Scinonova logo

Scionova

PINK Sunday @ Scionova 2024

by

This Pink Sunday with Scionova, we’ll dive into the world of testing! In this interactive workshop, you’ll learn essential testing methods and apply them to a real Flutter app. Be sure to bring your laptop for a hands-on experience. The brilliant Zara Zamani, CEO at Lucky Kat Studios and Co-Founder of Neoki, will also be joining us to hold this Pink Sundays inspirational session – don’t miss out. Grab the opportunity to level up your development game, connect with fellow programming enthusiasts, and improve your testing skills.

WELCOME!

Pink Programming & Scionova
https://www.pinkprogramming.se
https://www.scionova.com/

Pink Sundays are our popular coding events where women and non-binary people can meet up, code, and network together.

SIGN ME UP!

Have you been curious about testing but don’t know where to start? This Pink Sunday with Scionova AB, our new partner, we’ll explore the world of testing! In this hands-on workshop, essential testing methods will be explored, applying these concepts in a real Flutter app. Hone your skills & connect with fellow programming enthusiasts, see you there!

WS-holder & Speaker: Kelly Bentes & Zara Zamani
Event Managers: Réka Madarász & Lisa Sjögren
Scionova host: Camilla Stanney

Read more about Scionova x Pink Programming partnership here

Scionova x Pink Programming 

by

Nu i september inleder vi på Scionova ett nytt, för oss väldigt viktigt, partnerskap. Scionova finns till för att göra varje dag lite bättre, både för våra kunder, våra anställda och för samhället i stort. I och med detta partnerskap stöttar vi en fråga som ligger nära hjärtat: att skapa en jämlik och inkluderande tech-bransch.  

Pink Programming är Sveriges största ideella förening för kvinnliga och icke-binära utvecklare. Med över 26 000 personer i sitt nätverk, över 9000 deltagare runt om i Sverige och fler än 100 aktiva volontärer, arrangerar dem olika typer av event och nätverksträffar för att skapa en säker, kreativ och inspirerande plats för kvinnor och icke-binära oavsett ålder och bakgrund. Dem arbetar även för att lyfta fram alternativa förebilder, och för att utbilda och hjälpa företag inom vår bransch att skapa mer jämlika arbetsplatser. 

Under det kommande året kommer Pink Programming använda Scionovas lokaler för nästintill alla sina evenemang inom Göteborgsområdet, och vi är både stolta och glada över att få ha er kreativa och framåttänkande närvaro hos oss. 

Tack för ert viktiga arbete. Vi på Scionova ser fram emot att inspireras tillsammans med er.  

Scionova @ Flutter & Friends  

by

Flutter & Friends is a unique conference that brings together Flutter enthusiasts, developers, and experts from all over the world. It’s an opportunity to dive deep into the Flutter ecosystem, share knowledge, and build connections within the community. Recognizing the strength of Flutter and Friends, Scionova sent three of our consultants to attend the conference to strengthen our connection with the Flutter community and check out the latest hot topics in Flutter. Here is what Kelly, Kianoosh, and Sahil thought about it. 

This year’s Flutter & Friends Conference was a fantastic experience for us.  The three-day event, which took place from Sunday, August 31, to Tuesday, September 2, gathered 301 attendees and it wasn’t just about Flutter—it also gave us a chance to connect through fun and engaging social activities. 

We loved how the event struck a balance between technical talks and networking opportunities. From walks at the zoo to a bar outing with a fun quiz tournament, and even a party that featured a coding competition in the middle of the celebration, we had an amazing time. It was a great way to meet interesting people, and we left with a lot of new connections and ideas. 
 
To give a quick summary of this experience, we will share the moments that stood out the most for us during the event.

PS: To see he recordings and the slides from the event please access: https://github.com/spydon/flutter_and_friends_slides  

Day 1: Social Activities (August 31) 

The first day was all about helping attendees connect. We kicked things off with a relaxing walk at the zoo, followed by a bar outing with a quiz tournament. It was a fun way to break the ice and build connections before the technical talks began. 

Day 2: Talks (September 1) 

The second day was dedicated to technical talks, and it was packed with insightful sessions from Flutter experts. Here are some of our favorite talks from the day: 

  • Keynote – Empathetic Flutter 
    The opening speech was held by Craig Labenz. His talk made us remember that the first Futter beta version was launched in May 2017 and in less than seven years, it has built a large community and revolutionized cross-platform mobile development. It made us reflect on how we can continue growing our community to include more developers and create applications that reach an even wider audience.  
  • Flutter web superfast: WASM  
    Renan Araujo held a speech with the promise of explaining how WebAssembly compilation for Flutter can turn tables for web performance, a promise he later delivered. The introduction of WebAssembly Garbage Collection has opened doors for Flutter to build its web applications in WebAssembly instead of JavaScript. This means that applications are faster and run with close to native experience. All good things come with a price and in this instance, the price is limited availability as only Chromium browsers fully support this at the moment, and as the transition requires some changes in the code some libraries that you want to use might not be “wasm-ready. These issues will be resolved with time, and the future of Flutter web looks bright. 

