☄️ در هفته های گذشته درگیر توسعه یک فیچر بودم و مجبور بودم روی کد های زیادی تغییرات ایجاد کنم و یا باگ هایی رو رفع کنم، در این بین یه سری پیشنهاد به نظرم رسید که وقتی میخوایم روی پروژه در یک شرکت بزرگ کار کنیم، خیلی خوب میشه که اونها رو رعایت کنیم.

✔️این قسمت پادکست در مورد اینه که چطور اسنادی رو آماده کنیم که برای توسعه و نگهداری محصول راه کمتری رو طی کنیم و سریع تر به مقصد برسیم !

00:52 سلام و معرفی
01:31 تشریح موضوع پادکست
02:34 اسناد مربوط به راه اندازی و تنظیمات اولیه
07:22 اسناد توسعه Feature
08:35 اسناد مربوط به پایش و رفع Bug
10:42 دو نکته مهم !

خوشحال میشم که این پادکست رو برای دوستانتون ارسال کنید.

📱 @Learning_With_M
🔗 https://academy.daneshpour.ir

#podcast #tech

جلسه بازاندیشی (Retrospective) در بهبود فرآیند توسعه محصول و بلوغ شیوه‌ همکاری ذینفعان، از اهمیت بسیار و نقش بی‌بدیلی برخوردار است. با این حال این پرسش اساسی مطرح است که آیا «شیوه‌ی مرسوم» برگزاری این جلسات، می‌تواند تاثیری پایدار، ملموس و سودمند داشته باشد؟

اگر چهارچوب‌های اسم و رسم‌دار چابکی را مرور کنید، خواهید دید که همگی شیوه‌ای یکسان را برای برگزاری این جلسه پیشنهاد کرده‌اند:

🔹در آغاز: اعضای تیم با همکاری یک تسهیل‌گر شروع به نوشتن اتفاقات و اقداماتی می‌کنند که به گمان آنها خوب و خوشحال‌کننده بوده‌اند و یا بد و آزاردهنده.

🔹در میانه: سعی می‌شود به شکلی دموکراتیک، برخی از موضوعات مطروحه، انتخاب و به بحث گذاشته شوند.

*🔹سرانجام: سعی می‌شود تا بر پایه توافقی جمعی (مبتنی بر آرای اکثریت*) برخی اقدامات که به گمان اعضای تیم باعث بهبود و رضایت می‌شود، انتخاب شوند و همگی متعهد به رعایت آنها شوند.

جلسه بازاندیشی با این سبک و سیاق را به دلایلی که در ادامه خواهم گفت، کم‌اثر می‌بینم و تجربه‌‌ام نشان داده که نقصی بزرگ در این شیوه از برگزاری رترو وجود دارد. هدف این نوشتار هم شرح آن کاستی بزرگ و پیشنهادی برای اصلاح آن است.

نظریه‌ی زمینه (Theory of Context) چیست؟
در حوزه جامعه‌شناسی، تصمیماتی که توسط بازیگران گرفته می‌شود، عموما به طور توامان به خشنودی جمعی و ناخشنودی جمعی دیگر منجر می‌شود. این تصمیمات که باعث اعطا یا سلب امتیاز به/از کسانی ‌می‌شود، ذیل سرفصل «سیاست‌گذاری عمومی» مطالعه می‌شود. از این منظر، جلسه بازاندیشی اسپرینت هم نوعی از سیاست‌گذاری عمومی است که می‌تواند با وضع قوانینی هر چند محلی و محدود باعث شود توزیع امکانات و اختیارات به شکلی انجام شود که عده‌ای رضایتمند و عده‌ای ناراضی شوند. مثلا در ساحت جامعه ایران، نهادی مسؤل در حاکمیت تصمیم می‌گیرد تا در قالب طرح جوانی جمعیت به والدینی که صاحب فرزند می‌شوند امتیاز خودرو اعطا شود. یا در مقیاسی خردتر، در یک تیم عده‌ای تصمیم می‌گیرند که برای افزایش انگیزه، ساعت‌هایی در هفته به مطالعه‌ی آزاد اختصاص یابد.

