keahlian mereka, sehingga memastikan bahwa lebih banyak orang di organisasi mereka yang memahami basis kode,” jelas Sven Apel, profesor ilmu komputer di Universitas Saarland.

Bersama timnya, Apel telah mengkaji apakah pendekatan kolaboratif ini akan bekerja dengan baik jika salah satu mitranya adalah asisten AI. Dalam studi tersebut, 19 siswa dengan pengalaman pemrograman dibagi menjadi beberapa pasangan: Enam bekerja dengan mitra manusia, sementara tujuh berkolaborasi dengan asisten AI. Metodologi pengukuran transfer pengetahuan dikembangkan oleh Niklas Schneider sebagai bagian dari tesis sarjananya.

Untuk penelitian ini, para peneliti menggunakan GitHub Copilot, asisten pengkodean bertenaga AI yang diperkenalkan oleh Microsoft pada tahun 2021, yang—seperti produk serupa dari perusahaan lain—kini telah diadopsi secara luas oleh pengembang perangkat lunak. Alat-alat ini telah mengubah cara penulisan perangkat lunak secara signifikan.

“Hal ini memungkinkan pengembangan lebih cepat dan pembuatan kode dalam jumlah besar dalam waktu singkat. Namun hal ini juga mempermudah terjadinya kesalahan tanpa disadari, dengan konsekuensi yang mungkin baru muncul di kemudian hari,” kata Apel. Tim ingin memahami aspek kolaborasi manusia mana yang meningkatkan pemrograman dan apakah aspek ini dapat direplikasi dalam pasangan manusia-AI. Peserta ditugaskan untuk mengembangkan algoritma dan mengintegrasikannya ke dalam lingkungan proyek bersama.

“Transfer pengetahuan adalah bagian penting dari pemrograman berpasangan,” jelas Apel. “Para pengembang akan terus mendiskusikan masalah-masalah terkini dan bekerja sama untuk menemukan solusi. Hal ini tidak hanya berarti bertanya dan menjawab pertanyaan, namun juga berarti bahwa para pengembang berbagi strategi pemrograman yang efektif dan menyumbangkan wawasan mereka sendiri.”

Menurut penelitian, pertukaran informasi serupa juga terjadi di tim yang dibantu AI—tetapi interaksinya kurang intens dan mencakup topik yang lebih sempit.

“Dalam banyak kasus, fokusnya hanya pada kode,” kata Apel. “Sebaliknya, pemrogram manusia yang bekerja sama lebih cenderung menyimpang dan terlibat dalam diskusi yang lebih luas serta kurang fokus pada tugas yang mendesak.”

Sebuah temuan mengejutkan tim peneliti: “Pemrogram yang bekerja dengan asisten AI lebih cenderung menerima saran yang dihasilkan AI tanpa evaluasi kritis. Mereka berasumsi bahwa kode tersebut akan berfungsi sebagaimana mestinya,” kata Apel. “Sebaliknya, pasangan manusia lebih cenderung mengajukan pertanyaan kritis dan lebih cenderung hati-hati memeriksa kontribusi masing-masing.”

Ia meyakini kecenderungan untuk lebih mudah memercayai AI dibandingkan manusia mungkin juga akan meluas ke bidang lain, dengan menyatakan, “Saya pikir hal ini ada hubungannya dengan tingkat kepuasan tertentu—kecenderungan untuk berasumsi bahwa keluaran AI mungkin cukup baik, meskipun kita tahu bahwa asisten AI juga bisa melakukan kesalahan.

Apel memperingatkan bahwa ketergantungan yang tidak kritis terhadap AI dapat menyebabkan akumulasi “hutang teknis”, yang dapat dianggap sebagai biaya tersembunyi dari pekerjaan di masa depan yang diperlukan untuk memperbaiki kesalahan ini, sehingga mempersulit pengembangan perangkat lunak di masa depan.

Bagi Apel, penelitian ini menyoroti fakta bahwa asisten AI belum mampu mereplikasi kekayaan kolaborasi manusia dalam pengembangan perangkat lunak.

“Mereka tentu saja berguna untuk tugas-tugas sederhana dan berulang,” kata Apel. “Tetapi untuk masalah yang lebih kompleks, pertukaran pengetahuan sangatlah penting—dan saat ini pertukaran pengetahuan paling baik dilakukan antar manusia, mungkin dengan asisten AI sebagai alat pendukung.”

Apel menekankan perlunya penelitian lebih lanjut tentang bagaimana manusia dan AI dapat berkolaborasi secara efektif sambil tetap mempertahankan pandangan kritis yang menjadi ciri kolaborasi manusia.

Informasi lebih lanjut:
Abstrak: Kajian Empiris Transfer Pengetahuan pada AI Pair Programming (2025).

Disediakan oleh Universitas Saarland

Kutipan: Pengembang perangkat lunak menunjukkan skeptisisme yang kurang konstruktif saat menggunakan asisten AI dibandingkan saat bekerja dengan rekan manusia (2025, 3 November) diambil 3 November 2025 dari https://techxplore.com/news/2025-11-software-skepticism-ai-human-colleagues.html

Dokumen ini memiliki hak cipta. Terlepas dari transaksi wajar untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.



[ad_2]

Pengembang perangkat lunak menunjukkan skeptisisme yang kurang konstruktif ketika menggunakan asisten AI dibandingkan ketika bekerja dengan rekan manusia