Day 3: Workshops (September 2) 

The third and final day was focused on hands-on workshops, where we had the chance to dive deeper into practical Flutter development. These were some of the workshops that really stood out to us: 

  • Simplify Design Systems and Designer/Developer Collaboration with Widgetbook 
    This workshop was led by the Widgetbook team. They focused on one of the biggest challenges in software projects: making sure developers and designers communicate well. We learned how Widgetbook helps solve this problem with its library, and how Widgetbook Cloud makes PR reviews easier. This has us excited to use these tools in our own projects to improve teamwork and get better results. 
  • Let’s test it with Patrol! 
    This workshop was led by the LeanCode team, and we really enjoyed it. They provided a great overview of integration testing with Patrol, Flutter’s first UI testing tool. We found it to be more intuitive than Flutter’s own testing framework, which Patrol builds upon. This session inspired us to dive deeper into Patrol so we can incorporate it into our own projects. 

The Flutter & Friends Conference was an inspiring event, leaving us with fresh insights, stronger connections, and practical tools to bring into our projects. It was the perfect blend of learning and community-building, making it a truly memorable experience. Big thanks to the organizers (Alek Åström, Lukas Klingsbo & Johannes Pietilä Löhnn) and to Scionova for giving us the opportunity. 

Magin bakom AI:n, LLM pt.2 

by

För att utmana föreställningen om att ChatGPT och andra avancerade språkmodeller är närmast magiska, gav vår kollega Jerker oss nyligen en genomgång av flera grundläggande komponenter som gör dessa AI-teknologier möjliga. Bland dessa komponenter nämndes “context”, “embeddings” och “attention”, vilka ligger till grund för modellernas förmåga att generera naturligt och precist språk.  

I vårt senaste inlägg diskuterade vi “context”, som hjälper modellen att förutse vilket svar den ska ge dig. Nu ska vi gå vidare till att utforska “tokenization”, som omvandlar dina skrivna ord till förståbara siffror för modellen, samt “embeddings”, vilka fångar den språkliga betydelsen av ord och deras relationer. 

Innan vår “context” kan bearbetas av modellen måste den först genomgå något som kallas tokenisering eller “tokenization”. Detta är den process där text, som vi människor kan förstå, översätts till siffror som LLM:en sedan kan arbeta med.  

Exempel: Om vi tar meningen “This is a tokenized context” och tokeniserar den med GPT-4 (olika språkmodeller har olika tokenisering) blir utfallet följande sex siffror:  

 2028(This), 374( is), 264( a), 4037( token), 1534(ized), 2317( context).  

När jag skriver ovanstående mening ser alltså GPT-4 följande token: “2028 374 264 4037 1534 2317”. Tokeniseringen är en avgörande optimering för att göra kontexten lättare att hantera. Utan denna process skulle det vara för många siffror att bearbeta, vilket skulle försämra modellens effektivitet. 

Efter tokeniseringen kan tokens sedan omvandlas till “embeddings”. Embeddings fångar den språkliga betydelsen av olika ord och deras relation till varandra. Detta möjliggör en djupare förståelse för språkliga mönster och sammanhang, vilket är kritiskt för att AI-modellen ska kunna generera begripligt innehåll. 

Exempel: Tänk dig att varje ord har en slags kod, en “embedding”, som representerar dess betydelse. Om vi har koden för ordet “kung” och sedan tar bort koden för “man” och lägger till koden för “kvinna”, så hamnar vi nära koden för “drottning”. Detta beror på att embeddings fångar de språkliga relationerna mellan ord. “Kung” och “drottning” är relaterade på ett sätt som liknar relationen mellan “man” och “kvinna”. På detta sätt hjälper således embeddings AI-modeller att förstå och producera språkligt korrekt innehåll. 

Avslutningsvis är tokenisering och embeddings viktiga delar av AI-modellens effektivitet och förmåga. Det är dock värt att notera att medan kontext är synligt för användaren, förblir embeddings dolda och är en intern del av modellens funktion. Vidare är embeddings en del av transformer-tekniken, som vi kommer gå igenom i nästa inlägg. 

Magin bakom AI:n, LLM pt.1

by

Nyligen fick vi en grundlig genomgång av de avancerade funktionerna bakom ett av de mest omtalade AI-verktygen just nu: LLM:er (Large Language Models), såsom ChatGPT. Sammanfattningsvis är en LLM en typ av AI som tränats för att till exempel skapa, översätta och/eller sammanfatta stora mängder text.  

