https://slidecloud.ir/Blog/Details/14
این مقاله خودش و تصویرش توسط یک MVP مینیمال نوشته شده . به نظرم هم بر اساس پرامپتی که دادم خوب عمل کرده برای نوشتنش

📜 برنامه روزانه ی من در #رسمیو این شکلیه :

📝 اول، چک کردن جیرا، که ببینم چی به چیه

📝 دوم، جلسه دیلی که ببینم بچه ها مشکلی دارن یا نه ؟ و بچه های تیم از وضعیت هم خبردار بشن

📝 سوم، چک کردن تیکت های فنی ، این خیلی کمک کننده ست بهم که هم در دامین همیشه بیشتر و بیشتر درگیر باشم، هم مشکلات کاربرا رو که میبینم ممکنه یه مشکلی ترند بشه که یه باگ پشتش باشه ، زودتر از همه مطلع میشم

📝 چهارم، 30% از زمان روزانه م رو میگذارم برای درگیری با محصول، این مدت درگیر CRM و ادمین بودم، جدیدا دارم سعی میکنم توی کد هم بیشتر درگیر کنم خودمو

📝 باقی تایم هم میره برای جلسه ها و گپ و گفت های مختلف فنی - محصولی یا مطالعه و R&D های مورد نیازم

خیلی خوشحالم که این فریم ورک رو برای #رسمیو یه اختصاصی سازی کوچیک کردیم، البته این هم مدیون دوره #Techlead360 مسعود جان دانشپور هستم، که اونجا بحث Career Path رو باز کرد.
امروز با یکی از بچه ها یه صحبت داشتم، دقیقا نموداره رو با هم باز کردیم و گفتم چرا باید روی فلان بردار بیشتر تمرکز کنیم با هم، و اینکه یه رفرنس برای حرف درست و دقیق زدن داریم با هم خیلی کمک کننده ست.

اگه سازمانتون هنوز براتون Career Path نساخته شاید بتونید پیش قدم بشین و این ریپازیتوری رو برای شروع بحث پیشنهاد بدین.

نفس عمیق ...

🎞 عمق یا گستردگی؟ بهترین فاندرها کدام هستند؟

💡این یکی از پرسش‌های اساسی هر کارآفرین هست:
آیا باید در یک حوزه به‌صورت تخصصی عمیق شد، یا در چندین زمینه مهارت داشته باشیم؟
مارک اندریسن، بنیان‌گذار A16Z و از تاثیرگذارترین سرمایه‌گذاران فناوری، معتقده که با رشد ابزارهای هوش مصنوعی، مزیت اصلی کارآفرینان از عمیق بودن به دید گسترده داشتن در حال تغییره.

کارآفرینان موفق آینده احتمالاً در ۶ تا ۸ حوزه مهارت دارن و می‌تونن اون‌ها را به‌خوبی با هم ترکیب کنند.

📌 نکات مهم صحبت‌های مارک:
▫️برخی صنایع مثل بیوتکنولوژی یا توسعه مدل‌های پیشرفته AI همچنان نیازمند تخصص عمیق هستن.
▫️اما در بسیاری از حوزه‌ها، توانایی نگاه گسترده و میان‌رشته‌ای به یک مزیت کلیدی تبدیل شده.
▫️هوش مصنوعی ابزار قدرتمندی برای عمیق شدن هست به شرط سوال و مسیر درست.
▫️بنیان‌گذاران موفق معمولاً ترکیبی از مهارت در محصول، فروش، بازاریابی، امور مالی و حقوقی هستن.

📍در دنیایی که ابزارها می‌تونن عمق را فراهم کنند، بنیان‌گذارانی موفق‌تر خواهند بود که بین حوزه‌ها ارتباط ایجاد کنن. تخصص لازم هست، اما ترکیب تخصص‌هاست که آینده رو شکل میده.

@investingfund

دم تک تکتون گرم، ولی زخممون کردین با n8n

دوره آنلاین Fundamentals Of Building Microservices

خیلی از شرکت های بزرگ در سیستم ها و اپلیکیشن هاشون از معماری میکروسرویس استفاده میکنن. بعضی ها به درست و خیلی ها به غلط. توی این دوره قراره به بررسی مفاهیم میکروسرویس به صورت کاملا عملی همراه با مثال های واقعی بپردازیم. اگه دارید برای مصاحبه فنی خودتون رو آماده میکنید ، قصد استخدام توی شرکت های بزرگ رو دارید و یا دوست دارید که با این معماری محبوب به طور کامل اشنا بشید و اطلاعات خودتون رو به روز کنید این دوره مناسب شماست .

پیشنهاد میکنم که ویدیو معرفی دوره رو ببینید

شروع دوره : 11 خرداد

✅ لینک ثبت نام: https://zarinp.al/714413

❗️❗️کد تخفیف 10 درصدی برای 10 نفر اول: R0DJ0B

به‌تازگی Stack AI گزارشی جدیدی به اسم
AI Agents: 25 Use Cases Transforming Industries
منتشر کرده.

