Forwarded from AI Pulse (Mohammad)
شرکت متا نسل چهارم از مدل‌های زبانی Llama را معرفی کرده که با توانایی‌های چندوجهی و پشتیبانی از کانتکست بسیار بلند، رقیب بسیار جدی‌ای برای مدل‌های اوپن سورس محسوب میشن.
در این مجموعه سه مدل معرفی شده: Llama 4 Scout، Llama 4 Maverick و Llama 4 Behemoth. دو مدل اول به صورت Open Weight عرضه شدن و برای استفاده در پلتفرم‌هایی مثل WhatsApp، Messenger، Instagram Direct و نسخه وب Meta AI در دسترس قرار گرفتن.
مدل Scout با ۱۷ میلیارد پارامتر فعال و ۱۶ متخصص، قوی‌ترین مدل توی کلاس خودش به‌شمار میاد و با وجود توانایی‌های چشمگیر، روی یک GPU از نوع H100 اجرا میشه. این مدل با داشتن پنجره کانتکست ۱۰ میلیون توکنی، عملکردی بهتر از مدل‌هایی مثل Gemma 3 و Gemini 2.0 Flash-Lite ارائه میده.
مدل Maverick هم که از همون تعداد پارامتر فعال اما با ۱۲۸ متخصص بهره می‌بره، در تست‌های گسترده از GPT-4o و Gemini 2.0 پیشی گرفته و با مدل‌هایی مثل DeepSeek v3 در زمینه‌های استدلال و کدنویسی رقابت می‌کنه؛ اون هم با نصف تعداد پارامتر فعال.
قدرت این مدل‌ها تا حد زیادی مدیون مدل Behemoth هست؛ یک مدل بزرگ ۲ تریلیونی با ۲۸۸ میلیارد پارامتر فعال که نقش "معلم" رو در فرایند آموزش ایفا کرده. Behemoth در بنچمارک‌های ریاضی، کدنویسی و زبان‌های مختلف عملکردی بهتر از مدل‌های شاخصی مثل GPT-4.5، Claude 3.7 و Gemini 2.0 Pro داشته. هرچند هنوز به‌طور کامل عرضه نشده، اما متا وعده داده به‌زودی اطلاعات بیشتری درباره‌ی اون منتشر کنه.
در طراحی این مدل‌ها، معماری Mixture of Experts به‌کار گرفته شده که با فعال‌سازی بخشی از پارامترها به‌ازای هر توکن، هم بازدهی محاسباتی رو افزایش داده و هم کیفیت مدل رو نسبت به مدل‌های متراکم بهبود داده. Llama 4 همچنین به‌صورت چندوجهی طراحی شده و می‌تونه همزمان ورودی‌های متنی و تصویری رو پردازش کنه. در فاز آموزش، از داده‌های متنی، تصویری و ویدیویی در مقیاس بالا استفاده شده و تکنیک‌های جدیدی مثل MetaP برای بهینه‌سازی هایپرپارامترها به‌کار رفته.
در مرحله پس‌آموزش، متا از روش‌های جدیدی مثل یادگیری تقویتی آنلاین و بهینه‌سازی مستقیم ترجیحی برای بهبود مهارت‌های مدل در استدلال، مکالمه و چندوجهی‌بودن استفاده کرده.
مدل Maverick با بهره‌گیری از این روش‌ها، عملکرد چشمگیری در درک تصویر، تولید متن، پاسخ به پرسش‌های بصری و وظایف پیچیده نشون داده. مدل Scout هم با وجود حجم کمتر، در زمینه‌هایی مثل کدنویسی، پردازش کانتکست بلند، و درک تصویری، نتایجی بهتر از تمام نسل‌های قبلی Llama ارائه میده.
در نهایت، متا تأکید کرده که این مدل‌ها با بالاترین استانداردهای ایمنی توسعه داده شدن. ابزارهایی مثل Llama Guard، Prompt Guard و سامانه‌ی تست GOAT برای جلوگیری از خروجی‌های نامناسب یا سؤاستفاده از مدل‌ها ارائه شده و توسعه‌دهندگان می‌تونن این ابزارها رو متناسب با نیاز خودشون تنظیم کنن. همچنین تلاش‌هایی هم برای کاهش سوگیری‌های سیاسی و اجتماعی در پاسخ‌های مدل صورت گرفته تا Llama 4 بتونه دیدگاه‌های مختلف رو به‌درستی درک و بیان کنه.
@aipulse24
در این مجموعه سه مدل معرفی شده: Llama 4 Scout، Llama 4 Maverick و Llama 4 Behemoth. دو مدل اول به صورت Open Weight عرضه شدن و برای استفاده در پلتفرم‌هایی مثل WhatsApp، Messenger، Instagram Direct و نسخه وب Meta AI در دسترس قرار گرفتن.
مدل Scout با ۱۷ میلیارد پارامتر فعال و ۱۶ متخصص، قوی‌ترین مدل توی کلاس خودش به‌شمار میاد و با وجود توانایی‌های چشمگیر، روی یک GPU از نوع H100 اجرا میشه. این مدل با داشتن پنجره کانتکست ۱۰ میلیون توکنی، عملکردی بهتر از مدل‌هایی مثل Gemma 3 و Gemini 2.0 Flash-Lite ارائه میده.
مدل Maverick هم که از همون تعداد پارامتر فعال اما با ۱۲۸ متخصص بهره می‌بره، در تست‌های گسترده از GPT-4o و Gemini 2.0 پیشی گرفته و با مدل‌هایی مثل DeepSeek v3 در زمینه‌های استدلال و کدنویسی رقابت می‌کنه؛ اون هم با نصف تعداد پارامتر فعال.
