این روزها، در حالی که بسیاری از مردم ما در ایران درگیر ابتدایی‌ترین مسائل زیرساختی هستیم، از قطعی و…

معرفی رویدادHow to FAIL at AI Transformationدر سه جلسه گذشته، درباره تغییراتی که AI در فرایند توسعه نرم‌افزار، Harness Engineering و معماری نرم‌افزار ایجاد می‌کند صحبت کردیم.در جلسه چهارم، کمی از سطح کد و تیم فاصله می‌گیریم و به تصویر بزرگ‌تری نگاه می‌کنیم: این بار تمرکز ما روی تحول هوش مصنوعی در سازمان‌هاست؛ اینکه چرا بسیاری از پروژه‌های AI با وجود پایلوت‌های امیدوارکننده، به مقیاس و ارزش واقعی نمی‌رسند و انتخاب مسئله، داده، فرایندها، سنجه‌ها، فرهنگ سازمانی و حاکمیت چه نقشی در موفقیت یا شکست آن‌ها دارند.📅 تاریخ: جمعه ۳۰ مرداد🕢 ساعت: ۱۹:۳۰ به‌وقت ایران🎙️ با حضور: اسد صفری و ابراهیم نبیئی، مدیر ارشد فناوری گروه علی‌بابااین رویداد آنلاین و رایگان است.لینک ثبت‌نام:luma.com/ox3xuv0a

جمعه‌ی گذشته در سومین جلسه‌ی AI-Native Engineering درباره‌ی معماری نرم‌افزار و تأثیر ایجنت‌های هوش مصنوعی بر تصمیم‌های معماری گفت‌وگو کردیم.ویدیوی کامل جلسه را در یوتیوب میتوانید مشاهده کنید:🎥 youtu.be/eJLcg3WrJpo

معرفی رویداد 🚀 AI-Native Engineering and the Future of Software Developmentاین بار تمرکز ما روی معماری نرم افزار است؛ اینکه وقتی ایجنت‌ها شروع به نوشتن، تغییر دادن و بازبینی کد می‌کنند، معماری نرم‌افزار چطور باید تغییر کند یا نقش این معماری در بهینه سازی خروجی چیست؟ 📅 تاریخ: جمعه ۲۶ تیرماه🕢 ساعت: ۱۹:۳۰ به وقت تهران🎙️ با حضور: اسد صفری، هادی احمدی و رضا جان‌محمدیاین رویداد آنلاین و رایگان است.لینک ثبت نام: luma.com/fh7ksh44

ویدیوی جلسه دوم AI-Native Engineering منتشر شد.در این گفت‌وگو درباره‌ی Harness Engineering و نقش آن در ساخت Agent هوش مصنوعی قابل‌اعتماد، قابل‌کنترل و هماهنگ با معماری سیستم صحبت کردیم.🎥 ویدیوی کامل: youtu.be/ZpAPYZE9Uhs