توی این گزارش، ۲۵ کاربرد واقعی AI agent معرفی شده که نشون می‌دن چطور این تکنولوژی داره صنایع مختلف رو دگرگون می‌کنه.

نکته جالب اینه که گزارش کاملاً از فضای تبلیغاتی و هایپ فاصله گرفته و خیلی شفاف و مستند توضیح داده که توی شرکت‌های واقعی چه اتفاقی داره می‌افته — اون‌هم با مثال‌هایی از حوزه‌هایی مثل مالی، عملیات، سلامت و بازاریابی، از دستش ندید!

@reza_jafari_ai

این گروه، جاییه برای نوآموزان دات نتی، دور هم بیشتر یاد میگیریم و با هم حرف خواهیم زد؛ اگر هم از این مرحله رد شدید ولی دوست دارید تجربیاتتون رو با جوان تر ها به اشتراک بگذارید، بیاین :
https://news.1rj.ru/str/dnWolves

اوایل که با Gen AI عکس می‌ساختن، یه بازی ساده رایج بود. می‌گفتن یه ساعت آنالوگ ترسیم کنه که یه زمان مشخصی رو (غیر از ۱۰:۱۰) نشون بده.

چون اغلب عکس‌هایی که از ساعت در جهان وجود داره ساعت ۱۰:۱۰ رو نشون میده، خروجی معمولا ۱۰:۱۰ می‌شد.

امروز با Gemini چک کردم و دیدم هنوز همون‌طوریه.

با مدلهای دیگه تست نکردم. به‌هرحال دیر یا زود میتونن با یه ترفندهایی این‌جور پرامپت‌ها رو درست جواب بدن


اما این خروجی یه یادآوری مهم برای کسانیه که از AI استفاده می‌کنن. الان که بخش بزرگی از خروجی هوش مصنوعی بر پایهٔ یادگیری عمیق شکل گرفته، بسیار مهمه که سیستم با چی آموزش دیده

این نمونه‌ها پیش‌پاافتاده هستن. اما در حوزه‌های تخصصی‌تر، حتی ممکنه یه کاربر عادی نفهمه و سواد نداشته باشه که حذفیات و نادیده‌ها رو حدس بزنه

در لایه‌های پیچیده‌تر چالش‌هایی مثل دریفت هم هست. یعنی کم‌کم ورودی امروز سیستم به‌شکلی تغییر می‌کنه که از ساختار و ماهیت اون چیزهایی که روز اول باهاش آموزش دیده فاصله می‌گیره:

خطاهایی جدی، مهم و تاثیرگذار
اما ظریف و پنهان
که ممکنه از چشم کسانی که صرفا جنبه‌های فنی و عملیاتی هوش مصنوعی رو بلدن دور بمونه


#هوش_مصنوعی

✅🌱✨ یه درس سخت ولی خیلی موثر که گرفتم از اشتباهات گذشته م اینه ، که وقتی خیلی خالی از انرژی میشم، بهتره کمی سکوت کنم، صبر کنم ، فشارش رد بشه، بعد برم سراغ بررسی اینکه چی شد اینجوری شد، چون قبلش تحت فشار و بایاس هستم و قطعا خطا داره نگاهم.

وایب کدر، هارداسان؟ 😎

بازوی نسخه پزشکی #بله جزو معدود سرویس های بدرد بخورشه.

اتوماسیون یه شغل دیگه رو هم حذف کرده
صندوقدار داروخانه

چرا تخمین‌زدن سخت است، و به‌جای آن چه باید کرد❓

در توسعه محصول، اغلب تحت فشاریم که "حدس بزنیم" یک کار چقدر زمان می‌برد. سؤال رایجی مثل این:
«این تسک چند روز طول می‌کشه؟»
اما بیشتر وقت‌ها، این تخمین‌ها بیشتر از اینکه بر پایه درک واقعی باشن، روی امید و حدس بنا شدن. و وقتی کار طبق برنامه پیش نمی‌ره، که خیلی وقت‌ها هم همین‌طوره، تیم‌ها دچار استرس، عجله یا سرزنش می‌شن.

مشکل اینجاست: ما با کار کردن روی محصول مثل یه کار ساده و قابل‌پیش‌بینی برخورد می‌کنیم. درحالی‌که بیشتر کارهای محصول پیچیده هستن و این پیچیدگی تابعی است از فاکتورهای مختلف و بهم مرتبط. و پیچیدگی با برنامه زمانی دقیق پیش نمی‌ره.

کاری که واقعاً کمک می‌کنه، اینه که به‌جای زور زدن برای تخمین زودهنگام، اول سعی کنیم اصل مسئله رو بهتر بفهمیم.