قدرت این مدل‌ها تا حد زیادی مدیون مدل Behemoth هست؛ یک مدل بزرگ ۲ تریلیونی با ۲۸۸ میلیارد پارامتر فعال که نقش "معلم" رو در فرایند آموزش ایفا کرده. Behemoth در بنچمارک‌های ریاضی، کدنویسی و زبان‌های مختلف عملکردی بهتر از مدل‌های شاخصی مثل GPT-4.5، Claude 3.7 و Gemini 2.0 Pro داشته. هرچند هنوز به‌طور کامل عرضه نشده، اما متا وعده داده به‌زودی اطلاعات بیشتری درباره‌ی اون منتشر کنه.
در طراحی این مدل‌ها، معماری Mixture of Experts به‌کار گرفته شده که با فعال‌سازی بخشی از پارامترها به‌ازای هر توکن، هم بازدهی محاسباتی رو افزایش داده و هم کیفیت مدل رو نسبت به مدل‌های متراکم بهبود داده. Llama 4 همچنین به‌صورت چندوجهی طراحی شده و می‌تونه همزمان ورودی‌های متنی و تصویری رو پردازش کنه. در فاز آموزش، از داده‌های متنی، تصویری و ویدیویی در مقیاس بالا استفاده شده و تکنیک‌های جدیدی مثل MetaP برای بهینه‌سازی هایپرپارامترها به‌کار رفته.
در مرحله پس‌آموزش، متا از روش‌های جدیدی مثل یادگیری تقویتی آنلاین و بهینه‌سازی مستقیم ترجیحی برای بهبود مهارت‌های مدل در استدلال، مکالمه و چندوجهی‌بودن استفاده کرده.
مدل Maverick با بهره‌گیری از این روش‌ها، عملکرد چشمگیری در درک تصویر، تولید متن، پاسخ به پرسش‌های بصری و وظایف پیچیده نشون داده. مدل Scout هم با وجود حجم کمتر، در زمینه‌هایی مثل کدنویسی، پردازش کانتکست بلند، و درک تصویری، نتایجی بهتر از تمام نسل‌های قبلی Llama ارائه میده.
در نهایت، متا تأکید کرده که این مدل‌ها با بالاترین استانداردهای ایمنی توسعه داده شدن. ابزارهایی مثل Llama Guard، Prompt Guard و سامانه‌ی تست GOAT برای جلوگیری از خروجی‌های نامناسب یا سؤاستفاده از مدل‌ها ارائه شده و توسعه‌دهندگان می‌تونن این ابزارها رو متناسب با نیاز خودشون تنظیم کنن. همچنین تلاش‌هایی هم برای کاهش سوگیری‌های سیاسی و اجتماعی در پاسخ‌های مدل صورت گرفته تا Llama 4 بتونه دیدگاه‌های مختلف رو به‌درستی درک و بیان کنه.
@aipulse24
سلام سلام.
این یک آگهی شغلیه، ولی کمی متفاوت.
من برای تیم خودم در دیجیکالا دنبال چند مهندس نرم افزار خبره می گردم.
وظیفه این مهندس نرم افزار کار روی سیستم هایی هست که تراکنش های بسیار بالایی (مثل پیک های بزرگ فروش مثل بلک فرایدی و ...) خواهد بود.
افراد مورد نظر باید شرایط زیر رو داشته باشن :
1. زبان برنامه نویسی این تیم فعلا PHP و Java هست ولی به صورت کلی استک شما اهمیتی نداره.
2. بیشتر از 6 سال سابقه توسعه نرم افزار داشته باشن.
3. به ریفکتور علاقه داشته باشن.
4. در محیط های پیچیده قابلیت پیدا کردن راه رو داشته باشن.
اگر علاقه دارید به این تیم بپیوندید برای شروع کافیه برای مساله زیر راه حل ارائه بدید :
سیستمی رو طراحی کنید که از پارامتر های زیر رو داره :
1. کیف پولی که برای هر فرد دارای چندین نوع حساب می باشد.
2. سرویس مدیریت تبلیغاتی که وظیفه بروز رسانی وضعیت ادامه نمایش تبلیغات را بر اساس بودجه و مانده حساب کاربر در کیف پول بر عهده دارد.
3. سیستم نمایش تبلیغاتی که وظیفه ارائه تبلیغات را بر عهده دارد.
بر اساس سیستم ها فوق، طراحی ای پیشنهاد بدهید که :
1. دقیق ترین گزارشات بابت هزینه کرد کاربر از کیف پول خود را داشته باشد.
2. دسترس پذیری بالایی داشته باشه.
3. ارتباط بین سرویس ها بهینه باشه.
افرادی که علاقه مند هستند، می تونن از طریق این لینک اقدام کنن :
https://survey.porsline.ir/s/BMp5Uth
ممنون میشم این آگهی رو برای افراد علاقه مند ارسال کنید.
@Learning_with_m
#استخدام
این یک آگهی شغلیه، ولی کمی متفاوت.
من برای تیم خودم در دیجیکالا دنبال چند مهندس نرم افزار خبره می گردم.
وظیفه این مهندس نرم افزار کار روی سیستم هایی هست که تراکنش های بسیار بالایی (مثل پیک های بزرگ فروش مثل بلک فرایدی و ...) خواهد بود.
