CropShield: گزارش بارش برای تأییدیه های هوشمند

این یک ارسال برای چالش GitHub Copilot: شروع های جدید است

چیزی که من ساختم

_1. نمای کلی برنامه
این برنامه طول جغرافیایی، طول جغرافیایی و تاریخ را به عنوان ورودی جمع آوری می کند تا مقدار بارندگی را برای آن مکان و زمان ارائه دهد. سپس می‌توان از داده‌ها توسط آژانس‌های بیمه محصولات کشاورزی برای ارزیابی اینکه آیا صندوق‌ها بر اساس آستانه‌های از پیش تعریف‌شده یا معیارهای واجد شرایط بودن تأیید می‌شوند، استفاده کرد.

1. ویژگی های کلیدی ورودی کاربر: طول و عرض جغرافیایی: موقعیت جغرافیایی را تعیین می کند. تاریخ: داده های تاریخی یا پیش بینی شده بارندگی را برای تاریخ مشخص شده واکشی می کند. خروجی داده: مقدار باران: میزان بارندگی کل (مثلاً بر حسب میلی متر یا اینچ) را برای مکان و تاریخ نمایش می دهد. توصیه: پیشنهاد می کند که آیا شرایط واجد شرایط پرداخت بیمه است یا خیر.
2. مرحله ورودی گردش کار عملکردی: کاربر عرض جغرافیایی، طول جغرافیایی و تاریخ را وارد می کند. این برنامه ورودی ها را تأیید می کند (به عنوان مثال، فرمت های صحیح، محدوده تاریخ معتبر). مرحله پردازش: بازیابی داده های بارش: داده های بارندگی را با استفاده از API ها (مثلاً OpenWeatherMap، NOAA یا Climate Data API) واکشی کنید. داده ها را برای ورودی های داده شده تجزیه و پردازش کنید. مرحله خروجی: کاربر گزارش مفصلی دریافت می کند: مقدار بارندگی. تاریخ و مکان._

نسخه ی نمایشی

مخزن

https://github.com/FTNJAYABA/rainfall_weather_insurance.git

تجربه کمک خلبان

_نمای کلی استفاده از Copilot
من در طول توسعه برنامه باران خود از GitHub Copilot استفاده کردم و از ویژگی‌های درخواست، تکمیل خودکار و چت آن برای ساده‌سازی فرآیند از نمونه‌سازی اولیه تا تکمیل استفاده کردم.

1. درخواست می کند

از نظراتی مانند # واکشی داده‌های بارندگی با استفاده از طول و عرض جغرافیایی، طول جغرافیایی و تاریخ برای تولید کد دیگ بخار برای تماس‌های API و منطق تجاری استفاده کرد.
با تولید سریع کدهای قابل استفاده مجدد در زمان صرفه جویی کرد.

1. تکمیل خودکار

در تکمیل ساختارهای درخواست API، ورودی‌های CLI و قالب‌بندی خروجی کمک می‌کند.
مثال: پارامترهای به طور خودکار برای requests.get() بر اساس زمینه پر می شود.

1. ویرایش ها و اصلاحات

پیشنهادات Copilot برای رسیدگی به موارد لبه (به عنوان مثال، رسیدگی به خطا برای تماس‌های API) را بررسی و بهینه‌سازی کرد.
ترکیب منطق Copilot با تنظیمات دستی برای قوانین تجاری سفارشی.

1. چت و اشکال زدایی

از Copilot راه‌حل‌هایی مانند اعتبارسنجی ورودی برای طول و عرض جغرافیایی و منطق مقایسه داده‌ها درخواست کرد.
پیشنهادات آن حل مشکل و اشکال زدایی را تسریع کرد._

مدل های GitHub

بله، من از GitHub Copilot برای کمک به نمونه‌سازی قابلیت‌های LLM در برنامه باران خود استفاده کردم. در اینجا به این صورت است:

1. تولید کد با دستورات

برای راهنمایی Copilot در ایجاد منطق فراخوانی API و اعتبارسنجی داده، نظرات توصیفی مانند # Fetch data rainfall را با استفاده از عرض جغرافیایی، طول جغرافیایی و تاریخ نوشتم.
این روند ساخت عملکردهای کلیدی مانند واکشی و پردازش داده های آب و هوا را ساده کرد.

1. تکمیل خودکار و اصلاحات

ویژگی تکمیل خودکار Copilot به پیش‌نویس توابع و منطق کامل، مانند مقایسه داده‌های بارندگی با آستانه‌های واجد شرایط بودن کمک کرد.
من این پیشنهادها را بررسی و اصلاح کردم تا با الزامات خاص برنامه هماهنگی داشته باشم.

1. استفاده از چت برای کمک متنی

از ویژگی چت Copilot برای رفع اشکال و دریافت ایده‌هایی برای بهبود عملکرد، مانند اعتبارسنجی ورودی‌های کاربر یا مدیریت خطاهای API استفاده کرد.
همچنین الگوهای قابل استفاده مجدد را برای خروجی های مبتنی بر CLI پیشنهاد کرد.

1. بررسی یکپارچه سازی LLM

از Copilot برای نمونه‌سازی اولیه منطق برای ادغام APIهای LLM (مانند OpenAI) برای ایجاد توضیحات برای تصمیم‌گیری‌های واجد شرایط بودن استفاده کرد. به عنوان مثال، اعلان هایی مانند:
توضیح دهید که چرا بارندگی {value} میلی‌متر معیارهای واجد شرایط بودن را دارد._

نتیجه گیری

_Copilot با خودکار کردن کارهای تکراری و ارائه پیشنهادات آگاه از زمینه در زمان قابل توجهی صرفه جویی کرد. در حالی که برخی اصلاحات دستی مورد نیاز بود، ثابت شد که یک دستیار کدنویسی ارزشمند است.
_