چی باید بسازم تا مشتری آن را دوست داشته باشد؟ ایده خوب از کجا بیاورم؟ هر فناوری جدیدی که فراگیر می‌شود، امکان‌هایی را پدید می‌آورد که تا پیش از آن، دور از ذهن بودند. به روزی فکر کنید که اینترنت پرسرعت هنوز به خانه‌هایمان نرسیده بود؛ در آن دوران، ایده‌هایی مانند یوتیوب یا نتفلیکس به سختی قابل تصور بودند. اما با فراگیر شدن و ارزان شدن آن، بستری برای خلق ایده‌هایی فراهم شد که جهان را تغییر دادند.امروز، ما در آستانه‌ی یک تحول مشابه ایستاده‌ایم. هوش مصنوعی (Generative AI) دیگر یک مفهوم تخصصی و دور از دسترس نیست؛ ابزاری است که به صورت گسترده در اختیار عموم قرار گرفته است. گفته می‌شود همین امروز بیش از نیمی از محتوای تولید شده در لینکدین، با هوش مصنوعی است. امروز حتی کاربرانی که تخصص بالایی ندارند، با استفاده از این ابزارها به سادگی متن، تصویر، ویدیو و حتی کد تولید می‌کنند.اما بیایید یک قدم به عقب برگردیم و به پیامدهای این ماجرا فکر کنیم.تولید، به شدت ارزان و در دسترس همگان شده است. این یعنی حجم تولیدات دیجیتال به شکلی انفجاری در حال افزایش است. اما آیا در سمت مصرف‌کننده، اشتیاق و توجه کافی برای این حجم از تولیدات وجود دارد؟ واقعیت این است که این فراوانی، بیش از آنکه برای مخاطب جذاب باشد، برای تولیدکننده وسوسه‌انگیز است. این «کالایی شدنِ» تولید، باعث شده محصولات دیجیتال به صورت فله‌ای و بدون توجه به نیاز واقعی کاربر ساخته شوند.به عبارت دیگر، چالش اصلی تغییر کرده است. اگر در گذشته مشکل این بود که «ایده‌ای دارم اما نمی‌دانم چطور آن را بسازم»، امروز مشکل این است که «می‌توانم هر چیزی بسازم، اما نمی‌دانم چه چیزی ارزش ساختن دارد» یا «محصولات زیادی ساخته‌ام، اما کسی از آن‌ها استقبال نمی‌کند».درست همین‌جاست که نقش «مدیریت محصول»، به خصوص با رویکرد «چابک» (Agile)، حیاتی می‌شود. مدیریت محصول چابک، که بر پایه‌ی دریافت بازخورد سریع از کاربر بنا شده، به دو پرسش کلیدی این دوران پاسخ می‌دهد: «چه چیزی بسازیم؟» و مهم‌تر از آن، «چرا؟»این مهارت، امروز بیش از هر زمان دیگری اهمیت دارد. زیرا اگر این مهارت در کنار سرعت بالای تولید با هوش مصنوعی قرار نگیرد، نتیجه‌ای جز تولید انبوه «زباله‌های دیجیتال» نخواهد داشت.اگر این چالش برای شما هم جذاب و مهم است، پیشنهاد می‌کنیم در کارگاه «مدیریت محصول چابک» شرکت کنید. در این دوره، به طور عمیق به این موضوع و راهکارهای مقابله با آن خواهیم پرداخت.

جواب درست به سوال: «کِی این پروژه تمام می‌شود؟»به عنوان یک Agile Delivery Manager یا اسکرام مستر یا مدیر پروژه، شما با یک سؤال همیشگی و کلیدی سر و کار دارید: « این کار یا پروژه کِی تمام می‌شود؟»اولین چیزی که معمولا به ذهن همه ما میرسد این است که: حجم کار باقی مانده در بک لاگ محصول را بر میانگین velocity تقسیم کنیم و یک تاریخ قطعی ارائه می‌دهیم. مثلا: «بر اساس میانگین ۲۰ story point در هر اسپرینت، این پروژه ۱۰۰ پوینتی در ۵ اسپرینت تمام می‌شود.» و درست در همین لحظه، واقعیت از راه می‌رسد. یک برنامه نویس کلیدی بیمار می‌شود. یک باگ غیرمنتظره خودش را نشان می‌دهد. یکی از نیازمندی‌ها پیچیده‌تر از چیزی بود که فکر می‌کردیم. ناگهان، پیش‌بینی «۵ اسپرینتی» ما، بیشتر شبیه یک حدس خوش‌بینانه به نظر می‌رسد تا یک تخمین مبتنی بر داده که حالا باید پاسخگوی آن نیز باشیم.مشکل اینجاست که تخمین تک‌نقطه‌ای (single-point estimate) اکثرا به ما دروغ می‌گویند. این نوع تخمین زدن، مهم‌ترین واقعیت کار ما را نادیده می‌گیرد: تغییرپذیری .اما اگر راه بهتری وجود داشته باشد چه؟ ادامه مطلب در لین لینک