وقتی موج محتوای بنجلِ هوش مصنوعی، اینترنت را بههم میریزد: اسلاپ (Slop) کلمه سال شد!
اگر این روزها حس میکنید اینترنت پُر شده از چیزهای ترسناک، عجیبوغریب و خیلی هم معلوم است که فیک هستند، تنها نیستید.
برای همین استفاده از یک واژه حسابی پرکاربرد شده است: اسلاپ (Slop).
رشد انفجاری استفاده از این کلمه در فضای آنلاین که بخشی از آن به خاطر در دسترس بودن هوش مصنوعی است، باعث شد دیکشنری «مریام-وبستر» آن را به عنوان کلمه سال ۲۰۲۵ انتخاب کند
https://x.com/i/status/2000860956747030779
اگر این روزها حس میکنید اینترنت پُر شده از چیزهای ترسناک، عجیبوغریب و خیلی هم معلوم است که فیک هستند، تنها نیستید.
برای همین استفاده از یک واژه حسابی پرکاربرد شده است: اسلاپ (Slop).
رشد انفجاری استفاده از این کلمه در فضای آنلاین که بخشی از آن به خاطر در دسترس بودن هوش مصنوعی است، باعث شد دیکشنری «مریام-وبستر» آن را به عنوان کلمه سال ۲۰۲۵ انتخاب کند
https://x.com/i/status/2000860956747030779
X (formerly Twitter)
NooshDaroo | نوشدارو (@NooshDaroo_web) on X
وقتی موج محتوای بنجلِ هوش مصنوعی، اینترنت را بههم میریزد: اسلاپ (Slop) کلمه سال شد!
اگر این روزها حس میکنید اینترنت پُر شده از چیزهای ترسناک، عجیبوغریب و خیلی هم معلوم است که فیک هستند، تنها نیستید.
برای همین استفاده از یک واژه حسابی پرکاربرد شده است:…
اگر این روزها حس میکنید اینترنت پُر شده از چیزهای ترسناک، عجیبوغریب و خیلی هم معلوم است که فیک هستند، تنها نیستید.
برای همین استفاده از یک واژه حسابی پرکاربرد شده است:…
❤1
Forwarded from tech-afternoon (Amin Mesbahi)
♻️ فیدبک، راهحل بهبود و توسعه مداوم...
فیدبک، یک فرهنگه، که برای ایجادش باید تلاش کرد، ممارست داشت و رهاش نکرد. باید مستندش کرد، آموزشش دارد، به عنوان ارزش و روش نهادینهاش کرد و از روز آنبوردینگ روش تکیه کرد؛ تا بتونه در میان/بلند مدت میوه بده.
🥕🪓 فیدبک: فراتر از هویج و چماق
خیلی از ما فیدبک رو با «نقد کردن» یا «تشویق کردن» اشتباه میگیریم. فکر میکنیم ابزاریه که الزاما مدیر از موضوع بالا نسبت به کارمند استفاده میکنه تا بتونه با تشویق و تنبیه یا ملقمهای از هر دو وادارش کنه تا رفتار و کارآمدی دلخواهش رو دنبال کنه! (رویکرد هویج و چماق).
اما واقعیت چیز دیگهایه: فیدبک یک فرهنگه، نه یک سخنرانی یکطرفه. برای اینه که یک تیم یا سازمان یا حتی ارتباط انسانی، زنده بمونه و رشد کنه، بازخورد باید در تمام رگهای سازمان جریان داشته باشه؛ از مدیر به همکار، از همکار به مدیر، و از همکار به همکار. فیدبک سازنده، اکسیژنِ فضای کاری سالمه.
چرا فیدبکهای "حسی" کار نمیکنند؟
همه ما جملههایی مثل «کارت عالی بود» یا «باید بیشتر دقت کنی» را شنیدیم. اینها فیدبک نیستن؛ اینها نظرات گُنگ هستند! فیدبک مبهم نه تنها باعث بهبود یا اصلاح رفتارها نمیشه، بلکه میتونه باعث سوءتفاهم و گارد گرفتن طرف مقابل بشه. برای حل این مشکل، ما به مدلهای ساختاریافته نیاز داریم تا بتونیم قبل از ارائه بازخورد محتوا رو بریزیم توی یک قالب استاندارد، ببینیم آیا قالب رو پر میکنه؟ یا باید ازش کم و زیاد کنیم!
