let's try another example! Imagine you're having a big picnic with your friends, and you need to bring a lot of food to share. To make it easier, you divide the food into smaller containers, like Tupperware or lunch boxes. Each container has just the right amount of food for one person, like a sandwich, some fruit, and a drink.

Docker is like these containers, but instead of food, it's holding parts of a computer program. And just like how you can stack your lunch boxes in a cooler to keep the food fresh, Docker containers can be stacked and organized in a computer to keep the programs running smoothly.

Kubernetes then comes in to help manage the picnic by making sure everyone has enough food and that the containers are being used efficiently. If more people show up and you need more food, Kubernetes will automatically bring more containers. If some people leave and there's too much food, Kubernetes will take some containers away. This way, everyone always has just the right amount of food, and the picnic stays organized and fun!

In this picnic example, each lunch box with food is like a microservice. Each lunch box is a small, independent part of the overall picnic that can be managed and used separately from the other parts.

For example, one lunch box might have sandwiches, another might have fruit, and another might have drinks. These different parts of the picnic can be managed and served separately, but they all work together to create a delicious and enjoyable experience for everyone.

Similarly, microservices in computers are small, independent parts of a software program that can be managed and used separately from other parts. Each microservice is responsible for a specific task, like a specific type of food in the picnic example. When many microservices work together, they can create a powerful and efficient program, just like how the different types of food come together to create a complete and satisfying meal.

وقتی توی طاقچه تصمیم گرفتیم زیرساخت یادگیری ماشین و هوش مصنوعی رو برای «گلدون» داشته باشیم، اسپاتیفای برام خیلی الهام‌بخش بود. اون موقع اسپاتیفای به تازگی توی بلاگ مهندسی‌اش مطلبی منتشر کرده بود که زیرساخت یادگیری ماشین‌شون چیه. بر اساس این مطلب به سمت یه سری ابزارهای جدیدی رفتیم که خیلی‌هاشون هم اون موقع mature نبودند و طی مسیری که داشتیم می‌رفتیم stable شدند؛ مثل TFX. این ریسک بزرگی بود و درس‌های زیادی هم داشت ولی خب الان راجع بهش نمی‌خوام بنویسم.

دیروز اسپاتیفای مطلب جدیدی روی وبلاگ مهندسی‌ش منتشر کرد که توضیحات خیلی مفصلی راجع به زیرساخت و ابزارهای فعلی‌شون میده. هنوز فرصت نکردم کامل مطلب رو بخونم ولی در نگاه گذری که داشتم خیلی جالب به نظر می‌رسه و بسیار پیشنهادش می‌کنم:

https://engineering.atspotify.com/2023/02/unleashing-ml-innovation-at-spotify-with-ray/

دوشنبه‌ای که گذشت، مایکروسافت اعلام کرد که نسخه‌ی رایگانی از
Azure Kubernetes Service (AKS)
ارائه کرده.
با این سرویس می‌تونید رایگان سرویس کوبرنتیز اجرا کنید:

https://learn.microsoft.com/en-us/azure/aks/free-standard-pricing-tiers

January in AI

Ready for February?

چه ژانویه‌ی فشرده‌ای بود 🥲

Mood

Mood

3. #the_faraway_nearby: Ice

اینجا یه رودمپی برای یادگیری کوبرنتیز از پایه تا حرفه‌ای آورده
البته در حال تکمیل عه

https://github.com/techiescamp/kubernetes-learning-path

Mood

تولیدی 😌😌

وقتی وسط مرضیه و دلکش و ویگن، یهو اسنوپ داگ میخونه 🚶🚶🚶

Mood

بیشتر از یک سال پیش، چند روز بعد از اینکه این کانال رو درست کردم، به این فکر می‌کردم که براش می‌خوام یه عکس انتخاب کنم.
این قصه خیلی قبل‌تر از معرفی تکنولوژی‌ها و الگوریتم‌های خفنی مثل dalle2 یا stablediffusion عه.
حدود دو سال پیش، اولین مدل‌های تبدیل متن به عکس معرفی شده بودند ولی فقط جامعه‌ی فنی هوش مصنوعی درگیرشون بودند. الگوریتم‌ها، مقالات، پیاده‌سازی‌های فنی، و چیزای مشابه این. خبری از دموهای الان یا اینکه همه راجع بهش بدونن و بشه راحت درباره‌شون حرف زد نبود.
من هم مدت زیادی بود که دورادور اخبارش رو می‌خوندم و نمونه‌های مختلفی رو توی توییتر و جاهای دیگه می‌دیدم و خیلی دوست داشتم خودم یه بار امتحانش کنم. و وقتی که برای این کانال دنبال عکس می‌گشتم، بهترین وقت بود!
اون موقع با استفاده از یکی از پیاده‌سازی‌هایی که روی گوگل کولب انجام شده بود و ور رفتن با کدها عکس فعلی کانال رو درست کردم. عکسی که برای خودم خیلی جالب بود چون که واقعا چیز تر و تمیز و مرتبط و unique ای شده بود.
حالا، بعد از بیشتر از یک سال،‌ با این همه امکانات و پیشرفت‌های خیلی زیاد توی این حوزه تصمیم گرفتم که عکس رو بازطراحی کنم.
از مواردی که بودند دو تا رو بیشتر پسندیدم. هر دوی این‌ها با استفاده از مدل stablediffusion 2.1 درست شده‌اند.
این‌ها رو می‌گذارمشون اینجا. با لایک و دیسلایک نظرتون رو بگید. و نهایتا عکسی که بیشتر ازش استقبال شد رو فردا آپدیت می‌کنم: