Technology Radar

机器学习(ML)曾经是一个领域，只有少数幸运的人拥有工具和资源来构建很酷的东西. Fortunately, 随着各种大小设备的计算能力的增长，我们看到ML逐渐成为主流, 开源工具的到来，以及对隐私和个性化信息更严格的要求和意识，都汇聚在一起，创造了一个蓬勃发展的生态系统. Techniques such as 联邦机器学习 允许ML模型为敏感信息提供隐私. The field of TinyML 允许模型在资源受限的设备上执行, 移动推理到边缘, 这既解放了资源，又改善了敏感数据的隐私. Feature Stores 为应用程序开发提供了与模型-视图-控制器设计模式类似的好处, 允许更清晰地分离数据管理之间的关注点, 模型训练与推理. 公开可用的模型，如 Stable Diffusion 强调机器学习的惊人能力以及对源数据和伦理的关注. ML组件也比以前更容易连接在一起, 这使得通过自定义业务模型和功能强大的通用模型的创造性组合来构建ML体验和解决方案成为可能. 我们对这一领域的新功能表示赞赏，并热切期待未来的进展.

“平台”这个词仍然是我们Radar会议上使用最多的词之一，因为这个概念在行业中非常普遍. 它以许多不同的形式出现, 包括以业务或领域为中心的平台，也包括基础设施或开发人员体验平台. Fundamentally, 组织在使用所有平台时遇到的许多问题和失望的根本原因是未能正确地将它们视为产品. For example, 许多旨在供开发人员使用的平台缺乏我们在其他类型产品中所期望的用户研究和上下文分析. 平台所有者需要验证他们对开发人员需求的假设，并响应实际的使用模式. 就像任何优秀的产品一样，平台也需要持续的支持. 它必须不断发展并适应开发人员不断变化的需求. Additionally, 像项目经理和业务分析师这样的角色通常具有与传统应用程序不同的作用域. “平台即产品”的比喻只有在完全成为一种实践而不是一种流行短语时才会起作用.

我们都痛苦地知道, 任何形式的中央集权都可能带来限制, 瓶颈或不必要的暴露. Thus, 我们不断努力寻找新的方法来打破集中式耦合点, 雷达上有几个亮点. 基于无冲突复制数据类型(crdt)的研究, 在没有集中式数据库的情况下启用基于数据的应用程序, 本地优先的软件/应用程序技术鼓励开发人员考虑围绕点对点数据进行构建，而不是使用集中式数据库. 将数据所有权转移到边缘还允许开发人员利用设备上增加的功能, 如ML主题的主流化所示. For example, 许多功能，如面部识别，可以在边缘出现, 永远将底层数据保存在设备上.

软件工程师已经了解了主要围绕领域概念和业务功能构建应用程序体系结构的价值. 技术方面的考虑——UI与领域逻辑的分离——仍然很重要，但起次要作用. 随着移动应用程序的成熟，它们通常会变得更大, 有时会发展成所谓的超级应用, 它们包含许多服务，可以被视为自身的平台. 不太大但多年来获得了许多功能的应用程序通常可以分解为模块, too, 公司发现移动应用程序也受益于同样的模块化方法. 模块化应用程序可以由多个自主团队编写, 它带来了许多有据可查的好处. 更复杂的是需要通过应用商店进行部署，并且需要支持原生iOS和Android版本以及基于web的版本, 有细微的变化，以适应每一个. 我们看到更好的框架支持移动开发中固有的独特张力, but on the whole, despite the benefits, 许多组织努力将模块化方法引入移动开发.