۱. مدل SBI: شفافیت به جای قضاوت
مدل SBI (مخفف Situation-Behavior-Impact) یکی از بهترین روشها برای حذف قضاوت شخصی و تمرکز روی واقعیتهاست.
- موقعیت (Situation): دقیقاً بگید این عمل کِی و کجا رخ داده. (عمل یا اتفاق میتونه مثبت یا منفی باشه)
- رفتار (Behavior): دقیقاً چه رفتاری دیدید؟ (بدون استفاده از صفاتی مثل تنبل، بیدقت، عالی، دقیق و...).
- اثر (Impact): آن رفتار چه تاثیری روی شما، تیم یا پروژه گذاشته.
❌ مثال غلط: «تو توی جلسات خیلی بینظمی.»
✅ مثال با SBI: «امروز صبح در جلسه بررسی اسپرینت (موقعیت)، وقتی وسط صحبت جعفر پریدی و صدات رو بالا بردی (رفتار)، باعث شد بقیه اعضای تیم ساکت بشن و دیگه ایدههاشون رو مطرح نکنن (اثر).»
۲. مدل EEC: چرخه یادگیری و اصلاح
مدل EEC (مخفف Example-Effect-Change/Continue) هم برای بازخورد اصلاحی (منفی) و هم برای بازخورد تقویتی (مثبت) خوبه.
- مثال (Example): یک مثال مشخص از رفتار رو بیان کنید.
- اثر (Effect): نتیجه رو شفاف بیان کنین.
- تغییر/ادامه (Change/Continue): اگر بازخورد منفیه، چه تغییری انتظار دارید؟ اگر مثبته، به ادامه دادنش تشویق کنید.
مثال برای ادامه (Continue): «گزارشی که دیروز فرستادی (مثال)، خیلی دادههای دقیقی داشت و باعث شد مشتری قانع بشه (اثر). لطفاً همین ساختار رو برای گزارشهای بعدی هم حفظ کن (ادامه).»
⚠️ خطر » سوگیریهای ناخودآگاه در کمین ما هستن! (Unconscious Biases)
یه فیدبک رو میشه ریخت توی قالب SBI یا EEC یا هر مدل دیگهای. ولی این کافیه؟ نه. باید حواسمون باشه که فیدبک دادن میتونه به سوگیریهای ناخودآکاه ما یا Unconscious Biases آلوده بشه و از مسیر سازنده بودن خارج! ۳ دشمن نامرئی فیدبک سازنده:
۱. سوگیری شباهت (Similarity Bias)
ما ناخودآگاه با کسانی که شبیه به ما فکر میکنن، لباس میپوشن یا پیشزمینه مشابهی دارن، راحتتریم. توی فیدبک، این باعث میشه با افراد «شبیه به خودمون» مهربونتر باشیم و خطاهاشون را نادیده بگیریم، در حالی که نسبت به بقیه سختگیرتریم. این سمِ تنوع و رشد تیمه.
۲. سوگیری تأییدی (Confirmation Bias)
اگر من باور داشته باشم که «فلانی کارمند بیدقتیه»، مغز من فقط لحظاتی رو ثبت میکنه که اون اشتباه کرده و تمام کارهای دقیقش رو نادیده میگیره تا باور قبلیام تأیید بشه! فیدبک بر اساس این سوگیری، فقط تکرار مکرراتِ ذهن فیدبکدهنده است؛ نه واقعیتِ عملکرد فیدبکگیرنده.
۳. سوگیریِ رویدادهای اخیر (Recency Bias)
این آفتِ ارزیابیهای پایان سال (Year-end reviews) است. ممکنه همکار شما ۱۰ ماه عالی کار کرده باشه، اما چون دو هفته پیش یک اشتباه کرده، تمام ارزیابی سالانهاش تحتالشعاع اون خطای اخیر قرار میگیره. یا برعکس؛ یک سال کمکاری کرده ولی با یک ماه تلاشِ دقیقه نودی، همهچیز پوشیده میشه!
❓ پادزهر سوگیری چیه؟ ساختار به جای احساس
یکی از دلایل پیدایش مدلهایی مثل SBI یا EEC همینه، که جلو سوگیریها گرفته بشه. باید با داده صحبت کنیم، پس باید دادهها رو ثبت کنیم و مغزمون رو مجبور کنیم از قضاوت حسی فاصله بگیره و به فکتها نگاه کنه.
💬 میشه ساعتها در مورد شیوههای بیان فیدبک، اشتباهات رایج، عکسالعمل در قبال سوءبرداشتها و شرایط پیچیدهی تقابلی صحبت کرد. خوشحال میشم تجربیات و نظراتتون رو بشنوم 😊
فیدبک، یک فرهنگه، که برای ایجادش باید تلاش کرد، ممارست داشت و رهاش نکرد. باید مستندش کرد، آموزشش دارد، به عنوان ارزش و روش نهادینهاش کرد و از روز آنبوردینگ روش تکیه کرد؛ تا بتونه در میان/بلند مدت میوه بده.
🥕
خیلی از ما فیدبک رو با «نقد کردن» یا «تشویق کردن» اشتباه میگیریم. فکر میکنیم ابزاریه که الزاما مدیر از موضوع بالا نسبت به کارمند استفاده میکنه تا بتونه با تشویق و تنبیه یا ملقمهای از هر دو وادارش کنه تا رفتار و کارآمدی دلخواهش رو دنبال کنه! (رویکرد هویج و چماق).
اما واقعیت چیز دیگهایه: فیدبک یک فرهنگه، نه یک سخنرانی یکطرفه. برای اینه که یک تیم یا سازمان یا حتی ارتباط انسانی، زنده بمونه و رشد کنه، بازخورد باید در تمام رگهای سازمان جریان داشته باشه؛ از مدیر به همکار، از همکار به مدیر، و از همکار به همکار. فیدبک سازنده، اکسیژنِ فضای کاری سالمه.
چرا فیدبکهای "حسی" کار نمیکنند؟
همه ما جملههایی مثل «کارت عالی بود» یا «باید بیشتر دقت کنی» را شنیدیم. اینها فیدبک نیستن؛ اینها نظرات گُنگ هستند! فیدبک مبهم نه تنها باعث بهبود یا اصلاح رفتارها نمیشه، بلکه میتونه باعث سوءتفاهم و گارد گرفتن طرف مقابل بشه. برای حل این مشکل، ما به مدلهای ساختاریافته نیاز داریم تا بتونیم قبل از ارائه بازخورد محتوا رو بریزیم توی یک قالب استاندارد، ببینیم آیا قالب رو پر میکنه؟ یا باید ازش کم و زیاد کنیم!
۱. مدل SBI: شفافیت به جای قضاوت
مدل SBI (مخفف Situation-Behavior-Impact) یکی از بهترین روشها برای حذف قضاوت شخصی و تمرکز روی واقعیتهاست.
- موقعیت (Situation): دقیقاً بگید این عمل کِی و کجا رخ داده. (عمل یا اتفاق میتونه مثبت یا منفی باشه)
- رفتار (Behavior): دقیقاً چه رفتاری دیدید؟ (بدون استفاده از صفاتی مثل تنبل، بیدقت، عالی، دقیق و...).
- اثر (Impact): آن رفتار چه تاثیری روی شما، تیم یا پروژه گذاشته.
۲. مدل EEC: چرخه یادگیری و اصلاح
مدل EEC (مخفف Example-Effect-Change/Continue) هم برای بازخورد اصلاحی (منفی) و هم برای بازخورد تقویتی (مثبت) خوبه.
- مثال (Example): یک مثال مشخص از رفتار رو بیان کنید.
- اثر (Effect): نتیجه رو شفاف بیان کنین.
