การเติบโตของแฟชั่นแชทบอทบอกเราเกี่ยวกับบทบาทของ AI ในประสบการณ์ใหม่

การเติบโตของแฟชั่นแชทบอทบอกเราเกี่ยวกับบทบาทของ AI ในประสบการณ์ใหม่

เว็บไซต์

ในปีที่การระบาดใหญ่ยุติการปฏิสัมพันธ์ระหว่างบุคคล จึงไม่น่าแปลกใจที่เราจะหันไปใช้ช่องทางดิจิทัลเพื่อเติมเต็มช่องว่าง และเมื่อพูดถึงแชทบอท ข้อมูลล่าสุดของRobots Among Us เห็นว่าแชทบอทแฟชั่นกระโดดมากกว่าประเภทอื่นๆ เรา ‘อีกครั้งไม่ได้เป็นเพียงการใช้พวกเขามากขึ้น – เรา ‘อีกครั้งชื่นชอบพวกเขามากขึ้น

การออกแบบเว็บไซต์

การก้าวกระโดดอย่างสบายใจสำหรับกรณีการใช้งานเทคโนโลยีนี้แสดงให้เราเห็นถึงการพัฒนาที่น่าประหลาดใจซึ่งไม่เพียงแต่ช่วยให้เราใช้แชทบอทได้ดีที่สุดในการตั้งค่าการค้าปลีก แต่ยังรวมถึงการนำเทคโนโลยีไปใช้ในสถานการณ์อื่นๆ ที่จะได้ประโยชน์จาก AI- เพิ่มพลัง
ระบบที่ดีขึ้น
สาเหตุหนึ่งที่เราเห็นการเพิ่มขึ้นอย่างรวดเร็วของความนิยมแชทบอทคือคำแนะนำและรูปแบบภาษาเริ่มดีขึ้น เทคโนโลยีนี้มีอยู่มาระยะหนึ่งแล้ว แต่บ่อยครั้งที่เทคโนโลยีใหม่ ๆ โดยเฉพาะเทคโนโลยีที่ขับเคลื่อนด้วยข้อมูลซึ่งขับเคลื่อนด้วย AI ความสามารถนั้นยังไม่ถึงระดับที่จำเป็นสำหรับการนำไปใช้ในวงกว้าง
แต่สิ่งนี้กำลังเปลี่ยนแปลงและรวดเร็ว แชทบอทมีความสามารถในการประมวลผลภาษาที่เป็นธรรมชาติมากขึ้น และเมื่ออัลกอริธึมสามารถประมวลผลความรู้สึกของสิ่งต่าง ๆ ได้มากเท่ากับความหมาย พวกเขาได้นำไปสู่ประสบการณ์ของผู้ใช้ปลายทางที่ดีขึ้น
ด้วยความก้าวหน้าในการประมวลผลภาษาที่เป็นธรรมชาติ ทุกการโต้ตอบของแชทบ็อตจะมีการปรับปรุง เนื่องจากผู้ใช้จะไม่ตกรางระหว่างที่โต้ตอบโดยบอทที่ไม่เข้าใจคำสั่งหรือการตอบสนอง
ในทำนองเดียวกัน เราเห็นคำแนะนำที่ละเอียดยิ่งขึ้นจากอัลกอริทึม ข้อมูลเพิ่มเติมในข้อมูลคิดเห็นของผู้ใช้มากขึ้นโดยเฉพาะอย่างยิ่งและดีกว่าหมายถึงองค์กรข้อมูลว่าคำแนะนำจะไม่เป็นพึ่งพากว้างประเภท ( เช่นเสื้อทั้งหมด)
แต่พวกเขาสามารถเริ่มตัดทอนสิ่งของเฉพาะที่บุคคลต้องการได้อย่างใกล้ชิดมากขึ้น ไม่เพียงแต่กับความต้องการในวงกว้าง (เครื่องแต่งกายสำหรับสภาพอากาศหนาวเย็น) แต่ยังรวมถึงรสนิยมส่วนตัวของพวกเขาด้วย (ตั้งแต่โทนสีที่เป็นกลางและเส้นใยธรรมชาติที่โปรดปราน ไปจนถึงการกำหนดราคาและขนาดที่สอดคล้องกับอดีต พฤติกรรมการซื้อ) นี่เป็นส่วนสำคัญของการที่แชทบอทแฟชั่นได้เปลี่ยนจากความแปลกใหม่มาเป็นเครื่องมือที่จำเป็นในกระบวนการจัดซื้อ