افراد مورد نظر باید شرایط زیر رو داشته باشن :
1. زبان برنامه نویسی این تیم فعلا PHP و Java هست ولی به صورت کلی استک شما اهمیتی نداره.
2. بیشتر از 6 سال سابقه توسعه نرم افزار داشته باشن.
3. به ریفکتور علاقه داشته باشن.
4. در محیط های پیچیده قابلیت پیدا کردن راه رو داشته باشن.
اگر علاقه دارید به این تیم بپیوندید برای شروع کافیه برای مساله زیر راه حل ارائه بدید :
سیستمی رو طراحی کنید که از پارامتر های زیر رو داره :
1. کیف پولی که برای هر فرد دارای چندین نوع حساب می باشد.
2. سرویس مدیریت تبلیغاتی که وظیفه بروز رسانی وضعیت ادامه نمایش تبلیغات را بر اساس بودجه و مانده حساب کاربر در کیف پول بر عهده دارد.
3. سیستم نمایش تبلیغاتی که وظیفه ارائه تبلیغات را بر عهده دارد.
بر اساس سیستم ها فوق، طراحی ای پیشنهاد بدهید که :
1. دقیق ترین گزارشات بابت هزینه کرد کاربر از کیف پول خود را داشته باشد.
2. دسترس پذیری بالایی داشته باشه.
3. ارتباط بین سرویس ها بهینه باشه.
افرادی که علاقه مند هستند، می تونن از طریق این لینک اقدام کنن :
https://survey.porsline.ir/s/BMp5Uth
ممنون میشم این آگهی رو برای افراد علاقه مند ارسال کنید.
@Learning_with_m
#استخدام
Forwarded from tech-afternoon (Amin Mesbahi)
Please open Telegram to view this post
VIEW IN TELEGRAM
Google
Real-time meetings by Google. Using your browser, share your video, desktop, and presentations with teammates and customers.
Learning With M
این جلسه الان داره برگزار میشه.
خوشحال میشم ببینمتون
خوشحال میشم ببینمتون
Forwarded from tech-afternoon (Amin Mesbahi)
اگر نظر مثبتی نسبت به جلسه اول «مرور مهارت‌های مورد نیاز و مسیر رسیدن به مهندس ارشد نرم‌افزار» داشتید و فکر می‌کنید ادامه بحث می‌تونه براتون جالب باشه، لطفا از طریق فرم زیر بگید 😊
🗓 برای روز یکشنبه ۷ اردیبهشت (۲۷ اپریل) ساعت ۱۸:۳۰ به وقت تهران
https://forms.gle/ayy2Q3MESKnhrNt3A
Please open Telegram to view this post
VIEW IN TELEGRAM
Google Docs
دورهمی تک‌افترنون (مسیر شغلی) یکشنبه ۷ اردیبهشت (۲۷ اپریل)
مرور مهارت‌های مورد نیاز و مسیر رسیدن به مهندس ارشد نرم‌افزار
Forwarded from .NET Internals
هفت عادت آدم های بسیار ناکارآمد!
عادت ۱: واکنش نشان بده React
همه مشکلاتت را گردن رئیس بد، والدین، ژن‌ها، همسر، شریک، اقتصاد یا دولت بینداز. هیچ مسئولیتی قبول نکن. اگر گرسنه‌ای، بخور؛ اگر عصبانی شدی، داد بزن؛ اگر کسی بی‌ادبی کرد، جوابش را بده. فقط واکنش نشان بده.
عادت ۲: بدون هدف شروع کن Begin with Squad in Mind
برنامه‌ریزی نکن، هدف نگذار و نگران پیامدهای کارت نباش. فقط با جریان زندگی حرکت کن و خوش بگذران؛ فردا ممکن است نباشد.
عادت ۳: کارهای مهم را به آخر بینداز Put First Things Last
همیشه کارهای فوری مثل پاسخ دادن به پیام‌ها و نوتیفیکیشن‌ها را اول انجام بده. کارهای مهم مثل تقویت روابط یا ورزش را بگذار برای بعد. روزت را با دیدن ویدیوهای یوتیوب پر کن.
عادت ۴: طرز فکر برد-باخت داشته باش Think Win-Lose
زندگی را یک رقابت بی‌رحمانه ببین. اگر دیگران برنده شوند، تو بازنده‌ای. پس قبل از اینکه دیگران تو را شکست دهند، تو آن‌ها را شکست بده. اگر هم باختی، مطمئن شو که طرف مقابل را با خودت پایین بکشی.
عادت ۵: اول حرف بزن، بعد وانمود کن گوش می‌دهی Seek First to Talk, Then Pretend to Listen
زیاد حرف بزن. اول نظرات خودت را به همه بگو. اگر مجبور شدی، فقط وانمود کن گوش می‌دهی. در ذهن خودت درباره ناهار فکر کن. یا اگر واقعاً خواستی نظر کسی را بدانی، نظرت را به جای او بهش بده!
عادت ۶: جزیره‌ای برای خودت باش Be an Island
دیگران متفاوت‌اند و عجیب. چرا وقت تلف کنی که با آن‌ها کنار بیایی؟ همکاری وقت‌گیر است. خودت همیشه بهترین ایده‌ها را داری، پس تنهایی کار کن و برای خودت یک جزیره‌ی خاص باش.
عادت ۷: خودت را فرسوده کن Burn Yourself Out
آنقدر مشغول باش که وقت استراحت کردن یا یادگیری چیزهای جدید نداشته باشی. ورزش را فراموش کن. سراغ کتاب خوب، طبیعت، هنر یا موسیقی نرو. فقط بسوز و بسوز!