آن تصمیم هر چه که باشد و ساحت آن تصمیم‌گیری هر قدر کلان یا خرد باشد، آنچه که مهم است این است که تصمیم‌گیران کدام نظریه و نظام مفهومی را برای تحلیل وضع موجود و تبیین علل پیدایش آن برگزیده‌اند. آیا اصلا برای تصمیم‌گیران روشن است که در کدام چهارچوب مفهومی به زمینه‌ی پیدایش وضع موجود می‌نگرند؟ به عنوان مثال افرادی که فکر می‌کنند با اعطای امتیاز خرید خودرو، زوج‌ها را تشویق به فرزندآوری می‌کنند، اولا باید توضیح شفافی دهند که به نظر آنها وضعیت فعلی معلول چه عواملی است؟ شکل‌گیری رفتارها و روابط اجتماعی، فرهنگی و اقتصادی در طی زمان چگونه باعث شده است که رشد جمعیت این چنین شود؟ این همان نظریه‌ی زمینه است. نظریه‌ای که وظیفه‌اش ارایه شرحی روشن و عقلانی از علل پیدایش وضع موجود است. در نبود یک نظریه‌ی زمینه (TOC)، نمی‌توان گام بعدی یعنی ارایه مدلی برای تغییر را به درستی برداشت.

در مقیاس خردتر (مقیاس کار تیمی) هم، داشتن یک نظریه روشن از علل پیدایش وضع موجود نخستین گام برای رسیدن به بهبود پایدار است. مهم است که همه تصمیم‌گیران (اعضای تیم) به خصوص تسهیلگران، از ساختارهای رسمی و غیررسمی توزیع قدرت در سازمان، کنش‌های افراد و تیم‌های دیگر و ریشه‌های تاریخی شکل‌گیری گفتمان جاری در تیم آگاهی عمیقی داشته باشند. دست یافتن به این آگاهی، کار ساده‌ و سر راستی نیست اما این نباید باعث شود که تصمیم‌گیران از این آگاهی ارزشمند چشم‌پوشی کنند.

نظریه‌ی تغییر (Theory of Change) چیست؟
نظریه‌ی تغییر در کنار نظریه‌ی زمینه، یکی از پایه‌های اساسی تصمیم‌گیری و سیاست‌گذاری است. در حالی که نظریه‌ی زمینه به ما می‌گوید «چرا وضعیت موجود به این شکل درآمده است»، نظریه‌ی تغییر به این پرسش پاسخ می‌دهد که «چگونه می‌توان این وضعیت را تغییر داد؟» نظریه‌ی تغییر نمایانگر یک دستگاه فکری است که نشان می‌دهد برای رسیدن به یک هدف خاص، چه مداخله‌هایی باید انجام شود، چرا باید انجام شود و چه عوامل و شرایطی باید تغییر کنند تا آن هدف محقق شود.

یک نظریه‌ی تغییر مناسب، زنجیره‌ای از روابط علّی و معلولی را شرح می‌دهد که در نهایت به تغییر مطلوب منجر می‌شود. این نظریه نه‌ تنها نقطه‌ی نهایی مطلوب را مشخص می‌کند، بلکه مسیر دستیابی به آن را نیز با جزییات توضیح می‌دهد. این موضوع در حوزه‌ی سیاست‌گذاری عمومی، مدیریت سازمانی و حتی در سطح تیم‌های چابک اهمیت حیاتی دارد.

وضعیت دولوپر های این روزها:

تست نمی‌نویسم
تست نمی‌کنم
میره پروداکشن مشتری تست می‌کنه.

#حق

وقتی میگم اصالت داشته باشید دارم در مورد این صحبت می کنم :

استاد دانشگاه سر کلاس توی دوره E-commerce داره نصب Wordpress یاد میده !

اصالت در آموزش یکی از بنیادی ترین اصالت هاست به نظرم.

وقتی میگم اصیل باید بود این شکلیه.
حتی توی تبلیغات.

? رویداد Microsoft Ignite 2024 و آینده‌ی SQL Server

رویداد Microsoft Ignite یکی از مهم‌ترین رویدادهای سالانه مایکروسافته که تمرکز اصلیش روی ارائه آخرین نوآوری‌ها، تکنولوژی‌ها و پیشرفت‌های Azure و خدمات ابری، دیتابیس‌، DevOps، هوش مصنوعی و امنیته. رویداد امسال هم مثل چند سال گذشته که تب AI حسابی داغ بوده، کلی معرفی محصول روی هوش مصنوعی داره که از فردا شروع می‌شه. یکی از موضوعات مهمش هم AI برای SQL Server است.