ไม่ใช่ว่าทุกประสบการณ์จะต้องแสดงคำแนะนำเกี่ยวกับผลิตภัณฑ์ แต่ความสามารถในการใช้ข้อมูลอย่างมีประสิทธิภาพเพื่อปรับแต่งประสบการณ์สำหรับผู้ใช้ปลายทางเป็นสิ่งสำคัญในการทำให้ประสบการณ์ใหม่เหล่านี้มีความต่อเนื่อง ความสามารถในการแสดงเนื้อหาที่เหมาะกับรสนิยมของพวกเขาจะเพิ่มคุณค่าของการโต้ตอบเหล่านี้อย่างมาก
เหตุผลที่ดีกว่า
การเปลี่ยนแปลงที่สำคัญอีกประการหนึ่งที่เราสังเกตเห็น ซึ่งเกี่ยวข้องกับการปรับปรุงเทคโนโลยีก็คือ ประโยชน์ใช้สอยนั้นเป็นเทคโนโลยีสำคัญ อาจจะมีการเริ่มต้นสนใจหรือฉวัดเฉวียนใน chatbots แฟชั่นเมื่อพวกเขาเปิดตัว แต่ใช้เทคโนโลยีเพียงเพื่อประโยชน์ของมันได้ผลตอบแทนลดลงและเราได้เห็นว่าในผลการสำรวจจากปีที่ผ่านมา
แต่เมื่อร้านค้าปิดตัวลงและดิจิทัลกลายเป็นสถานที่หลักสำหรับการค้าปลีก แชทบอทก็พุ่งปรี๊ด ความจำเป็นขับเคลื่อนเทคโนโลยีนี้ในการค้าปลีก และนั่นเป็นแนวโน้มที่เราเห็นในเทคโนโลยีและอุตสาหกรรมต่างๆ
เมื่อเป็นเทคโนโลยีเพื่อประโยชน์ของเทคโนโลยี ผู้บริโภคจะไม่ค่อยสนใจเทคโนโลยีนี้ ปพลิเคชัน Augmented ความเป็นจริง (AR) แปลเช่นเป็นเทคโนโลยีชั้นนำ 20 มา 19 ออก70 เราถามผู้ตอบแบบสอบถาม 1,000 ยศ แต่กระจกอัจฉริยะของ AI ซึ่งเป็นแอป AR ในโลกแห่งความเป็นจริง ไม่มีแคชเหมือนกันที่ 58 นั่นเป็นเพราะส่วนหนึ่งของประโยชน์ของแต่ละรายการ แอพแปลภาษาให้ความช่วยเหลือทันทีในสถานการณ์เฉพาะ กระจกอัจฉริยะอาจสนุกกับการเล่น แต่ก็ไม่จำเป็น
จากมุมมองทางธุรกิจ นี่เป็นสิ่งที่ดีมาก หมวดหมู่แบรนด์ชั้นนำที่มีการเปลี่ยนแปลงวิธีที่พวกเขา ‘อีกครั้งนำเสนอ chatbots แฟชั่นและหารือวิธีที่พวกเขาได้รับผลตอบแทนจากการลงทุน (ROI) การมุ่งเน้นไปที่ยูทิลิตี้และไม่ใช่ความแปลกใหม่ของเทคโนโลยี ธุรกิจไม่เพียงแต่สามารถให้บริการผลิตภัณฑ์แก่ลูกค้าได้ดีขึ้นในขณะนั้น พวกเขากำลังควบคุมลูปความคิดเห็นเพื่อเรียนรู้เพิ่มเติมและสร้างประสบการณ์ที่ดีขึ้นโดยรวม
มุมมองที่เน้นยูทิลิตี้มากขึ้นนี้ช่วยให้ผู้ค้าปลีกและลูกค้าได้รับประสบการณ์แชทบ็อตแฟชั่นที่ดีขึ้นในขณะที่ใช้เลเซอร์ในยูทิลิตี้ที่อาจส่งผลกระทบสำคัญต่อกรณีการใช้งานอื่นๆ เช่นกัน