- تغییر/ادامه (Change/Continue): اگر بازخورد منفیه، چه تغییری انتظار دارید؟ اگر مثبته، به ادامه دادنش تشویق کنید.
مثال برای ادامه (Continue): «گزارشی که دیروز فرستادی (مثال)، خیلی دادههای دقیقی داشت و باعث شد مشتری قانع بشه (اثر). لطفاً همین ساختار رو برای گزارشهای بعدی هم حفظ کن (ادامه).»
یه فیدبک رو میشه ریخت توی قالب SBI یا EEC یا هر مدل دیگهای. ولی این کافیه؟ نه. باید حواسمون باشه که فیدبک دادن میتونه به سوگیریهای ناخودآکاه ما یا Unconscious Biases آلوده بشه و از مسیر سازنده بودن خارج! ۳ دشمن نامرئی فیدبک سازنده:
۱. سوگیری شباهت (Similarity Bias)
ما ناخودآگاه با کسانی که شبیه به ما فکر میکنن، لباس میپوشن یا پیشزمینه مشابهی دارن، راحتتریم. توی فیدبک، این باعث میشه با افراد «شبیه به خودمون» مهربونتر باشیم و خطاهاشون را نادیده بگیریم، در حالی که نسبت به بقیه سختگیرتریم. این سمِ تنوع و رشد تیمه.
۲. سوگیری تأییدی (Confirmation Bias)
اگر من باور داشته باشم که «فلانی کارمند بیدقتیه»، مغز من فقط لحظاتی رو ثبت میکنه که اون اشتباه کرده و تمام کارهای دقیقش رو نادیده میگیره تا باور قبلیام تأیید بشه! فیدبک بر اساس این سوگیری، فقط تکرار مکرراتِ ذهن فیدبکدهنده است؛ نه واقعیتِ عملکرد فیدبکگیرنده.
۳. سوگیریِ رویدادهای اخیر (Recency Bias)
این آفتِ ارزیابیهای پایان سال (Year-end reviews) است. ممکنه همکار شما ۱۰ ماه عالی کار کرده باشه، اما چون دو هفته پیش یک اشتباه کرده، تمام ارزیابی سالانهاش تحتالشعاع اون خطای اخیر قرار میگیره. یا برعکس؛ یک سال کمکاری کرده ولی با یک ماه تلاشِ دقیقه نودی، همهچیز پوشیده میشه!
یکی از دلایل پیدایش مدلهایی مثل SBI یا EEC همینه، که جلو سوگیریها گرفته بشه. باید با داده صحبت کنیم، پس باید دادهها رو ثبت کنیم و مغزمون رو مجبور کنیم از قضاوت حسی فاصله بگیره و به فکتها نگاه کنه.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍4🔥1💯1
Forwarded from DevAshTeam
✅ اگر همچنان با نصب/آپدیت داکر روی سیستم خودتون و یا سروری که دستتون هست مشکل دارین و یا اینکه موقع دریافت ایمیج ها از Docker Hub با پیام هایی مثل 403 Error مواجه شدین، میتونید به سادگی از این راهکار ها برای گذر از تحریم ها استفاده کنید:
🔹ساخت میرور ریپازیتوری برای دریافت/آپدیت داکر
🔹 ساخت رجیستری میرور برای دریافت ایمیج های داکر
🔹 استفاده از پروژه ی SNI Proxy برای دریافت تمامی پکیج ها و ایمیج های تحریم شده
💡 https://news.1rj.ru/str/DevAshTeam
Made with ❤️ for the community
#docker #tutorial #workers
🔹ساخت میرور ریپازیتوری برای دریافت/آپدیت داکر
🔹 ساخت رجیستری میرور برای دریافت ایمیج های داکر
🔹 استفاده از پروژه ی SNI Proxy برای دریافت تمامی پکیج ها و ایمیج های تحریم شده
💡 https://news.1rj.ru/str/DevAshTeam
Made with ❤️ for the community
#docker #tutorial #workers
❤7
Forwarded from DotNet | دات نت
آینده تستنویسی در .NET؛ وقتی هوش مصنوعی خودش را قضاوت میکند!
