چرا ارورهندلینگ گولنگ خوب نیست و در واقع پیشنهاد بهتر استفاده و پیاده سازی موناد هاست.
https://www.innoq.com/en/blog/2016/06/golang-errors-monads/

از هنرورزی تا سرهم‌بندی: روایتی از درد بیگانگی متخصصین AI

یک بنده خدایی در ردیتی نوشته که سالهایی که در حوزه AI/ML فعالیت می‌کرده با عشق به طراحی مدل‌ها و معماری‌ها و مشکلات پیچیده‌شون روزش رو شب می‌کرده. اما جدیداها که LLM و VLM‌ها اومدند احساس بیگانگی می‌کنه با فیلد و از این که نمی‌تونه مثل سابق مدل‌ها رو از صفر طراحی کنه و خلاقیتش رو ارضا کنه افسرده است. بعدش هم چند تا سوال مطرح کرده که آیا هنوز هم برای افرادی که از طراحی و آموزش مدل‌های دیپ لذت می‌بردند جای کاری وجود داره یا باید پیامدهای ناخواسته این تکامل رو پذیرفت؟ ملت هم از این پستش استقبال کردند و اومدند زیرش همدردی و هم‌ناله‌گری کردند. چند تا نکته از این مطلب و گفته‌های مردم به ذهن می‌رسه:

- در همون ردیت هم تقریبا اکثریت به این اذعان کردند که دوره دیپ لرنینگ سنتی به اون مفهوم که مدل آموزش بدیم تقریبا گذشته. لااقل اکثر نیازمندی‌های سمت NLP با LLM‌ها با کیفیت بالاتر و هزینه‌ کمتر درمیان و خب نکته دردناک همینه که کار با LLM‌ها صرفا نیاز به API Call و مهندسی پرامپت داره و دیگه اون جنس معماهای شبه ریاضی طوری که باید حل می‌شدند وجود نداره و شما اگر بخوای روی ساختن مدل‌ها کار کنی تنها جاهایی که برات وجود داره در دنیای امروز OpenAI و Antropic و ... هستند و خب پرواضحه که نشدنیه.

- نکته دیگه اما این که این تکامل اجتناب‌ناپذیر صرفا مخصوص حوزه LLM‌ها نیست. خیلی‌ها اشاره کردند که مثلا در حوزه‌هایی متنوعی مثل ساخت بازی و یا برنامه نویسی وب هم در طی این سال‌ها انتزاع روی انتزاع اضافه شده و دیگه کسی نمی‌ره گیم انجین خودش رو از صفر بزنه. یا در برنامه نویسی وب این قدر فریمورک در سطوح مختلف استک هستند که دیگه اون خردکاری‌های سابق شبکه‌ای داستان محو شدند. در مورد خود حوزه هوش مصنوعی هم ما خودمون روی جنازه گذشتگان قدم زدیم. روزگار قبل از دیپ لرنینگ برای پردازش تصویر و پردازش متن این شکلی بود که طرف باید مثلا انواع فیچرهای به درد بخور تو تصویر یا متن رو یاد می‌گرفت و شبکه‌اش رو روی اینها می‌ساخت ولی الان شرط می‌بندم ۹۰ درصدتون نمی‌دونید مثلا SIFT چیه. در نتیجه این تکامل طبیعت زندگیه.

- نکته بعدی این که البته هنوز هم هستند نیازهایی که با LLM‌ها رفع نشن. یا حالا مساله طوری که LLM روش به طور کامل سوار نشه یا مثلا فرض کنید داده‌های جوری حساسند که نمی‌شه سمت api call براشون رفت. ولی خب این جاها معدودند و فرصت کاری هم براشون کمتره.

- نکته آخری که تو چند تا کامنت دیده بودم این بود که خیلی‌ها از این ابراز ناله کرده بودند که LLM‌ها چون ساده هستند افراد غیر تکنیکال هوشی هم می‌فهمنشون و در عین حال ازش انتظار معجزه و جادو دارند و همین خیلی جاها باعث شده تا انتظارات از نیروهای دیتاساینتیست/هوشی بالا بره و نهایتا با همون افراد غیرهوشی جایگزین بشن.

