A former software manager at Wisk Aero, Boeing's autonomous air taxi subsidiary, has filed a whistleblower lawsuit alleging she was wrongfully terminated after reporting that company executives pressured engineers to cut FAA-required software testing to meet a 2025 test flight deadline. The case arrives at a sensitive time as Wisk seeks FAA certification for the first fully autonomous passenger aircraft in the US, a process that hinges on regulatory confidence in its software safety standards. Boeing has faced 32 OSHA whistleblower complaints since 2020 and Senate scrutiny over its safety culture. The allegations remain unproven and the case is in early stages.
Nguồn: https://thenextweb.com/news/wisk-aero-boeing-whistleblower-safety-software-testing. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Adam Bender, kỹ sư phần mềm chính tại Google, cho rằng cuộc tranh luận về AI coding quá tập trung vào tốc độ và sinh code, bỏ qua những thách thức kỹ thuật rộng lớn hơn. Ông phân biệt lập trình (một cá nhân viết code) với kỹ thuật phần mềm (duy trì code sống, tích hợp và dễ bảo trì trong nhiều năm), nhấn mạnh AI thúc đẩy phần trước nhưng hầu như không ảnh hưởng đến phần sau. Những lo ngại chính bao gồm hệ sinh thái nhà phát triển như một hệ thống thích ứng phức tạp, nguy cơ mất kiểm soát trí tuệ khi codebase phát triển nhanh hơn khả năng hiểu của con người, lỗ hổng kiểm thử tích hợp khi AI tạo ra quá nhiều unit test, các API nội bộ trở nên công khai vô tình do AI bỏ qua ranh giới không chính thức, và khó khăn trong việc dạy phán đoán kỹ thuật cho lập trình viên mới sử dụng AI. Ông khuyến nghị bắt đầu bằng cách xác định chất lượng phù hợp với doanh nghiệp, sau đó lập bản đồ toàn bộ hệ sinh thái nhà phát triển để dự đoán hậu quả cấp hai và cấp ba từ việc tăng đột ngột sản lượng code.
Lập trình viên nên đọc bài này để hiểu cách AI không chỉ thay đổi cách viết code mà còn làm thay đổi toàn bộ quy trình và văn hóa của software engineering, từ việc quản lý codebase lớn đến việc đào tạo kỹ năng quyết định cho đội ngũ mới.
Storybook vừa ra mắt @storybook/tanstack-react, một framework chuyên dụng hỗ trợ ứng dụng …
Phiên bản Deno 2.9 bổ sung công cụ deno desktop để xây dựng ứng dụng desktop native từ …
Kỹ sư mabl chia sẻ ba năm kinh nghiệm xây dựng AI agents cho kiểm thử phần mềm sản xuất, từ những thất bại ban đầu với PaLM 2023 đến việc tận dụng sức mạnh LLM như LLM-as-judge, RAG với Gemini 2, và quản lý trạng thái đa nền tảng. Họ rút ra bài học: giao diện UI đơn giản vẫn khó điều hướng, nhóm ngữ nghĩa hiệu quả hơn so khớp từ, dữ liệu kiểm thử tĩnh không phù hợp cho AI xác suất, và CoT cứng nhắc phản tác dụng khi nâng cấp lên Gemini 2.5.
Bạn nên đọc bài này để hiểu cách chuyển đổi từ những thất bại ban đầu trong ứng dụng AI như PaLM sang xây dựng các hệ thống agent hiệu quả trong thực tế, từ đó tránh những sai lầm về cách tiếp cận và tối ưu hóa kiến trúc cho các ứng dụng AI trong sản xuất.
iPhone và iPad tích hợp sẵn trình đọc màn hình VoiceOver, giúp đọc to các yếu tố giao diện như văn bản, nút bấm, menu. Bài viết hướng dẫn ba cách kích hoạt VoiceOver (Settings, Siri, Accessibility Shortcut), năm cử chỉ điều hướng quan trọng cho nhà phát triển, cùng cách điều chỉnh tốc độ và giọng đọc.
Lập trình viên nên đọc bài này để hiểu cách kiểm tra tính khả dụng (accessibility) trên thiết bị iOS thực tế thông qua VoiceOver, giúp phát hiện và cải thiện trải nghiệm người dùng tàn tật trên ứng dụng của họ.
Kiểm thử đột biến (mutation testing) đánh giá chất lượng bộ kiểm thử bằng cách chủ động thay đổi nhỏ mã nguồn (đột biến) và kiểm tra xem các bài kiểm thử hiện có có phát hiện được hay không. Khác với độ phủ mã (code coverage), đột biến cho thấy liệu các khẳng định (assertions) có thực sự phát hiện lỗi. Quá trình này tạo ra các đột biến thông qua các toán tử như thay thế quan hệ hoặc đảo ngược boolean, chạy bộ kiểm thử cho từng đột biến, và báo cáo tỷ lệ đột biến bị tiêu diệt (mutation score).
Lập trình viên nên đọc bài này để hiểu cách đánh giá chất lượng suite test thực sự thông qua việc kiểm tra khả năng phát hiện lỗi ngay cả khi chỉ có coverage 100%, không chỉ là việc các dòng code được chạy.
Expensify tích hợp công cụ agent-device cho phép AI điều khiển thiết bị di động thực và trình giả lập nhằm tự động thu thập bằng chứng lỗi, đo lường hiệu suất Sentry và phân tích render React. Công cụ này tự động thực hiện các bước tái hiện lỗi từ GitHub, ghi lại video trước/sau khi sửa, chạy đo lường hiệu suất lặp lại và thu thập dữ liệu render theo component.
Lập trình viên nên đọc bài này để khám phá cách sử dụng công nghệ AI tự động hóa các công việc thủ công trên thiết bị di động—từ thu thập bằng chứng lỗi đến phân tích hiệu suất và render React—để tiết kiệm thời gian và nâng cao chất lượng phát triển.
Các mô hình AI hữu ích để tạo test case nhưng không nên dùng chúng đánh giá kết quả test vì có thể dẫn đến những thay đổi ngầm giữa các lần chạy, làm giảm tính xác định. Tác giả khuyến nghị sử dụng mô hình để sinh test case nhưng giữ các đánh giá dưới dạng assertions cố định do con người xem xét, đảm bảo pipeline có thể chạy lặp lại ổn định.
Lập trình viên nên đọc bài này để tránh rủi ro khi phụ thuộc vào AI đánh giá kết quả thử nghiệm, vì mô hình AI không đáng tin khi đánh giá chính nó, dẫn đến sai số không xác định và giảm trách nhiệm kiểm soát chất lượng cho con người.