https://www.techspot.com/news/102456-linux-could-have-brought-down-backdoor-found-widely.html

عجب!

به نام خدا
توی جریان گشت و گذار در لینکدین معمولا افراد زیادی رو دیدم که رزومه خودشون رو به اشتراک گذاشتند و به دنبال فرصت شغلی بودند و یا حتی هستند. یکی از ایشان از یک عبارتی استفاده کرده بود که توجه من را جلب کرد . ایشان گفته بودند که قصد دارند از Tutorial Hell خارج شوند و بقیه مسیر یادگیری را در کار واقعی طی کنند . این کلمه یعنی Tutorial Hell را جستجو کردم و به پست زیر رسیدم و بنظرم در آن، توصیف خوبی را از آن مطرح شده و برای آن راهکارهای خوبی ارائه شده.

امیدوارم که همه ما بتوانیم آموخته های خود را در اولین زمان ممکن به ارزش افزوده تبدیل کنیم و در عمل سودمند باشیم .


https://www.linkedin.com/pulse/escaping-tutorial-hell-guide-progress-your-learning-journey-jatasra-dvdgf?trk=feed_main-feed-card_feed-article-content

<meta name="viewport" content="width=device-width, initial-scale=1, maximum-scale=1, user-scalable=no, interactive-widget=resizes-content" />

این تگ چه میکند؟
به ویژه این:
resizes-content

Building Microservices: Using an API Gateway

From nginx blog

https://www.nginx.com/blog/building-microservices-using-an-api-gateway/?trk=comments_comments-list_comment-text

مهندسی داده یکی از فیلدایی‌ه که تو دانشگاه به اون صورت کورس تخصصی‌ای نداره که بتونیم عمیق یاد بگیریم، به‌شدت گسترده‌ست و buzz wordهای زیادی از لحظه‌ای که آدم شروع به کار کردن می‌کنه، داره.
ما چند تا از بچه‌های دانشکده، همراه با چند تا از هم‌کارامون تو شرکتای ایرانی، یه رودمپ واسه مهندسی‌داده درست کردیم (اسم تیم‌مون هم databurstه)
مثل کاری که سر درس وب با امید عزیز انجام دادیم، این ریپازیتوری هم پابلیک‌ه و دوست داریم بتونیم مشارکت شما رو هم داشته باشیم.
https://github.com/data-burst/data-engineering-roadmap

اگه ستاره بهمون بدین هم که دمتون‌گرم ❤️

https://jailbreakbench.github.io/

Jailbreak attacks cause large language models (LLMs) to generate harmful, unethical, or otherwise unwanted content. Evaluating these attacks presents a number of challenges, and the current landscape of benchmarks and evaluation techniques is fragmented. First, assessing whether LLM responses are indeed harmful requires open-ended evaluations which are not yet standardized. Second, existing works compute attacker costs and success rates in incomparable ways. Third, some works lack reproducibility as they withhold adversarial prompts or code, and rely on changing proprietary APIs for evaluation. Consequently, navigating the current literature and tracking progress can be challenging….