اگر در اکوسیستم داتنت فعالیت میکنید، حتماً میدانید که ورود AI به اپلیکیشنها، مدلهای سنتی تستنویسی را به چالش کشیده است. دیگر صرفاً چک کردن یک خروجی ثابت کافی نیست؛ ما با مدلهای زبانی (LLM) سر و کار داریم که پاسخهایشان متغیر است.
مایکروسافت با معرفی کتابخانههای Microsoft.Extensions.AI.Evaluation و ابزارهای جدید در Visual Studio 2026، پازل تستنویسی هوشمند را کامل کرده است.
💡 نکات کلیدی ویدیو (AI-Powered Testing in VS):
در ویدیوی جدید کانال داتنت، مککنا بارلو (PM تیم ابزارهای داتنت) نکات بسیار مهمی را مطرح کرد:
1️⃣ تستنویسی خودکار با Copilot: حالا GitHub Copilot میتواند برای کل Solution شما بهصورت یکجا Unit Testهای باکیفیت بنویسد. این یعنی دیگر لازم نیست ساعتها وقت صرف نوشتن کدهای تکراری تست کنید.
2️⃣ ترکیب Code Coverage و AI: ابزار Code Coverage در ویژوال استودیو حالا هوشمندتر شده؛ نقاطی از کد که تست نشدهاند را شناسایی کرده و مستقیماً به Copilot پیشنهاد میدهد تا برای همان بخشهای پرریسک، تست تولید کند.
3️⃣ گزارشهای بصری (AI Eval Reporting): با ابزار جدید dotnet aieval میتوانید گزارشهای گرافیکی دقیقی در مرورگر ببینید که نشان میدهد مدل هوش مصنوعی شما در چه بخشهایی (مثلاً در Groundedness یا صحت اطلاعات) ضعف داشته است.
4️⃣ فراتر از Black Box: هدف این ابزارها این است که خروجی AI دیگر یک "جعبه سیاه" نباشد. شما میتوانید دقیقاً بفهمید چرا یک مدل امتیاز پایینی گرفته و با چه منطقی پاسخ داده است.
🛠 کتابخانه Microsoft.Extensions.AI.Evaluation شامل چیست؟
این پکیجها فرآیند ارزیابی را به چهار لایه تقسیم میکنند:
✅ ارزیابی کیفی (Quality): سنجش میزان مرتبط بودن (Relevance) و انسجام (Coherence) پاسخها.
✅ ارزیابی ایمنی (Safety): شناسایی خودکار محتوای سمی، نفرتپراکنی یا کدهای مخرب تولید شده توسط AI.
✅ ارزیابی مستند بودن (Groundedness): حیاتیترین بخش برای جلوگیری از توهم (Hallucination)؛ چک میکند که آیا AI بر اساس دیتای واقعی شما حرف میزند یا از خودش داستان میسازد!
✅ ارزیابی کلاسیک (NLP): استفاده از معیارهای BLEU و F1 برای سنجش شباهت متنی با پاسخهای مرجع.
چرا این موضوع مهم است؟
در دنیای واقعی، ما نمیتوانیم به خروجی مدلهای هوش مصنوعی اعتماد صددرصدی داشته باشیم. این کتابخانهها به ما "اعتماد سیستماتیک" میدهند. یعنی قبل از اینکه کاربر نهایی با یک پاسخ اشتباه روبرو شود، سیستم تست شما آن را شکار میکند.
📌 ویژگی طلایی: تمام این فرآیندها دارای سیستم Caching هستند؛ یعنی اگر یک تست را دوباره اجرا کنید و ورودی تغییری نکرده باشد، هزینهای برای API پرداخت نمیکنید و نتیجه بلافاصله نمایش داده میشود.
📺 مشاهده ویدیو کامل در یوتیوب:
🔗 https://youtu.be/Bkn78klGhtc?si=c5dBLw1y7ituLTFH
📖 مطالعه مستندات رسمی:
🔗 https://learn.microsoft.com/en-us/dotnet/ai/evaluation/libraries
🎺 برای یادگیری بیشتر و دریافت مطالب مفید در زمینه .NET و برنامهنویسی، به کانال ما بپیوندید!
