Forwarded from DevTwitter | توییت برنامه نویسی
چندسال پیش شرکتی دیدم سرورها رو با FreeBSD آورده بالا. گفتم چه کارییه Ubuntu بریزید که همه قلقش رو بلدن همون کارایی هم داره. چندتا لفظ اومد که فیلان بهمان داره و امنتره و اینا. استفاده از تکنولوژی که طرف صرفا احساس عقل کل بودن و خاص بکنه و امکان جایگزین شدنش رو پایین بیاره.
<Nima Thr/>
@DevTwitter
<Nima Thr/>
@DevTwitter
Forwarded from دستاوردهای یادگیری عمیق(InTec)
#تجربه
وقتی هوش مصنوعی رو درست و مفهومی یاد گرفتی!
چند هفته قبل شرکت رقیب یک فیچر جدید داده بود که برای مشتریهاش یک سری سایتهای خاص رو کرال میکرد (حدوداً ۵۰۰ تا) و گزارشات در لحظه و دقیقی رو ارائه میداد.
برای این فیچر، یک مبلغ خوبی هم ماهانه بیشتر داشت میگرفت از یوزرهاش؛ یکی از شرکتهایی که مشتری ما هست درخواست این ویژگی رو بهمون داد و گفت کاملاً بهش نیاز دارند، چون خیلی از کارهاشون سادهتر میشه و گفت اگر حدوداً تا ۳ ماه دیگه هم راه بیوفته خوشحال هستند.
بخش کرال کردن رو ما کلی پروژه براش داشتیم؛ و اصلا چیز سختی نیست؛ به کمک الگوریتم BFS هم ۵۰۰ تا سایت رو تک تک میتونستیم بریم جلو اما توی حل مسئله به چندتا چالش خوردیم:
۱- جایی که دامنه عوض میشد باید چک کنیم اگر موضوع سایت بدردمون نمیخوره حذفش کنیم و کرالش نکنیم دیگه.
۲- صفحات کرال شده رو دیگه کرال نکنیم
۳- صفحات عمومی سایتها که اطلاعات مورد نیاز مارو ندارند حذف کنیم تا توی کرالهای بعدی دیگه سراغشون نریم.
۴- این صفحات کلی کرال شده رو، اطلاعات رو از داخلش در بیاریم که JSON بگیریم ازش و بتونیم گزارش تحویل بدیم (۳ تا گزارش تو اولویت هست برامون)
دو هفته وقت گذاشتیم؛ هفته اول ۳۰ تا کارمند شرکت بعد از تایم ناهار و قبل از اینکه کارهای خودشون رو دوباره شروع کنند یک سری دیتا رو لیبل زدند (روز اول ابزار براشون ساختیم)
هر نفر حداقل ۱۰۰ تا ولی اینقدر سریع بود، که بعضیها ۲۰۰ تا هم زده بودند.
توی این ۱ هفته با دیتای ماک شده؛ گزارشات رو آماده کردیم (۶ مورد) و بعد کوچکترین LLM با نتایج خوب (SmolLm تو کانال معرفی کردم و روی ollama هم بردیم باهم، آموزشش توی پستهای قبلی هست) رو روی اونها finetune کردیم شد چیزی که میخوایم
دیتای کرال شده و درحال کرال رو دادیم به این مدل و هر روز خروجیها رو validate کردیم؛ بعد از اضافه کردن دیتای بیشتر برای مواردی که اشتباه میکرد، به دقت بالای ۹۵٪ رسیدیم و برای بعضی مشتریها این فیچر رو لانچ کردیم.
همه راضی بودند؛ چون :
۱- فیچر رو رایگان اضافه کردیم، به شرطی که فیدبک بدند بهمون.
۲- فیدبکهای منفی رو برای بهبود مدل استفاده میکنیم.
درنهایت هم قراره البته فیچرها رایگان بمونه؛ چون هزینه زیادی برای توسعه نداشت برامون!
ولی کاری که تیم رقیب با ۵-۶ ماه توسعه کد ارائه داده با استفاده درست از هوش مصنوعی توی ۲ هفته ارائه شد.