نظرتون چیه؟ باید اعتراف کنم عادت 7 رو دارم ولی دارم روش کار میکنم که ترکش کنم
از کتاب:
The 7 Habits Of Highly Effective People (Stephen R. Covey)
عادت ۱: واکنش نشان بده React
همه مشکلاتت را گردن رئیس بد، والدین، ژن‌ها، همسر، شریک، اقتصاد یا دولت بینداز. هیچ مسئولیتی قبول نکن. اگر گرسنه‌ای، بخور؛ اگر عصبانی شدی، داد بزن؛ اگر کسی بی‌ادبی کرد، جوابش را بده. فقط واکنش نشان بده.
عادت ۲: بدون هدف شروع کن Begin with Squad in Mind
برنامه‌ریزی نکن، هدف نگذار و نگران پیامدهای کارت نباش. فقط با جریان زندگی حرکت کن و خوش بگذران؛ فردا ممکن است نباشد.
عادت ۳: کارهای مهم را به آخر بینداز Put First Things Last
همیشه کارهای فوری مثل پاسخ دادن به پیام‌ها و نوتیفیکیشن‌ها را اول انجام بده. کارهای مهم مثل تقویت روابط یا ورزش را بگذار برای بعد. روزت را با دیدن ویدیوهای یوتیوب پر کن.
عادت ۴: طرز فکر برد-باخت داشته باش Think Win-Lose
زندگی را یک رقابت بی‌رحمانه ببین. اگر دیگران برنده شوند، تو بازنده‌ای. پس قبل از اینکه دیگران تو را شکست دهند، تو آن‌ها را شکست بده. اگر هم باختی، مطمئن شو که طرف مقابل را با خودت پایین بکشی.
عادت ۵: اول حرف بزن، بعد وانمود کن گوش می‌دهی Seek First to Talk, Then Pretend to Listen
زیاد حرف بزن. اول نظرات خودت را به همه بگو. اگر مجبور شدی، فقط وانمود کن گوش می‌دهی. در ذهن خودت درباره ناهار فکر کن. یا اگر واقعاً خواستی نظر کسی را بدانی، نظرت را به جای او بهش بده!
عادت ۶: جزیره‌ای برای خودت باش Be an Island
دیگران متفاوت‌اند و عجیب. چرا وقت تلف کنی که با آن‌ها کنار بیایی؟ همکاری وقت‌گیر است. خودت همیشه بهترین ایده‌ها را داری، پس تنهایی کار کن و برای خودت یک جزیره‌ی خاص باش.
عادت ۷: خودت را فرسوده کن Burn Yourself Out
آنقدر مشغول باش که وقت استراحت کردن یا یادگیری چیزهای جدید نداشته باشی. ورزش را فراموش کن. سراغ کتاب خوب، طبیعت، هنر یا موسیقی نرو. فقط بسوز و بسوز!
نظرتون چیه؟ باید اعتراف کنم عادت 7 رو دارم ولی دارم روش کار میکنم که ترکش کنم
از کتاب:
The 7 Habits Of Highly Effective People (Stephen R. Covey)
Forwarded from tech-afternoon (Amin Mesbahi)
بی‌مقدمه: فصل گرما در پیش است، اخبار گواه اینه که بهبود خاصی در ظرفیت تولید، یا مدیریت توزیع برق کشور اتفاق نیوفتاده، برای اینکه با از دسترس خارج شدن دیتاسنترها، سرویس‌هامون دچار مشکل نشه، بهتره نگاهی به معماری سلولی و تجربه اسلک بندازیم...
توی معماری سلولی سیستم‌های پیچیده به واحدهای مستقل و خودکفا (سلول‌ها) تقسیم میشن. هر سلول می‌تونه به تنهایی کار کنه و اگر یک سلول دچار مشکل بشه، بقیه سلول‌ها می‌تونن به کار خودشون ادامه بدن.
یه روز توی اسلک، نمودارهای مانیتورینگ نشون دادن که یکی از Availability Zone (AZ) های AWS در منطقه us-east-1 داره پکت‌های زیادی رو از دست میده. این باعث خطا و کندی سرویس برای کاربرها شده بود.
مشکل اصلی اینجا بود که با وجود اینکه اسلک از چند AZ استفاده می‌کرد، وقتی یک AZ دچار مشکل می‌شد، کل سرویس تحت تأثیر قرار می‌گرفت! خب این اصلاً منطقی نیست! مگه نه اینکه هدف استفاده از چند AZ همین هست که اگه یکی به مشکل خورد، بقیه کار رو پیش ببرن؟
در مورد اسلک، هر AZ تبدیل به یک سلول شد. یعنی مجموعه‌ای از سرویس‌هایی که در یک AZ هستن و می‌تونن به عنوان یک واحد از سرویس خارج بشن یا به سرویس برگردن.
🎯 اسلک چهار هدف اصلی داشت:
- حذف ترافیک از یک AZ در کمتر از ۵ دقیقه (سرعت)
- حذف ترافیک نباید باعث خطای قابل مشاهده برای کاربر بشه
- خروج و بازگشت ترافیک یک AZ باید تدریجی باشه (مثلاً ۱٪ یا ۱۰٪)
- مکانیزم Drain نباید به AZ مشکل‌دار وابسته باشه
🧠 استراتژی‌های پیاده‌سازی در اسلک
چرا این بار موفق شدن؟
اسلک قبلاً یک بار تلاش کرده بود این کار رو انجام بده و شکست خورده بود. این بار چند اصل مهم رو رعایت کردن:
- تدریجی بودن (Incrementality): به جای ساخت یک سیستم کاملاً جدید و تغییر یکباره، هر سرویس رو جداگانه و تدریجی تغییر دادن.
