Использование агентной ИИ-системы для выявления моделей угроз во время проверки кода и обнаружения расхождений между требованиями безопасности и реализацией.

Как Dropbox переходит от инструментов ИИ, помогающих инженерам, к агентным системам, которые могут выполнять задачи в определённом объёме, и как мы строим платформы для поддержки этих рабочих процессов.

Nova позволяет инженерам запускать несколько сессий кодирования параллельно и позволяет внутренним системам использовать агентов ИИ в качестве части автоматизированных рабочих процессов.

Превратив уплотнение в многоуровневый, адаптивный конвейер и усилив мониторинг и контроль, мы сделали Magic Pocket более устойчивым к изменениям рабочей нагрузки.

Монорепозитории продолжат расти по мере развития продуктов, но рост не обязательно означает трение.

Мы использовали DSPy, чтобы превратить разработку подсказок для нашего судьи релевантности в измеримый, автоматизированный цикл оптимизации, улучшив производительность задачи, стоимость и надежность работы в продакшене.

Как мы обучаем модели ранжирования поиска Dash с использованием сочетания человеческой разметки и разметки с помощью LLM.

Сделать такие продукты, как Dropbox Dash, доступными для частных лиц и бизнеса, означает решение новых задач, связанных с эффективностью и использованием ресурсов.

От Claude Code до Cursor, мы активно используем инструменты для кодирования на основе ИИ в Dropbox. Первые результаты многообещающие, но все еще остается много открытых вопросов о том, как наиболее эффективно работать с этими инструментами и где они могут оказать наибольшее влияние. Чтобы продвинуть эту дискуссию, мы провели круглый стол руководителей в нашей студии в Сан-Франциско. Вот как это было.

Вице-президент по инжинирингу Джош Клемм подробно рассказывает о том, как мы подходим к графам знаний, индексам, MCP и оптимизации подсказок, используя такие инструменты, как DSPy.

Хранилище признаков — важная часть того, как мы ранжируем и извлекаем нужный контекст в вашей работе.

Программа стажировки в Dropbox тщательно разработана для развития, стимулирования инноваций и построения прочных связей.

Создание эффективного, самостоятельного ИИ — это не просто добавление большего; это помощь модели в сосредоточении на самом важном.

Dropbox приветствует Mobius Labs для развития мультимодального ИИ Dash, интегрируя эффективную архитектуру Aana для улучшения понимания фотографий и видео в масштабах Dropbox.

Узнайте, как полуквадратичное квантование (HQQ) позволяет легко сжимать большие модели ИИ без потери точности — калибровочные данные не требуются.

Создание Dropbox Dash научило нас тому, что в эпоху базовых моделей оценка ИИ так же важна, как и обучение модели.

Узнайте, как настроить и настроить, какие области вашему приложению запросы в потоке авторизации Dropbox OAuth 2.

Узнайте о планируемых изменениях в корневых сертификатах, используемых на серверах Dropbox API, и как это повлияет на SDK, используемые для доступа к Dropbox API.

Узнайте больше о нашем внедрении end-to-end шифрования для команд, модели угроз нашего дизайна и алгоритмов шифрования, а также о нашем обязательстве минимизировать риск потери данных с помощью централизованного подхода к управлению ключами для команд.

Развивая предыдущие исследования по инъекции запросов, мы недавно обнаружили новую уязвимость для извлечения данных из системы обучения, связанную с моделями завершения разговора OpenAI.

Узнайте, как перечислить содержимое всех пространств имен для всех членов команды с помощью Dropbox API

Узнайте о изменениях и обновлениях в Dropbox API, чтобы поддержать последние функции команд Dropbox

Smart move использует машинное обучение, чтобы проанализировать существующую структуру подпапок пользователя и предложить папки, куда они могли бы переместить свои файлы. Вот как была создана эта функция.

Статья обсуждает реализацию Dropbox модели машинного обучения, предназначенной для выявления форматов дат в именах файлов, что улучшает организацию и поиск файлов. Эффективное именование файлов является ключевым для командной работы, и функция автоматического именования файлов Dropbox позволяет пользователям устанавливать правила для имен файлов, обеспечивая единообразие и эффективность. Сначала Dropbox попробовал подход, основанный на правилах, для идентификации дат, но столкнулся с трудностями из-за разнообразия форматов дат, используемых разными людьми. Это привело к разработке модели машинного обучения, которая точно распознает даты в именах файлов. Модель прошла несколько этапов, включая аннотацию данных, токенизацию и классификацию, используя техники, такие как тегирование IOB (Inside-Outside-Beginning), чтобы маркировать компоненты дат. Модель машинного обучения, основанная на архитектуре трансформера (именно DistilRoberta), показала значительное улучшение по сравнению с предыдущей системой, основанной на правилах, увеличив количество переименованных файлов на 40%. Чтобы оптимизировать производительность, Dropbox реализовал техники, такие как обрезка модели и квантование, успешно уменьшив задержку во время вывода. После запуска в августе 2022 года функция стала популярной, и более миллиона файлов были переименованы вскоре после запуска. В будущем могут быть добавлены улучшения, включая извлечение дополнительных сущностей помимо дат, использование болееadvanced моделей для еще большей точности в именах файлов.