? جلسه: The SQL Server roadmap: The next generation database AI platform
? چهارشنبه، ۲۰ نوامبر ساعت ۱۸ (به وقت تهران)
توی این جلسه قراره تا شاهد معرفی آخرین قابلیت‌های هوش مصنوعی که قراره در نسخه آینده‌ی SQL Server اضافه بشه باشیم. احتمالا متوجه می‌شیم که نسخه بعدی چیه و چه‌زمانی منتشر می‌شه، از طرف دیگه ابزارهای AI و ML که به صورت بومی توی Microsoft SQL Server و Azure SQL رونمایی می‌شن رو می‌بینیم. موضوعات جلسه:

- معرفی ‎AI-native capabilities که امکانات هوش مصنوعی رو به طور مستقیم در موتور SQL Server اضافه می‌کنه.
- پشتیبانی از مدل‌های ML: قابلیت اجرای مدل‌های ML از طریق T-SQL بدون نیاز به سرویس خارجی.
- بهبود ‎ AutoML integration از نظر عملکرد تحلیل داده و قابلیت‌های پیش‌بینی بدون نیاز به دانش عمیق از ML.

? ? ? حالا بد نیست یه نگاه به بازار دیتابیس‌های سنتی بندازیم و بررسی وضعیت AI توی دیتابیس‌های مختلف

نسخه فعلی ‌‎ Microsoft SQL Server
بهبود یکپارچگی با Python و R: نسخه‌های قبلی ابتدا R و بعدتر Python به SQL Server اضافه شدن و امکان اجرای اسکریپت‌های Python و R رو به همراه داده‌ها فراهم کرده شده بودن.

امکانات ML Services: سرویس‌های یادگیری ماشین توی SQL Server یکپارچه هستن تا مدل‌های ML به سادگی روی دیتابیس آموزش ببینن و اجرا بشن.

اتصال و ادغام با Azure AI: امکان اتصال و ادغام SQL Server با سرویس‌های Azure AI برای استفاده از مدل‌های آماده و از پیش آموزش‌دیده.

? دیتابیس سرور ‎Oracle Database 23ai
اوراکل به عنوان رقیب سنتی SQL Server توی نسخه 23 توجه ویژه‌ای به AI و ML داشت و عملا AI Vector Search رو هم به انجین آورد.

قابلیت In-database Machine Learning که مستقیماً توی دل دیتابیس انجین قرار داده باعث می‌شه بتونیم مدل‌های ML رو بدون انتقال داده به سرویس خارجی اجرا کنیم.

قابلیتAutoML هم به کاربر امکان پیدا کردن خودکار بهترین مدل‌ و تنظیمات رو برای داده‌های موجودش فراهم می‌کنه.

پشتیبانی از Python و SQLML: اوراکل هم از پایتون برای پیاده‌سازی مدل‌های ML پشتیبانی می‌کنه

? ۳: سرور ‎PostgreSQL
بین دیتابیس‌های کدباز PostgreSQL هم به عنوان انجین خوشنام و پیشرو، قابلیت‌های AI و ML رو از طریق افزونه‌ها و پلاگین‌ها فراهم می‌کنه:

- افزونه pgml: افزونه‌ای برای Machine Learning که امکان آموزش و اجرای مدل‌ها رو از دل دیتابیس فراهم می‌کنه.

- یکپارچگی Python integration) ‎PL/Python) امکان نوشتن توابع Python و اجرا در داخل PostgreSQL ممکن می‌کنه.

- پشتیبانی از ابزارهای محبوب ML مثل TensorFlow و Scikit-learn که از طریق Python در دسترسه.

? ۴: سرور ‎MySQL
MySQL با وجود محبوبیت زیاد، از لحاظ قابلیت‌های بومی AI و ML از رقبا عقب‌تره! که البته از Oracle جز این انتظار نمی‌ره! از روزی که MySQL کم‌توجه بوده بهش ?

✨ ✨ ?‍♂️ انتظارات از نسخه بعدی Microsoft SQL Server
با توجه به تمرکز مایکروسافت روی AI، می‌شه «حدس زد» که قابلیت‌های زیر در نسخه‌های آتی SQL Server اضافه بشه (فقط حدس منه، خبر نیست!):

- قابلیت AI-driven Query Optimization: استفاده از هوش مصنوعی برای بهبود عملکرد کوئری‌ها و کاهش زمان پاسخگویی.
- بهبود AutoML Integration: یکپارچگی بیشتر با سرویس‌های AutoML Azure و امکان آموزش مدل‌های پیچیده‌تر.
- اضافه شدن Native AI Functions: اضافه شدن توابع پیش‌فرض AI مثل توابع پیش‌بینی و دسته‌بندی به T-SQL.
- تمهیدات Data Privacy & AI: استفاده از AI برای تضمین امنیت و حریم خصوصی داده‌ها در دیتابیس.