- نگاه از پایین به بالا (Bottom-up): با هر تیم سرویس جداگانه کار کردن و راهکار مخصوص اون سرویس رو پیدا کردن.
- به اندازه کافی خوب (Good Enough): پذیرفتن اینکه لازم نیست همه سرویس‌ها یکجا و کامل تغییر کنن.
- رویکرد Roofshot به جای Moonshot: به جای یک حرکت مستقیم و بلندپروازانه، مجموعه‌ای از قدم‌های کوچکتر که در هر مرحله ارزش ایجاد می‌کنه.
- تست‌های منظم: هر هفته یک AZ رو drain می‌کردن و پیشرفت رو اندازه می‌گرفتن.
⛳️ نتایج:
- الان می‌تونن یک AZ رو در ۶۰ ثانیه از سرویس خارج کنن
- هزینه‌های انتقال داده بین AZ کاهش پیدا کرده
- یک مکانیزم blue-green deployment جدید به دست آوردن
- راهکار عمومی برای مقابله با مشکلات محدود به یک AZ دارن
📝 نکته‌های کلیدی برای پروژه‌های زیرساختی بزرگ
Please open Telegram to view this post
VIEW IN TELEGRAM
در راستای حرکتی که فقط از یک شرکت بی کیفیت مثل پارس پک میشه انتظار داشت:
Prejudice is the child of ignorance.
- George Orwell
تعصب فرزند نادانی است.
- جرج اورول
Prejudice is the child of ignorance.
- George Orwell
تعصب فرزند نادانی است.
- جرج اورول
Forwarded from tech-afternoon (Amin Mesbahi)
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from مدرسه علوم انسانی
This media is not supported in your browser
VIEW IN TELEGRAM
Ⓜ️ نظریات مزاحم
➕موثر در تفکر نقاد، تفکر خلاق، مهارت حل مسئله
➕ یک آزمایش
➕ دکتر آذرخش مکری
🛄 @zistboommedia || مدرسه علوم انسانی
➕موثر در تفکر نقاد، تفکر خلاق، مهارت حل مسئله
➕ یک آزمایش
➕ دکتر آذرخش مکری
🛄 @zistboommedia || مدرسه علوم انسانی
Forwarded from tech-afternoon (Amin Mesbahi)
اوایل دههٔ ۲۰۰۰ شرکت‌های خیلی بزرگ (بانک‌ها، بیمه، و …) با سیستم‌های نرم‌افزاری‌ای روبه‌رو بودند که:
- دامین‌های با پیچیدگی خیلی بالا داشتند (مثل قوانین کسب‌وکار پرشمار و در حال تغییر).
- گپ ارتباطی وحشتناکی بین تحلیلگرها و برنامه‌نویس‌ها وجود داشت؛ اصطلاحات یکی برای دیگری نامفهوم بود.
- هر تغییر کوچک به موجی از regression bugها و استرس انتشار تبدیل می‌شد.
توی چنین شرایطی، Eric Evans می‌گه: «بیایید به جای تمرکز صِرفن روی لایه‌های فنی، قلب مسأله—یعنی دامنه—رو محور کار بگذاریم.» نتیجه شد متدولوژی Domain-Driven Design که توی کتاب معروف «آبی» در سال ۲۰۰۳ متولد شد و بعدتر با کارهای Vaughn Vernon، Jimmy Nilsson و بقیه گسترش پیدا کرد.
برخی مفاهیم پایه در DDD:
- مفهوم Ubiquitous Language
زبان مشترک بین همهٔ ذی‌نفعان. کلاس، جدول DB و اسلاید ارائه باید از یک واژه برای یک مفهوم استفاده کنند، و یک واژه باید همه جا معنی یکسان داشته باشه.
- مفهوم Bounded Context
مرزهایی شفاف برای معنی واژه‌ها. «سفارش» در حسابداری ≠ «سفارش» در انبار.
- مفهوم Aggregate
یک خوشه (گروه) از آبجکت‌ها، با یک ریشهٔ واحد که میشه به‌صورت واحد تلقی کردشون.
- مفهوم Context Map
نقشهٔ روابط بین Bounded Contextها؛ شامل پیوندهای همکار، مشتری–تأمین‌کننده و…
- مفهوم Strategic Design
هنر تشخیص اینکه کِی باید دامنه رو بشکنیم و تیم رو حولش سازمان‌دهی کنیم.
آیا DDD برای همه است؟ نه دقیقاً!
توی «مطلب قبل» دربارهٔ وسوسهٔ ترندها گفتم، DDD هم قربانی حباب‌ها شده. نشونه‌های انتخاب اشتباه:
- دامنه ساده است (CRUD سرراست، منطق پیچیده‌ای هم نداره) ولی تیم حتماً میخواد Bounded Context تعریف کنه و Event Storming برگزار کنه!
- ابزارهای تحلیلی، تست، مستندسازی و DevOps هنوز بالغ نیستند اما «می‌خواهیم معماری تمیز + DDD + مایکروسرویس» رو با هم پیاده کنیم.
- تیم کوچک است ولی هر کانتکست رو توی یک ریپو جداگانه Deploy می‌کنه و نصف زمانش صرف هماهنگی بین ریپوها میشه.