شرکت رقیب، ۱۰ تا ابزار هوش مصنوعی روی پروژهاش گذاشته که فقط هزینههاش میره بالا و این تنها فیچر روی این پروژه ما هست که هوش مصنوعی توش دخیل هست.
هوش مصنوعی رو فقط وقتی استفاده میکنیم که ارزش ایجاد میکنه.
پ.ن:
تیمی که این کار رو کرد (چون خودم کد نمیزنم) فقط ۳ نفر بود، من فقط لید بودم! برای بررسی و استاندارد سازی و ....
وقتی هوش مصنوعی رو درست و مفهومی یاد گرفتی!
چند هفته قبل شرکت رقیب یک فیچر جدید داده بود که برای مشتریهاش یک سری سایتهای خاص رو کرال میکرد (حدوداً ۵۰۰ تا) و گزارشات در لحظه و دقیقی رو ارائه میداد.
برای این فیچر، یک مبلغ خوبی هم ماهانه بیشتر داشت میگرفت از یوزرهاش؛ یکی از شرکتهایی که مشتری ما هست درخواست این ویژگی رو بهمون داد و گفت کاملاً بهش نیاز دارند، چون خیلی از کارهاشون سادهتر میشه و گفت اگر حدوداً تا ۳ ماه دیگه هم راه بیوفته خوشحال هستند.
بخش کرال کردن رو ما کلی پروژه براش داشتیم؛ و اصلا چیز سختی نیست؛ به کمک الگوریتم BFS هم ۵۰۰ تا سایت رو تک تک میتونستیم بریم جلو اما توی حل مسئله به چندتا چالش خوردیم:
۱- جایی که دامنه عوض میشد باید چک کنیم اگر موضوع سایت بدردمون نمیخوره حذفش کنیم و کرالش نکنیم دیگه.
۲- صفحات کرال شده رو دیگه کرال نکنیم
۳- صفحات عمومی سایتها که اطلاعات مورد نیاز مارو ندارند حذف کنیم تا توی کرالهای بعدی دیگه سراغشون نریم.
۴- این صفحات کلی کرال شده رو، اطلاعات رو از داخلش در بیاریم که JSON بگیریم ازش و بتونیم گزارش تحویل بدیم (۳ تا گزارش تو اولویت هست برامون)
دو هفته وقت گذاشتیم؛ هفته اول ۳۰ تا کارمند شرکت بعد از تایم ناهار و قبل از اینکه کارهای خودشون رو دوباره شروع کنند یک سری دیتا رو لیبل زدند (روز اول ابزار براشون ساختیم)
هر نفر حداقل ۱۰۰ تا ولی اینقدر سریع بود، که بعضیها ۲۰۰ تا هم زده بودند.
توی این ۱ هفته با دیتای ماک شده؛ گزارشات رو آماده کردیم (۶ مورد) و بعد کوچکترین LLM با نتایج خوب (SmolLm تو کانال معرفی کردم و روی ollama هم بردیم باهم، آموزشش توی پستهای قبلی هست) رو روی اونها finetune کردیم شد چیزی که میخوایم
Named Entity Recognition دیتای کرال شده و درحال کرال رو دادیم به این مدل و هر روز خروجیها رو validate کردیم؛ بعد از اضافه کردن دیتای بیشتر برای مواردی که اشتباه میکرد، به دقت بالای ۹۵٪ رسیدیم و برای بعضی مشتریها این فیچر رو لانچ کردیم.
همه راضی بودند؛ چون :
۱- فیچر رو رایگان اضافه کردیم، به شرطی که فیدبک بدند بهمون.
۲- فیدبکهای منفی رو برای بهبود مدل استفاده میکنیم.
درنهایت هم قراره البته فیچرها رایگان بمونه؛ چون هزینه زیادی برای توسعه نداشت برامون!
ولی کاری که تیم رقیب با ۵-۶ ماه توسعه کد ارائه داده با استفاده درست از هوش مصنوعی توی ۲ هفته ارائه شد.