การดำเนินการที่ดีขึ้น
จากผลการสำรวจของเรา ผู้บริโภครู้สึกไม่สบายใจในระดับสากลกับทุกสิ่งที่อ่านว่ามนุษย์เกินไป ไม่ว่าจะเป็นหุ่นยนต์เต็มรูปแบบหรือบางอย่างที่ดูเหมือนหยอกล้อ เช่น แชทบ็อตหรือผู้ช่วยเสียง เมื่อมันผ่านจุดที่เราเข้าใจทันทีว่าเป็นหุ่นยนต์ เราก็หมดความสนใจในมัน
สำหรับแบรนด์ที่พยายามสร้างอัตลักษณ์พิเศษผ่านการโต้ตอบประเภทนี้ เช่น มาสคอตหรือบุคคลเสมือนจริงที่มีเอกลักษณ์เฉพาะสำหรับแบรนด์ของพวกเขา นี่อาจเป็นบทเรียนที่ยากจะเรียนรู้ ลูกค้าไม่สนใจแชทบอทของคุณ พวกเขาสนใจแชทบอทที่ช่วยให้พวกเขาบรรลุเป้าหมายได้เร็วขึ้น ไม่ใช่เรื่องใหม่ — Ask Jeeves แพ้ Google ในช่วงแรกๆ ของการค้นหาออนไลน์ เนื่องจากยูทิลิตี้ที่เหนือชั้นของ Google เอาชนะความพยายามที่จะสร้างความภักดีต่อตัวละครบัตเลอร์ที่เป็นตัวเป็นตน
ผู้บริโภคต้องการความช่วยเหลือที่มีความสามารถ รวดเร็ว และที่สำคัญที่สุดคือ ความช่วยเหลือที่เชื่อถือได้ พวกเขาไม่ต้องการสิ่งที่รู้สึกเหมือนกำลังพยายามหลอกล่อให้ซื้อสิ่งที่พวกเขาไม่ต้องการหรือให้ข้อมูลที่พวกเขาไม่ต้องการแบ่งปัน และเมื่อเราผลักดันด้านตัวตนของบอทไปไกลเกินไป นั่นคือการรับรู้ที่เราสร้างขึ้น
แชทบ็อตแฟชั่นนำลูกค้าไปไกลกว่าฟังก์ชันการเรียกดูและค้นหาแบบแคบๆ ไปยังสถานที่ที่สามารถช่วยให้พวกเขาสร้างความเชื่อมั่นว่าการซื้อที่พวกเขาทำคือสิ่งที่ใช่สำหรับพวกเขา การประมวลผลภาษาธรรมชาติสามารถเริ่มเรียนรู้เกี่ยวกับลูกค้าอย่างกระตือรือร้นมากขึ้น ดังนั้นบอทจึงไม่ได้เป็นเพียงการแนะนำลูกค้าไปยังสินค้าเท่านั้น แต่ยังเป็นการเรียนรู้รสนิยมและพัฒนากระบวนการเพื่อช่วยจับคู่กับสินค้าที่ตรงกับความต้องการมากที่สุด
สิ่งนี้ช่วยปรับปรุงผลลัพธ์ทั้งระยะสั้นและระยะยาวสำหรับแบรนด์ และเป็นการง่ายที่จะเห็นว่ากรณีการใช้งานอื่นๆ ที่สามารถใช้ประโยชน์จากเทคโนโลยีนี้ในลักษณะเดียวกันสามารถเก็บเกี่ยวผลตอบแทนที่คล้ายคลึงกันได้อย่างไร
ในที่สุด โปรแกรมของฉันก็ทำงาน! ฉันควรไปดื่มกาแฟไหม
นักวิทยาศาสตร์ข้อมูลมีแล็ปท็อปที่มีโปรเซสเซอร์ Quad-core หรือ octa-core และเทคโนโลยี Turbo Boost เราทำงานกับเซิร์ฟเวอร์เป็นประจำซึ่งมีคอร์และพลังประมวลผลมากกว่าเดิม แต่เราใช้พลังดิบที่มีอยู่จริงหรือไม่?