För att utmana föreställningen om LLM:er som nästintill magiska ting gick vår kollega Jerker igenom flera nyckelkomponenter som möjliggör AI:ns funktion, däribland “kontext”, “embeddings” och “attention”. Dessa utgör grundläggande byggstenar som ger LLM:en sin förmåga att generera naturligt språk på ett precist och nyanserat sätt.  

“Kontext” innebär både den information du ger modellen i chatten samt den information modellen själv genererat i samtalet. Kontexten gör det möjligt för LLM:en att bättre prediktera svar, eftersom modellen vet inom vilket sammanhang den ska hämta information ifrån. När du startar en ny chatt ger du modellen en ny kontext, och LLM:en börjar sedan om med att utgå från den nya information du delger.  

Kontexten är således något vi kan ändra för att påverka vad modellen genererar. Väldigt små skillnader i kontext kan innebära stora skillnader i output. Om du exempelvis skriver “Jag korsade vägen för att komma till banken.” kommer LLMen ge dig en helt annan output än om du istället skriver “Jag korsade floden för att komma till banken”.  

Förutom den kontext du ger den har ChatGPT en förutbestämd grundkontext (kallad en “system prompt”). Denna grundläggande kontext gör att programmet vet att det är en hjälpsam AI-assistent som finns till för att generera svar till dig som användare. Det finns möjlighet att ändra denna ‘system prompt’, beroende på vad du har för interface i modellen. 

Att få en djupare förståelse för hur dessa verktyg fungerar hjälper oss inte bara att upptäcka deras potential och begränsningar, utan också att utforska nya möjligheter och anpassningar av tekniken.  

I nästa inlägg kommer vi att gå igenom embeddings, en av modellens effektiviseringsverktyg där ord omvandlas till siffror.   

Unlocking Possibilities with Synthetic Data

by

In today’s data-driven landscape, startups and small teams encounter a substantial challenge when it comes to accessing pertinent data. This challenge often results in what’s termed the ‘data gap’, denoting a significant discrepancy between the data necessary for driving innovation and the data that’s actually available. Consider, for instance, the scenario of conducting system tests for a product where essential data comprises log entries from real user sessions, yet no historical logs are at hand. In such instances, synthetic data emerges as a valuable solution, resembling a bridge that effectively spans this data gap. It aids in vital tasks like software testing and model training. In this post, we will explore how synthetic data plays the role of an enabler, providing crucial support to tech professionals grappling with data scarcity, regardless of their technical expertise.

The World of Synthetic Data
Think of synthetic data as a useful toolbox. It’s not about making up stories or creating fake information. Instead, it’s a clever way of making data act like real things in the world. Imagine it as a flexible tool that changes to suit what users need. The main goal is always the same: creating data that looks just like real situations.

Creating Synthetic Data
Crafting synthetic data is a unique blend of creative ingenuity and scientific precision, inviting tech professionals to explore imaginative solutions while leveraging mathematical and algorithmic expertise. This dynamic process encourages innovative thinking, fostering the exploration of creative avenues all while maintaining the exacting standards of scientific methodologies. Three distinct approaches exist for creating synthetic data, each offering its unique advantages and considerations. These methods illustrate how synthetic data serves as a versatile tool, ready to address real-world data challenges within the tech industry, harmoniously merging ingenuity with precision.

  • Algorithmic Magic: Advanced algorithms like Generative Adversarial Networks (GANs) work their magic by learning from real data and subsequently generating data that closely mirrors it.
  • Mathematical Mastery: Mathematical models and statistical simulations empower data scientists to generate data points that adhere to specific distributions and patterns.
  • Handcrafted Data: Sometimes, it’s as simple as manual crafting, like creating log entries by copying and pasting data within a log file, essentially crafting the story you want the data to tell.

Now, let’s put this versatile tool to the test in real-world scenarios. In the following sections, we’ll explore two use cases we encountered at Scionova to spotlight the transformative potential of synthetic data in the tech industry.

  • Use Case 1: Testing
    In a startup scenario, we employed a small test rig to simulate user interactions. From a single user’s log, we orchestrated synthetic data. These artificially generated logs facilitated rigorous system testing, showcasing the value of synthetic data.
  • Use Case 2: Machine Learning
    In a personal project, I applied machine learning to compare back squats. Faced with a shortage of beginner data, I crafted a 3D reference model and adjusted it to mimic beginners. Manipulating and translating this model yielded a training dataset. Synthetic data bridged the data gap, enabling proof-of-concept evaluations.

Conclusion
Synthetic data serves as the linchpin for unlocking innovation, empowering tech professionals to overcome data challenges and drive progress. Its adaptability and versatility position it as an indispensable tool for startups and small teams navigating the data-driven world. In the hands of creative minds, synthetic data paves the way for groundbreaking solutions and valuable insights, ensuring that the tech industry continues to push boundaries and unlock new possibilities.