شرکت رقیب، ۱۰ تا ابزار هوش مصنوعی روی پروژهاش گذاشته که فقط هزینههاش میره بالا و این تنها فیچر روی این پروژه ما هست که هوش مصنوعی توش دخیل هست.
هوش مصنوعی رو فقط وقتی استفاده میکنیم که ارزش ایجاد میکنه.
پ.ن:
تیمی که این کار رو کرد (چون خودم کد نمیزنم) فقط ۳ نفر بود، من فقط لید بودم! برای بررسی و استاندارد سازی و ....
Forwarded from DevTwitter | توییت برنامه نویسی
به نظرتون برنامه نویسی پروژه ای که ۱۰ روز برای انجامش زمان داده باشم میشه تو ۳۶ ساعت تمومش کرد ؟؟؟ ( با در نظر گرفتن اینکه ۹۰ درصد کار باقی مانده است )
من الان تو همچین وضعیتیم
بریم ببینیم موفقیت آمیز میشه یا نه !!!
<Kourosh Sedigh/>
@DevTwitter
من الان تو همچین وضعیتیم
بریم ببینیم موفقیت آمیز میشه یا نه !!!
<Kourosh Sedigh/>
@DevTwitter
Forwarded from DevTwitter | توییت برنامه نویسی
استفاده از کلمهی yield به عنوان یک keyword توی جاوا واسه من یکم عجیب به نظر میاد.
این که مفهومش چیه و واسه چی استفاده میشه به کنار، ولی احساس میکنم جزو لغاتی محسوب میشه که برنامهنویس ها تو نوشتنش اشتباه میکنن و دچار غلط املایی میشن (البته با حضور IDE ها شاید زیاد مهم نباشه)
Elyas 'Eloy' Hadizadeh Tasbiti/>
@DevTwitter
این که مفهومش چیه و واسه چی استفاده میشه به کنار، ولی احساس میکنم جزو لغاتی محسوب میشه که برنامهنویس ها تو نوشتنش اشتباه میکنن و دچار غلط املایی میشن (البته با حضور IDE ها شاید زیاد مهم نباشه)
Elyas 'Eloy' Hadizadeh Tasbiti/>
@DevTwitter
Forwarded from DevTwitter | توییت برنامه نویسی
فرانت اند کار های تازه کار که مشکل عدم خلاقیت و نداشتن ایده دارن این سایت خیلی طرح های باحال و خفنی داره میتونید ایده برداری کنید محتوای سایت هم کپی رایت نداره میتونید از عکس ها و آیکن هاش استفاده کنید
dribbble.com
<Rateb Özil/>
@DevTwitter
dribbble.com
<Rateb Özil/>
@DevTwitter
Forwarded from DevTwitter | توییت برنامه نویسی
Forwarded from DevTwitter | توییت برنامه نویسی
یادش بخیر موقع برنامه نویسی یه ردبول میخوردیم.
یجوری گرون شد الان چایی رو ترجیح میدیم.
<یوسِفَم/>
@DevTwitter
یجوری گرون شد الان چایی رو ترجیح میدیم.
<یوسِفَم/>
@DevTwitter
Forwarded from DevTwitter | توییت برنامه نویسی
این محسن مدحج میخواد سوابق برنامهنویسی خودشو شرح بده میگه استاد و رئیس دانشگاه بودم اتفاقا چون استاد و رئیس دانشگاه بودی میگیم بیسوادی.
<Ezio auditor/>
@DevTwitter
<Ezio auditor/>
@DevTwitter
Forwarded from محتوای آزاد سهراب
Digiato | دیجیاتو
Forwarded from Software Engineer Labdon
پایان استقلال گیتهاب؛ مایکروسافت همهچیز را میبلعد!
▪️گیتهاب، بزرگترین مخزن کد جهان و خانه میلیونها توسعهدهنده، بعد از استعفای مدیرعاملش دیگه مستقل نیست! مایکروسافت رسماً این پلتفرم محبوب رو قورت داد و انداختش وسط تیم Core AI خودش.
▪️«توماس دومکه» مدیرعامل گیتهاب گفت تا آخر امسال میره دنبال استارتاپ جدیدش، اما درست بعد از اعلام رفتنش، خبر اومد که گیتهاب از این به بعد بخشی از پروژههای AI مایکروسافته؛ یعنی همه راهها مستقیم میره سمت GitHub Copilot...