به‌جای اینکه بپرسیم «چقدر طول می‌کشه؟»، می‌پرسیم:
«چقدر این کار رو می‌فهمیم؟»
و اینو از پنج زاویه اصلی بررسی می‌کنیم:

🌟 وضوح دامنه (Domain Clarity)
آیا دقیق می‌دونیم مشکل چیه و کسب‌وکار یا کاربر چی می‌خواد؟
🔄 مثال: پیاده‌سازی فرم لاگین = واضح. طراحی سیستم قیمت‌گذاری برای ۳ منطقه با قوانین در حال تغییر = مبهم.

🌟 وابستگی‌های فنی (Technical Dependencies)
چقدر این کار به سیستم‌های دیگه یا بخش‌های حساس و قدیمی بستگی داره؟
🔄 مثال: اضافه‌کردن یک تولتیپ ساده در UI = راحت. اتصال به API قدیمی یک سیستم ثالث = پیچیده و پرریسک.

🌟 وابستگی‌های بیرونی (External Dependencies)
آیا این تسک به ورودی یا تأیید تیم‌های دیگه، تأمین‌کننده‌ها یا بخش‌هایی مثل حقوقی وابسته‌ست؟
🔄 مثال: به‌روزرسانی مستندات داخلی = مستقل. راه‌اندازی فیچری که نیاز به تأیید حقوقی و هماهنگی با تأمین‌کننده داره = وابسته.

🌟 آشنایی تیم (Team Familiarity)
آیا تیم قبلاً این‌جور کارها رو با همین ابزارها انجام داده؟
🔄 مثال: رفع باگ در اپ اصلی = آشنا. ساخت سرویس جدید با زبانی که تیم بلد نیست = ناشناخته.

🌟 هماهنگی بین‌تیمی (Cross-Team Sync)
آیا این کار رو می‌تونیم کاملاً درون تیم انجام بدیم یا نیاز به هماهنگی و تأیید از جاهای دیگه داره؟
🔄 مثال: تغییر متن دکمه = مستقل. اضافه کردن فیچری که نیاز به تأیید حقوقی، دیزاین و دیتا داره = نیازمند هماهنگی بالا.

با امتیاز دادن به یک تسک بر اساس این ۵ عامل (از پیچیدگی کم تا زیاد)، درک خیلی دقیق‌تری از اونچه قراره انجام بشه به‌دست میاریم. این کمک می‌کنه بفهمیم آیا آماده اجراییم، یا باید اول کشف بیشتری انجام بدیم.

🔍 مثال واقعی:

فرض کن تیم قراره فیچری اضافه کنه به اسم «پشتیبانی از یک پلن جدید پرداخت».
در ظاهر ساده به‌نظر می‌رسه، ولی وقتی تیم از زاویه این ۵ عامل نگاه می‌کنه، متوجه می‌شه:

- منطق قیمت‌گذاری مشخص نیست → (وضوح دامنه پایین).
- باید به سیستم یک تأمین‌کننده خارجی وصل بشه → (وابستگی زیاد).
- تیم قبلاً با سیستم پرداخت کار نکرده → (آشنایی کم).

نتیجه:

این کار کوچیک نیست، و باید اول یک فاز کشف (Discovery) براش انجام بدن.
این روش کمک می‌کنه تیم‌ها هوشمندتر برنامه‌ریزی کنن، غافلگیر نشن، و از قبل در مورد ریسک‌ها صحبت کنن — نه وقتی خیلی دیر شده.

مکتب‌خانه DDD
@DomainDrivenDesign_ir

🌀چاقوی سوئیسی (Swiss Army Knife) یک ابزار چندمنظوره است که در یک فضای کوچک امکانات زیادی مثل چاقو، پیچ‌گوشتی، قیچی، دربازکن، سوزن و غیره داره. این ابزار به خاطر کاربردهای متنوع و همه‌کاره بودنش معروفه.

🔪چاقوی سوئیسی به درد همه‌چیز می‌خوره، ولی توی هیچ‌کدوم بهترین نیست.

و جالب تر اینه که این مدل واقعا در ابتدا یه چاقو بوده، اما بخاطر جواب دادن به درخواست های مشتریان، مدام فیچر بهش اضافه کردن، و مدام همه کاره ترش کردن. تا چیزی که توی عکس میبینید.

🌑 حالا این مفهوم توی دنیای برنامه‌نویسی هم خیلی استفاده میشه — البته به صورت استعاره.

⁉️ آیا رفتار ما در مقابل هوش مصنوعی هم همین روند رو داره ادامه میده؟

⁉️ و آیا هوش مصنوعی هایی مثل Chat GPT آیا واقعا دارند به یه چاقوی سوئیسی تبدیل میشن ؟

🎯 شاید وقتشه به این هم فکر کنیم که:

آیا باید از هوش مصنوعی انتظار «همه‌کاره بودن» داشته باشیم؟
یا بهتره براش نقش مشخص‌تری در ابزارهای تخصصی‌تر تعریف کنیم؟

اونایی که میدونین قضیه چیه 😁،
Are you Ready?

Var Dara = new Beygi() ;

هنوز Run نشده 😁

Dara.Run(); 😍