📚💻 @dotnetcode🖥 👨💻
#dotnet #csharp #VisualStudio2026 #AI #Testing #GitHubCopilot #Programming #SoftwareEngineering #هوش_مصنوعی #برنامه_نویسی
اگر در اکوسیستم داتنت فعالیت میکنید، حتماً میدانید که ورود AI به اپلیکیشنها، مدلهای سنتی تستنویسی را به چالش کشیده است. دیگر صرفاً چک کردن یک خروجی ثابت کافی نیست؛ ما با مدلهای زبانی (LLM) سر و کار داریم که پاسخهایشان متغیر است.
مایکروسافت با معرفی کتابخانههای Microsoft.Extensions.AI.Evaluation و ابزارهای جدید در Visual Studio 2026، پازل تستنویسی هوشمند را کامل کرده است.
💡 نکات کلیدی ویدیو (AI-Powered Testing in VS):
در ویدیوی جدید کانال داتنت، مککنا بارلو (PM تیم ابزارهای داتنت) نکات بسیار مهمی را مطرح کرد:
1️⃣ تستنویسی خودکار با Copilot: حالا GitHub Copilot میتواند برای کل Solution شما بهصورت یکجا Unit Testهای باکیفیت بنویسد. این یعنی دیگر لازم نیست ساعتها وقت صرف نوشتن کدهای تکراری تست کنید.
2️⃣ ترکیب Code Coverage و AI: ابزار Code Coverage در ویژوال استودیو حالا هوشمندتر شده؛ نقاطی از کد که تست نشدهاند را شناسایی کرده و مستقیماً به Copilot پیشنهاد میدهد تا برای همان بخشهای پرریسک، تست تولید کند.
3️⃣ گزارشهای بصری (AI Eval Reporting): با ابزار جدید dotnet aieval میتوانید گزارشهای گرافیکی دقیقی در مرورگر ببینید که نشان میدهد مدل هوش مصنوعی شما در چه بخشهایی (مثلاً در Groundedness یا صحت اطلاعات) ضعف داشته است.
4️⃣ فراتر از Black Box: هدف این ابزارها این است که خروجی AI دیگر یک "جعبه سیاه" نباشد. شما میتوانید دقیقاً بفهمید چرا یک مدل امتیاز پایینی گرفته و با چه منطقی پاسخ داده است.
🛠 کتابخانه Microsoft.Extensions.AI.Evaluation شامل چیست؟
این پکیجها فرآیند ارزیابی را به چهار لایه تقسیم میکنند:
✅ ارزیابی کیفی (Quality): سنجش میزان مرتبط بودن (Relevance) و انسجام (Coherence) پاسخها.
✅ ارزیابی ایمنی (Safety): شناسایی خودکار محتوای سمی، نفرتپراکنی یا کدهای مخرب تولید شده توسط AI.
✅ ارزیابی مستند بودن (Groundedness): حیاتیترین بخش برای جلوگیری از توهم (Hallucination)؛ چک میکند که آیا AI بر اساس دیتای واقعی شما حرف میزند یا از خودش داستان میسازد!
✅ ارزیابی کلاسیک (NLP): استفاده از معیارهای BLEU و F1 برای سنجش شباهت متنی با پاسخهای مرجع.
چرا این موضوع مهم است؟
در دنیای واقعی، ما نمیتوانیم به خروجی مدلهای هوش مصنوعی اعتماد صددرصدی داشته باشیم. این کتابخانهها به ما "اعتماد سیستماتیک" میدهند. یعنی قبل از اینکه کاربر نهایی با یک پاسخ اشتباه روبرو شود، سیستم تست شما آن را شکار میکند.
📌 ویژگی طلایی: تمام این فرآیندها دارای سیستم Caching هستند؛ یعنی اگر یک تست را دوباره اجرا کنید و ورودی تغییری نکرده باشد، هزینهای برای API پرداخت نمیکنید و نتیجه بلافاصله نمایش داده میشود.