لینک ردیت:
https://www.reddit.com/r/MachineLearning/comments/1h7jg87/dstuck_in_ai_hell_what_to_do_in_post_llm_world/

-

لایوبنچ با ساخت تسک و سوالات آپدیت سعی میکنه دقیق‌ترین بنچمارک رو از مدل‌ها بگیره، تا اینجا برنده هر بخش رو (بر اساس معیارهای لایوبنچ) مینویسم.
مجموع: o1-preview
کدنویسی: claude-3-5-sonnet
ریاضی: gemini-exp-1206 (جدید)
درک زبان: o1-preview
استدلال: o1-preview و o1-mini
تحلیل داده: o1-preview و gemini-exp-1206
https://livebench.ai/
@geekalerts

اگه دسترسی به api اوپن‌ای‌پی‌ای یا هرجای دیگه دارید میتونید از aider برای ساخت پروژه برنامه نویسی جدید استفاده کنید.
تجربه من این بود که تجربه کاربریش بد نبود و امکانات حداقلی رو داشت.
اما آیا کدی که می‌نویسه به درد هم میخوره؟ که پاسخ من اینه که فعلا خیر. (اما به ابزاره ربطی نداره)
https://github.com/Aider-AI/aider

اگه دوست دارید با لینوکس بیشتر آشنا بشین این ویدیو رو توصیه می‌کنم.

خیلی خلاصه و مختصر از تاریخچه تا فرق کرنل و یوزر اسپیس و جایگاه گنو و .. رو توضیح می‌ده.

https://www.youtube.com/watch?v=LKCVKw9CzFo

تصور کنید مدیر تیمی هستید و این جملات زیر رو از یکی از اعضای تیمتون می‌شنوید:

- توی code baseامون تعدادی بدهی فنی مهم داریم که روند توسعهٔ فیچرهامون رو کند کرده. من اون‌ها رو با نوشتن میزان اهمیت و پیچیدگی حلشون لیست کردم.
- هفتهٔ بعد که مرخصی هستی من دیلی‌ها رو برگزار می‌کنم.
- دیروز یک مشکلی توی منطق کد پیدا کردم و درستش کردم. این هم گزارش خسارت‌های احتمالیه که به وجود آورده.
- من علاقه‌مندم که کل هماهنگی‌های فیچر جدیدمون رو خودم پیش ببرم. صرفاً می‌خوام که بر روی کارم نظارت داشته باشی تا مسیر رو اشتباه نرم.

از جملات بالا چه حسی پیدا می‌کنید؟

همهٔ این‌ گزاره‌ها یک ویژگی یکسان دارن. فردی در تیم، بدون این که کسی بهش گفته باشه و مسئولیتی بهش دیکته شده باشه، باری رو از روی دوش مدیرش برداشته. مسئله رو خودش پیدا کرده، بهش فکر کرده و تا جای ممکن راه‌حل رو هم پیدا کرده و پیشنهاد داده. به عبارتی اون عضو تیم نسبت به پیش بردن پروژه و کارهای تیم حس ownership بالایی رو از خودش نشون داده.

همهٔ مدیرها آرزوی اون روزی رو دارن که همهٔ افراد تیم به همین شکل عمل کنن و منتظر این نباشن که مدیرشون همهٔ کارها رو بهشون دیکته کنه.
اما خیلی وقت‌ها این اتفاق رخ نمی‌ده. مدیرها بعضاً مجبور هستن برای پیش بردن کارها overwork کنن و حواسشون به همهٔ جوانب کار باشه. به مرور این احساس بهشون دست پیدا کنه که در این مسیر تنها هستن و افراد تا کاری بهشون سپرده نشه کارها رو پیش نمیبرن. پس با micro manage کردن کارها رو پیش می‌برن و به مرور هم خودش و هم افراد تیم حس بدتری پیدا کنن.

اما راه حل خارج شدن از این چرخهٔ باطل چیه؟ اگر جای اون مدیر باشید، چه راه‌حل‌‌هایی رو پیش می‌برید که افراد تیمتون حس ownership بالاتری رو داشته باشن؟

#ownership
@aminrbg

چرا کد پیچیده برای تمدن می‌تواند خطرناک باشد!
این ویدیو به پیچیده شدن کدها و نرم‌افزارها می‌پردازه و چند مثال می‌زنه که دانش خاصی که در انحصار عده محدودی بوده باعث از بین رفتن تمدن ها شده و نرم‌افزارهای باگی و پیچده امروز هم پتانسیل این رو دارن.


https://www.youtube.com/watch?v=ZSRHeXYDLko

کار کردن به عنوان مهندس نرم‌افزار چگونه است؟

اگه دنبال این هستین که آینده شغلیتون رو ارزیابی کنید، ببینید در طول روز قراره مشغول چیا باشید به عنوان مهندس نرم‌افزار (یا برنامه نویس) این ویدیو ایده‌ی خوبی میده.

https://www.youtube.com/watch?v=BOFK-W-Nmes


@terminal_stuff

اگه دوست داشتین موضوعی رو یاد بگیرید، این سایت برای خیلی از موضوعات کامپیوتری، منابع معرفی کرده. البته خیلی طبقه بندی شده و عالی نیست ولی می‌تونه همچنان کمک کننده باشه.

https://learn-anything.xyz

ارسالی:

یکی دیگه هم هست
https://learnxinyminutes.com/
یه چیت شیت عالی برای زبان یا تکنولوژی که تازه واردش شدی