แทนที่จะใช้ประโยชน์จากทรัพยากรของเรา เรามักจะนั่งเฉยๆ และรอให้กระบวนการที่ใช้เวลานานกว่าจะเสร็จสิ้น บางครั้งเรารอเป็นชั่วโมง แม้ว่างานด่วนจะใกล้ถึงกำหนดส่ง เราทำได้ดีกว่านี้ไหม?
ในบทความนี้ ผมจะอธิบายวิธีใช้การประมวลผลหลายตัวและ Joblib เพื่อทำให้โค้ดของคุณขนานกัน การใช้ไลบรารีเหล่านี้ทำให้เราสามารถใช้หลายคอร์ของเครื่องของเราได้ ทำให้โค้ดของเราทำงานเร็วขึ้น
การประมวลผลแบบขนานในวิทยาศาสตร์ข้อมูล
การประมวลผลแบบขนานเป็นเทคนิคที่กระบวนการขนาดใหญ่แบ่งออกเป็นหลายส่วนและมีขนาดเล็กลง โดยแต่ละส่วนจะจัดการโดยโปรเซสเซอร์แต่ละตัว นักวิทยาศาสตร์ข้อมูลควรเพิ่มวิธีนี้ลงในชุดเครื่องมือเพื่อลดเวลาที่ใช้ในการรันกระบวนการขนาดใหญ่และส่งมอบผลลัพธ์ให้กับลูกค้าได้เร็วขึ้น
การใช้การประมวลผลหลายตัวด้วยฟังก์ชันพารามิเตอร์เดียว
เราจะเริ่มต้นด้วยปัญหาที่เรามีรายการจำนวนมาก และเราต้องการใช้ฟังก์ชันกับทุกองค์ประกอบในรายการ
ทำไมเราต้องการทำเช่นนี้? แม้ว่าอาจดูเหมือนปัญหาเล็กน้อย แต่นี่คือสิ่งที่เราทำเป็นประจำทุกวันในด้านวิทยาศาสตร์ข้อมูล ตัวอย่างเช่น เราอาจมีแบบจำลอง และเราต้องการเรียกใช้แบบจำลองซ้ำหลายครั้งด้วยไฮเปอร์พารามิเตอร์ที่แตกต่างกัน หรือเรากำลังสร้างคุณลักษณะใหม่ในกรอบข้อมูลขนาดใหญ่ และเราจำเป็นต้องใช้ฟังก์ชันทีละแถวกับกรอบข้อมูลโดยใช้คำหลักที่ใช้ ในตอนท้ายของโพสต์นี้ คุณจะสามารถเทียบเคียงกรณีการใช้งานส่วนใหญ่ที่คุณเผชิญในวิทยาศาสตร์ข้อมูลด้วยโครงสร้างง่ายๆ นี้ได้
กลับมาที่ปัญหาสมมุติฐาน สมมติว่าเราต้องการใช้ฟังก์ชันกำลังสองกับองค์ประกอบทั้งหมดของเราในรายการ
ดังที่เราเห็น รันไทม์การประมวลผลหลายตัวค่อนข้างสูงสำหรับความยาวของรายการบางรายการ แต่จะไม่เพิ่มขึ้นเร็วเท่ากับรันไทม์ของฟังก์ชันที่ไม่ใช่การประมวลผลหลายตัวเพิ่มขึ้นสำหรับความยาวของรายการที่มีขนาดใหญ่ขึ้น สิ่งนี้บอกเราว่าการใช้การประมวลผลหลายตัวนั้นมาพร้อมกับโอเวอร์เฮดในการคำนวณจำนวนหนึ่ง ดังนั้นการใช้สำหรับกระบวนการที่ใช้เวลาไม่นานจึงไม่สมเหตุสมผลทั้งหมด

เว็บแอพพลิเคชั่น

ในทางปฏิบัติ เราจะไม่ใช้การประมวลผลหลายตัวสำหรับฟังก์ชันที่สรุปเป็นมิลลิวินาที แต่สำหรับการคำนวณที่มีขนาดใหญ่กว่ามากซึ่งอาจใช้เวลามากกว่าสองสามวินาที บางครั้งอาจนานถึงหลายชั่วโมง
