TondTech – Telegram
TondTech
2.65K subscribers
1.48K photos
169 videos
133 files
1.16K links
کالای ما دانش است


تبلیغات نداریم
Download Telegram
Forwarded from .NET Fun
Media is too big
VIEW IN TELEGRAM
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
6
Forwarded from Reza Jafari
AI Agents - 25 Use Cases Transforming Industries - StackAI.pdf
10.8 MB
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
4
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
🔥6
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
👍82🔥1
🌱 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.
👍18💯21🔥1
Channel name was changed to «TondTech»
وایب کدر، هارداسان؟ 😎
🤣23👍3
بازوی نسخه پزشکی #بله جزو معدود سرویس های بدرد بخورشه.
👍6👎2
اتوماسیون یه شغل دیگه رو هم حذف کرده
صندوقدار داروخانه
👍15
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
👍2
Forwarded from iCodeNext
🌀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؟
5
اونایی که میدونین قضیه چیه 😁،
Are you Ready?
🔥10💯3🤩1
Var Dara = new Beygi() ;

هنوز Run نشده 😁
15🔥6🤩2👎1🏆1
TondTech
Var Dara = new Beygi() ; هنوز Run نشده 😁
Dara.Run(); 😍
32😍9🔥2
Forwarded from tech-afternoon (Amin Mesbahi)
📌 تفاوت Strong Consistency و Eventual Consistency در یک نگاه

فرض کنین یه سیستم توزیع‌شده داریم با چندین node در مکان‌های مختلف (چیزی که مثلا این روزها با شرایط کم‌برقی لازمه). حالا وقتی یه داده تغییر می‌کنه، سوال اینه: کی و کجا اون تغییر رو ببینیم؟

🧱 Strong Consistency (سازگاری قوی)
هر تغییری که انجام بشه، همه باید فوراً ببینن. یعنی وقتی یه کاربر داده‌ای رو آپدیت کرد، تمام کاربران دقیقاً همون مقدار جدید رو ببینن — هیچ تأخیری در دیدن داده‌ی به‌روز وجود نداره.

مناسب برای:

- سیستم‌های مالی یا رزرو که "دوگانگی" براشون قابل قبول نیست
- تراکنش‌های حیاتی مثل خرید سهام، پرداخت آنلاین

مثال ساده:
اگه از ATM پول برداریم، باید فوراً موجودی‌مون در همه جا بروز بشه. وگرنه ممکنه دوباره از یه دستگاه دیگه پول بکشیم!

🌊 Eventual Consistency (سازگاری نهایی)
داده ممکنه در لحظه همه جا یکی نباشه، ولی در نهایت (مثلاً چند ثانیه بعد) همسان می‌شه. این مدل performance بالاتری داره و مقیاس‌پذیرتره.

مناسب برای:

- شبکه‌های اجتماعی
- سیستم‌های کش (Cache)
- فروشگاه‌های بزرگ آنلاین
- توزیع محتوا (CDN)

مثال ساده:
تو اینستاگرام یه پست رو لایک می‌کنی، ولی ممکنه چند ثانیه طول بکشه تا تعداد لایک برای بقیه آپدیت بشه — ولی در نهایت همه یه عدد می‌بینن.


💡 باید واقع‌بین بود، برخی موارد، تیم فنی این موضوع رو از یه آدم غیر فنی می‌پرسه که «قربان» دستور می‌فرمایید کدام گونه‌ی consistency را به خدمت گیریم؟! قربان هم پاسخ می‌ده: ببین مهندس «سامانه» ما خیلی مهمه، قراره میلیان‌ها بلکه میلیاردها کاربر در لحظه داشته باشه. فلذا داده‌ها باید در همه جا یکسان باشه، بلادرنگ، در لحظه! این می‌شه که آخرش نه توزیع‌یافتگی محقق می‌شه، وقتی هم محقق می‌شه با کندی و بدبختی و فلاکت برقرار می‌شه، اگر هم درست برقرار بشه، هزینه‌ی تمام‌شده معقولی نداره!
مثال تجربی و واقعی: سال‌ها پیش (۱۳۸۷) همین چالش دشوار قانع کردن یک سازمان بزرگ برای غیرالزامی بودن strong consistency داشتم، از یک طرف مشکلات عدیده مقیاس‌پذیری و دسترس‌پذیری داشتن، از یه طرف اصرار مکرر بر اینکه ما کارمون حیاتیه و باید راهکار تضمین کنه که داده‌ها همه‌جا در لحظه یکسانه. با هزار اما و اگر، نهایتا راضی به تست شدند که ترکیبی از این دو رو پیاده کنم تا بخشی از سیستم، داده‌ها رو به لحظه داشته باشه، و بخش دیگه‌ای از سیستم بین ۴ تا ۱۰ ثانیه بعد توی ۳۷ نقطه در کشور داده‌ی به‌روز دریافت کنه. بعد از تست و دوره پایلوت، اون ساختار و معماری سال‌ها کار کرد (می‌کنه) و ثابت شد که «به‌روز» یک مفهوم مطلق و جهان‌شمول نیست. در حالیکه اگر قرار بود همه‌جا strong consistency بدم، تفریبا محال ممکن بود که کار انجام شه، یا اگر انجام میشد هزینه پیاده‌سازی و نگهداریش شاید بارها بیشتر بود، در حالیکه ۴ تا ۱۰ ثانیه برای اون نیاز، کاملا قابل قبول بود.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥1
بعد یه هفته مرخصی بیای ببینی تیم در نبودت تمام تلاشش رو کرده، خستگیت درمیره
مرسی رسمیو
مرسی بچه ها❤️
13🔥2🤩1
جناب سعدی در گلستانشان می فرمایند :
مرغِ بریان به چشمِ مَردمِ سیر
کمتر از برگِ تَرّه بر خوان است

شاید خوب باشه این هفته کمی در باره شرایط فعلی مون فکر کنیم، که چه چیزهایی الان ما داریم که به چشممون نمیاد ولی خوب برای خیلی ها جذاب و هیجان آوره، اینو در اشل فضای کار و فنی خودتون ببرید.
درسته که باید همیشه تلاش به رشد و پیشرفت داشته باشیم، ولی یک جاهایی باید نفس بکشیم، یه نگاه به دور و برمون بندازیم و ببینیم دقیقا پامونو کجا گذاشتیم؟
👍13
https://talktogithub.com/

زیبا شد بازی 😁😎
👍7🔥5
خیلی تصادفی بعد بسته شدن مشکوک صفحه اینستاگرام ، یهو همون صفحه رو که باز شده، با تبلیغ کمپین تولد ۱۱ سالگی برند رو میبینی
👨‍💻🚬👨‍💻🚬👨‍💻😤
#BadSmell
👍8