جاواکارهای توی خونه، من یه سوال جاوا با موضوع thread و time طرح کردم برای مسابقه اخیر کوئرا که الان به بانک سوالات اضافه شده.
اگه دوست داشتین یه نگاهی بندازید بهش.
https://quera.org/problemset/268839

چطور با افزایش دیتا/لود دیتابیس همچنان حالشو خوب نگه داریم؟
https://virgool.io/@MohammadBohluli/%D8%AA%DA%A9%D9%87-%D8%AA%DA%A9%D9%87-%D8%A7%D9%85%D8%A7-%D9%82%D9%88%DB%8C-sharding-partitioning-%D9%88-replication%D9%82%D8%B3%D9%85%D8%AA-%D8%A2%D8%AE%D8%B1-%D8%A7%D8%B2-%D9%85%D9%81%D8%A7%D9%87%DB%8C%D9%85-%D8%AF%DB%8C%D8%AA%D8%A7%D8%A8%DB%8C%D8%B3-if7lvhwkjmnw

💥مجموعه مقاله های مفاهیم دیتابیس💥

سعی کردم تا جایی که جا داره مفاهیم رو ساده توضیح بدم و شک نکنید ازشون تو مصاحبه ها پرسیده میشه 🍻


✅ نبرد بین نظم و انعطاف (قسمت اول از مفاهیم دیتابیس)
👈🏻 کی به وجود اومدن؟
👈🏻 چرا به وجود اومدن؟
👈🏻 چه موقع از کدوم استفاده کنیم و چه موقع استفاده نکنیم؟
👈🏻 مزیت و معایبشون چیه؟ به درد چه پروژه هایی میخوره ؟
👈🏻 مقیاس پذیری افقی و عمودی چیه ؟


✅ وقتی جدول‌ها عاشق می‌شوند (قسمت دوم از مفاهیم دیتابیس)
👈🏻 کلید ها چی هستن و انواع شون ؟
👈🏻 انواع ریلیشن توی دیتابیس چطوری استفاده میشه؟
👈🏻 چه موقع از ON DELETE استفاده کنیم ؟


✅ دیتابیس بدون ایندکس، مثل کتابخانه بدون فهرست! (قسمت سوم از مفاهیم دیتابیس)
👈🏻 مفهوم ایندکس چیه؟ چه موقع استفاده کنیم چه موقع نکنیم ؟
👈🏻 انواع ایندکس کدوما هستن؟چطوری کار میکنن ؟
👈🏻 بررسی سه ساختار داده مهم ایندکس ها B-tree , Bitmap, hash table


✅ نرمال‌سازی دیتابیس: از آشفتگی تا آسودگی در چند مرحله ساده(قسمت چهارم از مفاهیم دیتابیس)
👈🏻 مفهوم نرمالایز چیه؟
👈🏻 سطوح نرمالایز کدوما هست ؟
👈🏻 معایبش چیه و چه موقع استفادش نکنیم ؟


✅ اسید: این بار نه شیمی، بلکه دیتابیس!(قسمت پنجم از مفاهیم دیتابیس)
👈🏻 اسید(ACID) در دیتابیس به چه معنیه؟
👈🏻 اگه ایزوله سازی رو رعایت نکنی چه مشکلاتی پیش میاد ؟ dirty read و phantom readو non-repeatable read چیا هستن ؟
👈🏻 چهار سطح ایزوله سازی کدوما هستن ؟


✅ تکه‌ تکه، اما قوی‌ : Sharding، Partitioning و Replication (قسمت آخر از مفاهیم دیتابیس)
👈🏻 رپلیکیشن، شاردینگ و پارتیشن چی هستن ؟
👈🏻 مزیت هرکدوم چیه ؟
👈🏻 چه موقع از کدوم استفاده کنیم ؟


@LearnByLearn

اگه میخواین یه جایگزین بهتر از rm داشته باشید توصیه من به شما rm improved یا همون rip هست.

هم امکان recyclebin رو داره (یا به قول خودشون graveyard) هم خیلی ساده و سرراسته.

https://github.com/nivekuil/rip

۲۰۲۵تون مبارک!
توصیه اخلاقی مرتبط هم بخوام بکنم: سال جدید چیزای بد زندگیتون رو حذف کنید :)))

If I was stranded on an island and the only way to get off the island was to make a pretty UI, I’d die there.

- Linus Torvalds

https://blog.ted.com/the-quotable-linus-torvalds-live-onstage-at-ted/

در مورد ری‌بیس (git rebase) یکی از بهترین آموزش‌هایی بود که دیدم. خیلی خوب توضیح داد و با عمق کافی هم پوشش داد به نظرم. کلا چنل دوست‌داشتنی‌ایه.

https://youtu.be/DkWDHzmMvyg?si=Zyl-RMPXRABZmsdq