یادمون نره: DDD هزینه داره—هم آموزشی، هم طراحی، هم نگهداری.
اگر درد پیچیدگی دامنه رو حس نمی‌کنیم، این دارو تلخ و بی‌فایده است!!
چرا لزوماً هر معماری دامین-سنتریک، DDD نیست؟!
— بعدتر دراین‌باره خواهم نوشت که هر گردی گردو نیست!! پیاده‌سازی Clean / Hexagonal / Onion به معنی DDD نیست!
«توی DDD، معماری کد فقط یک لایه از ماجراست؛ موفقیت زمانی رقم می‌خوره که ساختار سازمانی و فرایندهای تیم هم با مرزهای دامنه منطبق شن. اگر تیم کوچکه و دامنه پیچیدگی بالایی نداره، صرف داشتن لایهٔ Domain یا استفاده از معماری Clean، شما صاحب DDD نمی‌شید.»
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from کانال مکتب‌خانه DDD
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from سنتز | Synthesis
معرفی مقاله
■ مدل‌های زبانی کوچک (SLM) - آینده‌ی هوش مصنوعی عاملی
■ عنوان اصلی: Small Language Models are the Future of Agentic AI
■ نوشته‌ی تیمی از محققان NVIDIA Research و Georgia Institute of Technology
■ تاریخ انتشار: 12 خرداد 1404
■ چکیده:
«مدل‌های زبانی بزرگ (LLMها) به‌دلیل توانایی‌شان در مکالمه‌های عمومی و عملکرد نزدیک به انسان در طیف گسترده‌ای از وظایف، مورد توجه زیادی قرار گرفته‌اند. با این حال، ظهور سیستم‌های هوش مصنوعی عاملی (Agentic AI) موجی از کاربردها را به همراه داشته است که در آن‌ها مدل‌های زبانی تنها تعداد محدودی از وظایف تخصصی را به‌صورت تکراری و با تنوع اندک انجام می‌دهند. در این مقاله، این دیدگاه را مطرح می‌کنیم که مدل‌های زبانی کوچک (SLMها) برای چنین کاربردهایی کاملاً کافی، از نظر ساختاری مناسب‌تر، و از نظر اقتصادی بسیار مقرون‌به‌صرفه‌تر هستند. به همین دلیل، ما معتقدیم آینده‌ی هوش مصنوعی عاملی به سمت استفاده از SLMها پیش خواهد رفت. این باور بر پایه‌ی توانمندی‌های فعلی SLMها، ساختار رایج سیستم‌های عاملی، و هزینه‌های مرتبط با استقرار مدل‌ها شکل گرفته است.
همچنین بیان می‌کنیم که در مواردی که توانایی گفت‌و‌گوی عمومی اهمیت دارد، استفاده از سیستم‌های عاملی ناهمگن (heterogeneous agentic systems) که به‌طور همزمان از چند مدل مختلف بهره می‌برند، گزینه‌ای طبیعی و منطقی خواهد بود. در ادامه، به موانع احتمالی در مسیر به‌کارگیری SLMها اشاره می‌کنیم و الگوریتمی برای تبدیل عامل‌های مبتنی بر مدل‌های بزرگ به مدل‌های کوچک ارائه می‌دهیم.
دیدگاه ما به‌صورت یک بیانیه‌ی ارزشی مطرح شده است تا اهمیت تأثیرات عملیاتی و اقتصادی حرکت از LLMها به SLMها را در صنعت عامل‌های هوش مصنوعی برجسته کند. هدف ما آغاز گفت‌وگویی درباره‌ی استفاده‌ی مؤثرتر از منابع هوش مصنوعی و کمک به کاهش هزینه‌های آن در شرایط کنونی است.»
🔗 لینک:
https://arxiv.org/pdf/2506.02153v1
■ مدل‌های زبانی کوچک (SLM) - آینده‌ی هوش مصنوعی عاملی
■ عنوان اصلی: Small Language Models are the Future of Agentic AI
■ نوشته‌ی تیمی از محققان NVIDIA Research و Georgia Institute of Technology
■ تاریخ انتشار: 12 خرداد 1404
■ چکیده:
«مدل‌های زبانی بزرگ (LLMها) به‌دلیل توانایی‌شان در مکالمه‌های عمومی و عملکرد نزدیک به انسان در طیف گسترده‌ای از وظایف، مورد توجه زیادی قرار گرفته‌اند. با این حال، ظهور سیستم‌های هوش مصنوعی عاملی (Agentic AI) موجی از کاربردها را به همراه داشته است که در آن‌ها مدل‌های زبانی تنها تعداد محدودی از وظایف تخصصی را به‌صورت تکراری و با تنوع اندک انجام می‌دهند. در این مقاله، این دیدگاه را مطرح می‌کنیم که مدل‌های زبانی کوچک (SLMها) برای چنین کاربردهایی کاملاً کافی، از نظر ساختاری مناسب‌تر، و از نظر اقتصادی بسیار مقرون‌به‌صرفه‌تر هستند. به همین دلیل، ما معتقدیم آینده‌ی هوش مصنوعی عاملی به سمت استفاده از SLMها پیش خواهد رفت. این باور بر پایه‌ی توانمندی‌های فعلی SLMها، ساختار رایج سیستم‌های عاملی، و هزینه‌های مرتبط با استقرار مدل‌ها شکل گرفته است.