📺 مشاهده ویدیو کامل در یوتیوب:
🔗 https://youtu.be/Bkn78klGhtc?si=c5dBLw1y7ituLTFH
📖 مطالعه مستندات رسمی:
🔗 https://learn.microsoft.com/en-us/dotnet/ai/evaluation/libraries
📚💻 @dotnetcode
#dotnet #csharp #VisualStudio2026 #AI #Testing #GitHubCopilot #Programming #SoftwareEngineering #هوش_مصنوعی #برنامه_نویسی
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
AI-Powered Testing in Visual Studio
Artificial intelligence is transforming how we approach testing and quality assurance. This session explores new AI-powered testing capabilities in Visual Studio that help you write better tests, identify edge cases, generate test data, and improve test coverage.…
❤6👍3🔥2
ظاهرا اولین ai web app builder ایرانی هم اومد
https://noqte.ai/
وقت نکردم چک کنم. تونستید چک کنید کامنت بدین
https://noqte.ai/
وقت نکردم چک کنم. تونستید چک کنید کامنت بدین
نقطه
نقطه | ساخت سایت با هوش مصنوعی بدون کدنویسی
سایت ساز هوش مصنوعی نقطه. ساخت سایت شرکتی و فروشگاهی در چند دقیقه بدون کدنویسی.
❤1
به پیشنهاد یکی از بچه های کانال، امشب اولین #گزارش_کار در مورد پیاده سازی فروشگاه اینترنتی رو براتون میگذارم، اگه نکات مهمی هست که سوال دارین در موردش، حتما کامنت کنید که شب جواب بدم
❤14👏4
ما در رسمیو در حال گسترش تیمها هستیم و برای موقعیت شغلیهای زیر، به دنبال همکاران فعال و پرانرژی (به صورت حضوری) هستیم.
اگر به کار تیمی علاقهمند هستید و دغدغهی رشد و یادگیری دارید، این موقعیت مناسب شماست!
📩 برای دیدن تواناییهای مدنظر هر موقعیت شغلی و ارسال رزومه، از طریق لینکهای زیر اقدام کنید:
🔷 کارشناس دیجیتال مارکتینگ
https://lnkd.in/dg7JiRsc
🔷 کارشناس پشتیبانی امور مشتریان
https://lnkd.in/dYy3dmiq
🔷 کارشناس منابع انسانی
https://lnkd.in/dQiBfFae
🔷 کارشناس جمعآوری دادهها
https://lnkd.in/dvPDsvtpآوری-دادهها
🔷 کارشناس تولید محتوا (کپیرایتر)
https://lnkd.in/dDCjq3ZB
🔷 طراح ارشد UI/UX
https://lnkd.in/dCZfQw9i
#فرصت_شغلی #استخدام #دیجیتال_مارکتر #کارشناس_منابع_انسانی
#کارشناس_جمعآوری_داده #کپی_رایتر #طراح_UI_UX #کارشناس_پشتیبانی
#رسمیو
اگر به کار تیمی علاقهمند هستید و دغدغهی رشد و یادگیری دارید، این موقعیت مناسب شماست!
📩 برای دیدن تواناییهای مدنظر هر موقعیت شغلی و ارسال رزومه، از طریق لینکهای زیر اقدام کنید:
🔷 کارشناس دیجیتال مارکتینگ
https://lnkd.in/dg7JiRsc
🔷 کارشناس پشتیبانی امور مشتریان
https://lnkd.in/dYy3dmiq
🔷 کارشناس منابع انسانی
https://lnkd.in/dQiBfFae
🔷 کارشناس جمعآوری دادهها
https://lnkd.in/dvPDsvtpآوری-دادهها
🔷 کارشناس تولید محتوا (کپیرایتر)
https://lnkd.in/dDCjq3ZB
🔷 طراح ارشد UI/UX
https://lnkd.in/dCZfQw9i
#فرصت_شغلی #استخدام #دیجیتال_مارکتر #کارشناس_منابع_انسانی
#کارشناس_جمعآوری_داده #کپی_رایتر #طراح_UI_UX #کارشناس_پشتیبانی
#رسمیو
lnkd.in
LinkedIn
This link will take you to a page that’s not on LinkedIn
❤7👍2
Forwarded from Mishka Academy | میشکا آکادمی
خیلیها Redis رو اینطوری میشناسن:
«یه چیز سریعه که میذاریم جلو دیتابیس»
ولی مشکل دقیقاً از همینجا شروع میشه.