ลองใช้การคำนวณที่เกี่ยวข้องกันมากขึ้น ซึ่งปกติจะใช้เวลามากกว่าสองวินาที ฉันใช้ time.sleep เป็นพร็อกซีในการคำนวณที่นี่
ดังที่เราเห็น ความแตกต่างนั้นชัดเจนกว่ามากในกรณีนี้ ฟังก์ชันนี้ใช้เวลามากขึ้นโดยไม่ต้องประมวลผลหลายตัวมากกว่าตอนที่เราใช้งาน อีกครั้ง สิ่งนี้สมเหตุสมผลดีเพราะเมื่อเราเริ่มการประมวลผลหลายตัว พนักงานแปดคนเริ่มทำงานควบคู่ไปกับงานแทนที่จะทำงานตามลำดับ โดยงานแต่ละงานใช้เวลาสองวินาที
การประมวลผลหลายตัวด้วยฟังก์ชัน Params หลายตัว
ส่วนขยายของโค้ดด้านบนเกิดขึ้นในกรณีที่เราต้องเรียกใช้ฟังก์ชันที่สามารถรับพารามิเตอร์ได้หลายตัว สำหรับกรณีการใช้งาน สมมติว่าคุณต้องปรับแต่งโมเดลเฉพาะโดยใช้ไฮเปอร์พารามิเตอร์หลายตัว คุณสามารถทำสิ่งนี้:
การใช้ Joblib ด้วยฟังก์ชันพารามิเตอร์เดียว
Joblib เป็นไลบรารี่อื่นที่จัดเตรียมคลาสตัวช่วยอย่างง่ายในการเขียนแบบขนานสำหรับลูปโดยใช้การประมวลผลหลายตัว ฉันพบว่าใช้งานได้ง่ายกว่าโมดูลการประมวลผลหลายตัว การรันกระบวนการแบบขนานนั้นง่ายพอๆ กับการเขียนบรรทัดเดียวด้วยคีย์เวิร์ดที่ขนานและล่าช้า:
ลองเปรียบเทียบ Joblib ขนานกับโมดูลการประมวลผลหลายตัวโดยใช้ฟังก์ชันเดียวกับที่เราเคยใช้มาก่อน
การใช้ Joblib กับฟังก์ชัน Params หลายตัว
การใช้หลายอาร์กิวเมนต์สำหรับฟังก์ชันนั้นง่ายพอๆ กับการส่งผ่านอาร์กิวเมนต์โดยใช้ Joblib นี่คือตัวอย่างน้อยที่สุด
ประหยัดเวลาด้วยการประมวลผลหลายตัว
การประมวลผลหลายส่วนเป็นแนวคิดที่ดีและเป็นสิ่งที่นักวิทยาศาสตร์ข้อมูลทุกคนควรรู้อย่างน้อย ไม่สามารถแก้ปัญหาทั้งหมดของคุณได้ และคุณควรพยายามเพิ่มประสิทธิภาพการทำงานของคุณ อย่างไรก็ตาม การมีมันไว้ในชุดเครื่องมือของคุณจะช่วยประหยัดเวลาได้มาก มิฉะนั้นคุณจะใช้เพียงแค่รอให้โค้ดของคุณทำงานเสร็จหรือจ้องที่หน้าจอนั้น เมื่อคุณนำผลลัพธ์ไปนำเสนอต่อธุรกิจแล้ว
นอกจากนี้ หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Python 3 ฉันต้องการเรียกหลักสูตรที่ยอดเยี่ยมนี้ จากมหาวิทยาลัยมิชิแกน ตรวจสอบออก