همچنین بیان می‌کنیم که در مواردی که توانایی گفت‌و‌گوی عمومی اهمیت دارد، استفاده از سیستم‌های عاملی ناهمگن (heterogeneous agentic systems) که به‌طور همزمان از چند مدل مختلف بهره می‌برند، گزینه‌ای طبیعی و منطقی خواهد بود. در ادامه، به موانع احتمالی در مسیر به‌کارگیری SLMها اشاره می‌کنیم و الگوریتمی برای تبدیل عامل‌های مبتنی بر مدل‌های بزرگ به مدل‌های کوچک ارائه می‌دهیم.
دیدگاه ما به‌صورت یک بیانیه‌ی ارزشی مطرح شده است تا اهمیت تأثیرات عملیاتی و اقتصادی حرکت از LLMها به SLMها را در صنعت عامل‌های هوش مصنوعی برجسته کند. هدف ما آغاز گفت‌وگویی درباره‌ی استفاده‌ی مؤثرتر از منابع هوش مصنوعی و کمک به کاهش هزینه‌های آن در شرایط کنونی است.»
🔗 لینک:
https://arxiv.org/pdf/2506.02153v1
Forwarded from صادق سپندارند
وقتی حافظه جمعی، استراتژی‌ها را تغییر می‌دهد
تصور کنید در یک جلسه سازمانی، مدیران به ایده‌ای اشاره می‌کنند که همه درباره‌اش اطمینان دارند. «همیشه این‌طور بوده!» جمله‌ای است که بارها تکرار می‌شود. اما اگر واقعیت متفاوت باشد چه؟ اگر خاطره‌ای که همه به آن استناد می‌کنند اساساً رخ نداده باشد؟
پدیده «اثر ماندلا»، که بر مبنای خاطره جمعی غلطِ درگذشت نلسون ماندلا در «زندان»دهه ۸۰ در میان مردم نام‌گذاری شده، نشان می‌دهد که ذهن جمعی انسان‌ها چگونه می‌تواند خاطرات غیرواقعی بسازد. این اثر زمانی نمایان می‌شود که رویدادها به شکل تحریف‌شده‌ای در حافظه گروهی افراد ثبت و به مرور زمان تقویت می‌شوند، به‌طوری‌که تبدیل به حقیقتی غیرقابل انکار می‌شوند.
در دنیای کسب‌وکار، چنین تحریف‌هایی اغلب از آنچه فکر می‌کنیم پررنگ‌ترند. مدیران تصمیمات استراتژیک خود را گاهی بر اساس تجربیات جمعی نادرستی اتخاذ می‌کنند که در گذر زمان به «حقایق غیرقابل تردید» تبدیل شده‌اند. مثلاً بارها دیده شده شرکتی استراتژی‌اش را بر پایه شکست یا موفقیت فرضی یک محصول در گذشته بنا می‌کند، درحالی‌که بررسی دقیق‌تر نشان می‌دهد اساساً چنین تجربه‌ای به آن شکل که تصور می‌شود وجود نداشته است.
اثر ماندلا می‌تواند سازمان‌ها را به دام تصمیم‌گیری‌های نادرست، سرمایه‌گذاری‌های بیهوده یا حتی هراس‌های بی‌اساس بکشاند. اما شناخت این پدیده، به مدیران اجازه می‌دهد تا با احتیاط بیشتری به «واقعیت‌های سازمانی» نزدیک شوند. مستندسازی دقیق و بررسی منظم تصمیم‌ها و نتایج گذشته می‌تواند سپر دفاعی مناسبی در برابر حافظه جمعی اشتباه باشد.
از سوی دیگر، این اثر، اهمیت «قصه‌گویی» (Storytelling) در سازمان‌ها را آشکار می‌کند؛ داستان‌هایی که بارها بازگو می‌شوند، نهایتاً به فرهنگ سازمانی بدل شده و استراتژی‌ها را شکل می‌دهند.
توجه به «اثر ماندلا» به مدیران یادآوری می‌کند که حتی جمعی‌ترین خاطرات هم ممکن است نادرست باشند. پذیرش این حقیقت، می‌تواند سازمان‌ها را در مسیر واقع‌بینانه‌تر و آگاهانه‌تری قرار دهد و تصمیم‌گیری‌ها را از دام توهمات جمعی نجات دهد
#اثر_ماندلا #استراتژی #حافظه_جمعی #سازمان #سپندارند
تصور کنید در یک جلسه سازمانی، مدیران به ایده‌ای اشاره می‌کنند که همه درباره‌اش اطمینان دارند. «همیشه این‌طور بوده!» جمله‌ای است که بارها تکرار می‌شود. اما اگر واقعیت متفاوت باشد چه؟ اگر خاطره‌ای که همه به آن استناد می‌کنند اساساً رخ نداده باشد؟
پدیده «اثر ماندلا»، که بر مبنای خاطره جمعی غلطِ درگذشت نلسون ماندلا در «زندان»دهه ۸۰ در میان مردم نام‌گذاری شده، نشان می‌دهد که ذهن جمعی انسان‌ها چگونه می‌تواند خاطرات غیرواقعی بسازد. این اثر زمانی نمایان می‌شود که رویدادها به شکل تحریف‌شده‌ای در حافظه گروهی افراد ثبت و به مرور زمان تقویت می‌شوند، به‌طوری‌که تبدیل به حقیقتی غیرقابل انکار می‌شوند.