?‍? نظر شما چیه؟ چهارشنبه این جلسه رو می‌بینید؟ کاربرد AI توی دیتابیس انجین براتون جذابیت/کاربرد داره؟

صفحه رسمی رویداد
صفحه رسمی جلسات رویداد Ignite 2024

✨ ‌‌‏DORA چیه؟ فریم‌ورک DORA که مختصر شده‌ی DevOps Research and Assessment است، یک فریم‌ورک برای تحقیق و ارزیابیه که تمرکزش روی بهبود مستمر تحویل نرم‌افزار در سازمان‌هاست. هدف DORA کمک به تیم‌ها و سازمان‌ها برای بهبود عملکرد و شناسایی نقاط ضعف فرآیند توسعه…

سلام،
این سوال رو خیلی از من پرسیده میشه، به خاطر همین تصمیم گرفتم با اجازه فرستنده سوال، یک بار پاسخ بهش بدم.

از نظر من، داشتن دانش توی هر زمینه ای بد نیست و حتما توی پیدا کردن کار کمک ما خواهد کرد. ولی نکته مهمی که دارم اینه که بیایم و یک تقسیم بندی خوب داشته باشیم.
تقسیم بندی ای که من پیشنهاد میدم شامل دو بخش کلی هست :
1. مفاهیم و ابزار های بنیادی.
این دسته از مفاهیم و ابزار ها مثل حروف الفبا، برای یادگیری هستند، بدون اونها توسعه دانش نه اینکه ممکن نباشه، ولی قطعا سخت خواهد بود. مثلا شما برای یادگیری ریاضیات مستقیما به زبان فارسی نیاز ندارید، ولی برای یادگیری بهتر مجبورید بخونید، پس به صورت غیر مستقیم به الفبای فارسی نیاز دارید. بخشی از مفاهیم و ابزار های که ما استفاده می کنیم از همین دسته هستند. مثلا :مفاهیم برنامه نویسی، OOP، git، الگوریتم ها، ساختمان داده ها، اصول اولیه پایگاه داده، اصول اولیه وب، اصول اولیه سیستم عامل و ... . به اعتقاد من هرچه قدر به این مفاهیم بیشتر مسلط بشید با تغییر تکنولوژی و ابزار ها غافلگیر نخواهید شد و به سرعت می تونید اونها رو یاد بگیرید.

2. ابزار ها، مفاهیم و فریم ورک های جانبی.
این دسته از ابزار ها و مفاهیم روی مفاهیم پایه و بنیادی شکل میگیرند و برای بهبود مشکلی راه حل جدیدی ارائه می‌دن، مثلا DDD برای حل آدرس کردن پیچیدگی در دامین پیچیده راه حل ارائه میده، یا Microservice ها، یکی از مشکلاتی رو که پاسخ می‌دن برای حل مقیاس پذیری هست.
دسته دوم خیلی تغییرات در اونها زیاده و همیشه یکی جدیدش داره میاد. مثلا فریم ورک ها و یا لایبرری هایی که روی JS معرفی میشن.

حالا بخوام جواب این دوستمون رو بدم، می‌گم که تلاش کنید تا بیشتر تایمتون رو روی مفاهیم و ابزار های بنیادی صرف کنید ولی از ابزار ها و مفایم جانبی هم غافل نشید. برای پیدا کردن کار توی شرکت های کوچک و متوسط شما کافیه نیاز رو درست درک کنید و با همون ابزار ها و مفایم پایه بهش پاسخ بدید.

آخرین نکته هم این که خبر خوب اینه که توی شرکت های بزرگ ها هم همین کار رو باید بکنید ! فقط درصدی هم ابزار ها و مفاهیم جانبی لازم میشه.
به صورت کلی منطقی هم هست، توی شرکت های کوچک اندازه محصول طوری نیست که لازم باشه شما با k8s به صورت حرفه ای کار کنید، شاید کلا اصلا وجود هم نداشته باشه. یا انقدر محصول بزرگ باشه که مقیاس پذیری مساله مهمی باشه.

راستش خودم بیشتر فکر می کنم که توی شرکت های بزرگ، مهندس نرم افزار خوب باید تمرکزش روی تولید محصولی باشه که در طول زمان قابل نگهداری باشه و بشه بهبودش داد، برای همین شاید تمرکز روی سادگی- هم در فکر کردن، هم در طراحی، هم در عملیات- یکی از مهمترین حوزه هایی هست که میتونید براش وقت خوبی صرف کنید.

ارادت.

پ.ن : شاید عنوان " ابزار ها، مفاهیم و فریم ورک های جانبی" خیلی دقیق و مناسب نباشه، ولی کلمه بهتری پیدا نکردم. اگر پیشنهادی داشتید خوشحال میشم مطرح کنید.