ในฐานะนักวิทยาศาสตร์ข้อมูลและนักพัฒนา เราต้องจัดการกับการควบคุมเวอร์ชัน ณ จุดใดจุดหนึ่ง เราอาจไม่เข้าใจคำสั่งทั้งหมดอย่างถ่องแท้หรือจำคำสั่งทั้งหมดได้ แต่เราจำเป็นต้องรู้วิธีใช้คำสั่งเหล่านั้นเพื่อสร้างโค้ดคุณภาพสูง เมื่อโปรแกรมเมอร์พูดถึง Git เรามักจะนึกถึงคำสั่งเฉพาะ: โคลน ผลัก ดึง และคอมมิต
ใช่ คำสั่งเหล่านี้เป็นที่นิยมเนื่องจากจัดการกับข้อกังวลทั่วไปที่จำเป็นเมื่อต้องจัดการกับ Git แต่ส่วนที่เหลือล่ะ?
Git มีหมวดหมู่คำสั่งที่แตกต่างกัน — 13 แบบที่แม่นยำ — และแต่ละรายการเกี่ยวข้องกับลักษณะเฉพาะของการควบคุมเวอร์ชัน ตัวอย่างเช่น init และ clone อยู่ในหมวด “create a project” ในขณะที่ push and pull อยู่ในหมวดหมู่ “updating the project” และ commit จะใช้สำหรับการสร้างสแนปชอตพื้นฐาน
มาดูคำสั่ง Git 5 คำสั่งที่ไม่ได้รับความสนใจเท่าที่ควร — คำสั่งสำหรับตรวจสอบ แก้จุดบกพร่อง และดำเนินการดูแลระบบ

Web​ application

  1. git diff
    คุณต้องการตรวจสอบการคอมมิตที่แตกต่างกันหรือวิเคราะห์ความแตกต่างระหว่างคอมมิตกับแผนผังการทำงานหรือไม่? จากนั้นgit diffเป็นคำสั่งสำหรับคุณ! (ถ้าคุณไม่คุ้นเคยกับแนวคิดต้นทำงานเป็นไดเรกทอรีที่เชื่อมโยงกับพื้นที่เก็บข้อมูลของคุณในระบบของคุณ.) เพื่อวิเคราะห์สถานะของธุรกรรมซื้อคืนที่เรามักจะใช้git diff คำสั่งนอกเหนือไปและgit statusgit log
    โดยทั่วไป เราใช้git diffเพื่อหาความแตกต่างระหว่างสองสิ่ง สองสิ่งนี้สามารถเป็นหนึ่งในหกสถานการณ์ git diff สามารถ:
    แสดงการเปลี่ยนแปลงภายใน repo ในเครื่อง ซึ่งเราจะดูว่ามีการเปลี่ยนแปลงใดๆ เกิดขึ้นภายในไดเร็กทอรีไฟล์ของ repo หรือไม่
    แสดงให้เห็นถึงความแตกต่างระหว่าง repos ในพื้นที่และระยะไกล ดังนั้น หากคุณทำการเปลี่ยนแปลงบนอุปกรณ์ในพื้นที่ของคุณและบางส่วนใน git repo git diff สามารถช่วยให้คุณระบุสิ่งที่เปลี่ยนแปลงได้อย่างแน่นอน
    ระบุความแตกต่างระหว่างสองคอมมิตของ repo
    แสดงความแตกต่างระหว่างไฟล์เฉพาะสองไฟล์ในการคอมมิตสองรายการขึ้นไปโดยแสดงหมายเลขบรรทัดของการเปลี่ยนแปลง
    แสดงความแตกต่างระหว่างสองสาขาในพื้นที่หรือระยะไกล
    แสดงให้เห็นถึงความแตกต่างระหว่างสองแท็กของ repo แท็กมักใช้เพื่ออ้างถึง repo เวอร์ชันที่ใช้งานได้ ตัวอย่างเช่น คุณสามารถใช้ git diff เพื่อระบุความแตกต่างระหว่างเวอร์ชัน 1.0.0 และเวอร์ชัน 1.1.0 ของแอปพลิเคชันของคุณ