در دنیای کسب‌وکار، چنین تحریف‌هایی اغلب از آنچه فکر می‌کنیم پررنگ‌ترند. مدیران تصمیمات استراتژیک خود را گاهی بر اساس تجربیات جمعی نادرستی اتخاذ می‌کنند که در گذر زمان به «حقایق غیرقابل تردید» تبدیل شده‌اند. مثلاً بارها دیده شده شرکتی استراتژی‌اش را بر پایه شکست یا موفقیت فرضی یک محصول در گذشته بنا می‌کند، درحالی‌که بررسی دقیق‌تر نشان می‌دهد اساساً چنین تجربه‌ای به آن شکل که تصور می‌شود وجود نداشته است.
اثر ماندلا می‌تواند سازمان‌ها را به دام تصمیم‌گیری‌های نادرست، سرمایه‌گذاری‌های بیهوده یا حتی هراس‌های بی‌اساس بکشاند. اما شناخت این پدیده، به مدیران اجازه می‌دهد تا با احتیاط بیشتری به «واقعیت‌های سازمانی» نزدیک شوند. مستندسازی دقیق و بررسی منظم تصمیم‌ها و نتایج گذشته می‌تواند سپر دفاعی مناسبی در برابر حافظه جمعی اشتباه باشد.
از سوی دیگر، این اثر، اهمیت «قصه‌گویی» (Storytelling) در سازمان‌ها را آشکار می‌کند؛ داستان‌هایی که بارها بازگو می‌شوند، نهایتاً به فرهنگ سازمانی بدل شده و استراتژی‌ها را شکل می‌دهند.
توجه به «اثر ماندلا» به مدیران یادآوری می‌کند که حتی جمعی‌ترین خاطرات هم ممکن است نادرست باشند. پذیرش این حقیقت، می‌تواند سازمان‌ها را در مسیر واقع‌بینانه‌تر و آگاهانه‌تری قرار دهد و تصمیم‌گیری‌ها را از دام توهمات جمعی نجات دهد
#اثر_ماندلا #استراتژی #حافظه_جمعی #سازمان #سپندارند
رفقا، برای همتون با هر عقیده‌ای سلامتی برای خودتون و عزیزانتون آرزو می کنم.
از این اتفاقات یه سری یادگیری ها داشتم که برای خودم نوشته بودمشون، با اینکه به موضوع کانال ربط نداره ولی به اشتراک میزارم:
۱. دشمن اونیه که توی شرایط خاص جنسش رو گرون می کنه، کم می فروشه یا نمی فروشه. دشمن لزوما نمیخواد جونتو بگیره، خیلی وقتها میخواد جیب خودشو پر کنه.
۲. توی دنیای بدون اینترنت مطالعه می تونه آرامش بخش باشه ولی یادگیری تقریبا غیر ممکنه.
۳. بزرگتر ها بیشتر از ما می ترسن، نه از جنگ، از سر بار دیگران شدن.
۴. خبر ذاتش منفیه، از هر طرفی که باشه. دلیلش هم علمیه، ذهن انسان ها به اخبار منفی واکنش نشون میده، نه مثبت. چون نگرانیه ذهن برای بقاشه، پس نگرانی هاشو دنبال می کنه.
۵. برای زندگی تو ایران پلن بی و سی و دی و ... لازمه !
۶.قدر داشته هامونو بیشتر بدونیم.
۷. اونهایی که خیلی ادعای نترسی می کنن، لزوما کلشون بو قرمه سبزی نمیده، اونا هم شاید می ترسن، برای روحیه دادن به بقیه قوی جلوه می دن خودشونو.
۸. قطعا به دولت ها(هر طرفی) نمیشه اعتماد کرد.
شاید همش غلط باشه و من گاردی ندارم اگر برای شما کار نمی کنن.
اینا تجربه زیسته منه توی این ۱۰ روز از جنگ و آوارگی.
۱. دشمن اونیه که توی شرایط خاص جنسش رو گرون می کنه، کم می فروشه یا نمی فروشه. دشمن لزوما نمیخواد جونتو بگیره، خیلی وقتها میخواد جیب خودشو پر کنه.
۲. توی دنیای بدون اینترنت مطالعه می تونه آرامش بخش باشه ولی یادگیری تقریبا غیر ممکنه.
۳. بزرگتر ها بیشتر از ما می ترسن، نه از جنگ، از سر بار دیگران شدن.
۴. خبر ذاتش منفیه، از هر طرفی که باشه. دلیلش هم علمیه، ذهن انسان ها به اخبار منفی واکنش نشون میده، نه مثبت. چون نگرانیه ذهن برای بقاشه، پس نگرانی هاشو دنبال می کنه.
۵. برای زندگی تو ایران پلن بی و سی و دی و ... لازمه !
۶.قدر داشته هامونو بیشتر بدونیم.
۷. اونهایی که خیلی ادعای نترسی می کنن، لزوما کلشون بو قرمه سبزی نمیده، اونا هم شاید می ترسن، برای روحیه دادن به بقیه قوی جلوه می دن خودشونو.
۸. قطعا به دولت ها(هر طرفی) نمیشه اعتماد کرد.
شاید همش غلط باشه و من گاردی ندارم اگر برای شما کار نمی کنن.
اینا تجربه زیسته منه توی این ۱۰ روز از جنگ و آوارگی.
خب وسط جنگ و بدبختی ای که هستیم برای فرار از روزمرگی هایی که دارم به دنبال یک دیزاینر وبسیات می گردم برای یک پروژه شخصی خودم.
اگر خودتون توی این کار حرفه ای هستید و یا کسی رو می شناسید ممنون میشم معرفی کنید.
اگر خودتون توی این کار حرفه ای هستید و یا کسی رو می شناسید ممنون میشم معرفی کنید.