Redis قرار نیست جای دیتابیس رو بگیره
قرار نیست Source of Truth باشه
و اگر بدون فکر وارد معماری بشه، بیشتر از اینکه سرعت بده، ریسک تزریق میکنه
تو قسمت اول Redis:
اصلاً نرفتم سراغ Command
نرفتم سراغ Benchmark
حتی نصب Redis هم نگفتم
فقط به این سؤال جواب دادم:
Redis کجای معماری میشینه و کجا نباید بشینه؟
لینک ویدئو 👇
https://youtu.be/YLIrXuAkls4
«یه چیز سریعه که میذاریم جلو دیتابیس»
ولی مشکل دقیقاً از همینجا شروع میشه.
Redis قرار نیست جای دیتابیس رو بگیره
قرار نیست Source of Truth باشه
و اگر بدون فکر وارد معماری بشه، بیشتر از اینکه سرعت بده، ریسک تزریق میکنه
تو قسمت اول Redis:
اصلاً نرفتم سراغ Command
نرفتم سراغ Benchmark
حتی نصب Redis هم نگفتم
فقط به این سؤال جواب دادم:
Redis کجای معماری میشینه و کجا نباید بشینه؟
لینک ویدئو 👇
https://youtu.be/YLIrXuAkls4
❤4
عکس رو تصادفی توی نت دیدم، اگر درست یادم باشه، جلد این کتاب رو من زدم برای دکتر موسوی، باز میگم اگر درست یادم باشه، کلا یه بازه ای تو خیلی از کتاب های نیماژ توی بخش اولش اسم مدیرهنری من خورده، چون جلد ها رو برای بچه ها میزدم. فرآیندش هم این بود که یه تمپلیت داشتیم، نویسنده یه عکس و رنگ انتخاب میکرد و باقی کارهاش رو من میکردم :)
❤4👍1
Audio
صوت جلسه 20 خوانش کتاب یادگیری تفکر سیستمی
مواردی که خارج از کتاب بهشون اشاره شد در جلسه.
- واکنش یا پاسخ (Reaction or Response)
- معرفی رشتههای #فلسفه_ذهن و #علوم_شناختی
- دقت به تفاوت کلمات مثل consciousness و awareness
مواردی که خارج از کتاب بهشون اشاره شد در جلسه.
- واکنش یا پاسخ (Reaction or Response)
- معرفی رشتههای #فلسفه_ذهن و #علوم_شناختی
- دقت به تفاوت کلمات مثل consciousness و awareness
❤3
TondTech
صوت جلسه 20 خوانش کتاب یادگیری تفکر سیستمی مواردی که خارج از کتاب بهشون اشاره شد در جلسه. - واکنش یا پاسخ (Reaction or Response) - معرفی رشتههای #فلسفه_ذهن و #علوم_شناختی - دقت به تفاوت کلمات مثل consciousness و awareness
این کار بهنیا خیلی ارزشمنده، توی کانالش بگردید و باقی جلسات هم پیدا کنید :
https://news.1rj.ru/str/bear_the_software_engineer
https://news.1rj.ru/str/bear_the_software_engineer
Telegram
خرسِ برنامه نویس
من 5 درصد موسیقی ام! 30 درصد خواب! و بقیه به دنبال یافتن چیزی !!!
❤4
اگه فول استک ارشد با Next , React هستین و دنبال فرصت کاری جدید هستید، بهم پیام بدین @Merkousha
کار برای خودم نیست، برای دوستامه
کار برای خودم نیست، برای دوستامه
❤1👍1