  2. git filter-branch
    เราใช้คำสั่งนี้เพื่อเขียนประวัติ repo ของเราใหม่โดยใช้ตัวกรองที่กำหนดเองกับการแก้ไข repo แต่ละครั้ง ตัวกรองแบบกำหนดเองสามารถเปลี่ยนแผนผังการทำงานหรือข้อมูลการคอมมิตได้ แต่ไม่สามารถเปลี่ยนเวลาคอมมิตหรือรวมข้อมูลได้
    ไวยากรณ์ทั่วไปสำหรับคำสั่งนี้คือgit filter-branch branch_name. มีเจ็ดตัวเลือกสำหรับตัวกรองในคำสั่งนี้ เพื่อให้คุณสามารถเขียนประวัติสำหรับแง่มุมต่างๆ ของสาขาได้ใหม่
    subdirectory-filter : ตัวกรองนี้จะตรวจสอบเฉพาะไดเรกทอรีย่อยของสาขาเท่านั้น
    env-filter : เรามักใช้ตัวกรองนี้เพื่อเขียนข้อมูลสภาพแวดล้อมของการคอมมิตเฉพาะ ตัวอย่างเช่น เขียนชื่อผู้แต่ง อีเมล หรือเวลาที่ส่งใหม่
    tree-filter : ตัวเลือกตัวกรองนี้มีประสิทธิภาพมาก คุณสามารถใช้เพื่อตรวจสอบการคอมมิตทั้งหมดไปยังสาขา ซึ่งหมายความว่าสามารถเปลี่ยน ลบ เพิ่ม หรือแม้แต่ย้ายไฟล์ได้
    index-filter : คล้ายกับ tree-filter แต่ไม่ได้ตรวจสอบต้นไม้ทั้งหมด เฉพาะดัชนีของต้นไม้เท่านั้น ซึ่งหมายความว่าเร็วกว่ามาก โดยเฉพาะอย่างยิ่งสำหรับ repos ขนาดใหญ่
    parent-filter : ตัวเลือกนี้จะเปลี่ยนรายการพาเรนต์ของคอมมิท
    msg-filter : หากคุณต้องการเปลี่ยนเฉพาะข้อความที่คอมมิต ตัวกรองนี้เป็นวิธีที่จะไป
    tag-name-filter : หากคุณต้องการแก้ไขแท็กของคอมมิตของคุณ ให้ใช้คำสั่งนี้

Robot Auto process

  1. git bisect
    นี่อาจเป็นหนึ่งในคำสั่ง Git ที่สำคัญที่สุด บั๊กสามารถฆ่าแอปพลิเคชันของคุณได้ และบางครั้งการดีบัก repo นั้นไม่ใช่เรื่องง่าย ดังนั้นให้ใช้git bisect เพื่อค้นหาจุดบกพร่องใน repo
    แนวคิดเบื้องหลังทั้งหมดgit bisectคือการค้นหาแบบไบนารีในประวัติการคอมมิตเพื่อค้นหาจุดบกพร่องการถดถอยโดยเฉพาะ ซึ่งเป็นปัญหาที่เกิดจากการเปลี่ยนแปลงที่ไม่เกี่ยวข้องในโค้ด
    git bisect อธิบายให้คุณทราบถึงการคอมมิตล่าสุดทั้งหมด โดยถามคุณว่าดีหรือไม่ดี ขึ้นอยู่กับว่ามีบั๊กการถดถอยในคอมมิตหรือไม่ การทำเช่นนี้จะจำกัดตัวเลือกให้แคบลงเมื่อคุณกำลังมองหาคอมมิตที่เสียหาย