+ اما برنامهنویس ها نگرانن همون بلایی که سر اسکایپ اومد سر گیتهاب هم بیاد!
▪️گیتهاب، بزرگترین مخزن کد جهان و خانه میلیونها توسعهدهنده، بعد از استعفای مدیرعاملش دیگه مستقل نیست! مایکروسافت رسماً این پلتفرم محبوب رو قورت داد و انداختش وسط تیم Core AI خودش.
▪️«توماس دومکه» مدیرعامل گیتهاب گفت تا آخر امسال میره دنبال استارتاپ جدیدش، اما درست بعد از اعلام رفتنش، خبر اومد که گیتهاب از این به بعد بخشی از پروژههای AI مایکروسافته؛ یعنی همه راهها مستقیم میره سمت GitHub Copilot...
+ اما برنامهنویس ها نگرانن همون بلایی که سر اسکایپ اومد سر گیتهاب هم بیاد!
Forwarded from Abolfazl Devs (Abolfazl)
تو لاراول، اگه روابط یه مدل رو با with گرفتی ( eager loading) برای چک کردن اینکه اون رابطه اصلا رکوردی براش هست یا نه، بجای استفاده از exists روی رابطه، بهتره که از isNotEmpty استفاده کنی، چون استفاده از exists یه کوئری اضافی به دیتابیس میزنه و خب بهینه نیست!
📌 @abolfazl_devs
📌 @abolfazl_devs
Forwarded from Linuxor ?
آموزش آنلاین یادگیری جاوا اسکریپت از پایه همراه با تست کد، آخر هر قسمت آموزش هم یه عده اومدن کامنت گذاشتن و ابهام هارو رفع کردن
خود آموزش هم اوپن سورسه یعنی با مشارکت یه تعداد زیادی جاوا اسکریپت کار ساخته شده.
javascript.info
@Linuxor
خود آموزش هم اوپن سورسه یعنی با مشارکت یه تعداد زیادی جاوا اسکریپت کار ساخته شده.
javascript.info
@Linuxor
Forwarded from Linuxor ?
فایل hosts یه دفترچه تلفنه که سیستمتون برای پیدا کردن آیپی یه دامین قبل از مراجعه به DNS میره اونو چک میکنه برنامه نویس ها خیلی ازش استفاده میکنن، ولی تغییر دادنش از ترمینال هر روز خیلی کسل کننده ایه، این ابزار گرافیکی این کارو براتون با یه کلیک میکنه
نصب نسخه لینوکس، ویندوز و مک :
github.com/oldj/SwitchHosts
@Linuxor
نصب نسخه لینوکس، ویندوز و مک :
github.com/oldj/SwitchHosts
@Linuxor
Forwarded from Geek Alerts
کلود آنتروپیک سونت ۴ الان از یه پنجره زمینه یک میلیون توکنی پشتیبانی میکنه که ۵ برابر قبل هست، یعنی حدودا ۷۵۰ هزار کلمه یا ۷۵ هزار خط کد رو میشه همزمان بهش داد.
یه چیزی که میگن اینه که فقط روی context window (پنجره زمینه) کار نکردن و تمرکزشون بیشتر روی پنجره زمینه موثر بوده. نتایج تستها هم میگه توی تحلیل متون طولانی از بیشتر مدلهای دیگه سریعتر عمل کرده.
برای درخواستهای بالای ۲۰۰ هزار توکن، قیمتگذاری جدیدی دارن که گرونتر هست ولی میشه با کش کردن و پردازش دستهای هزینهرو کمتر کرد. [L]
🤓 @geekalerts
یه چیزی که میگن اینه که فقط روی context window (پنجره زمینه) کار نکردن و تمرکزشون بیشتر روی پنجره زمینه موثر بوده. نتایج تستها هم میگه توی تحلیل متون طولانی از بیشتر مدلهای دیگه سریعتر عمل کرده.
برای درخواستهای بالای ۲۰۰ هزار توکن، قیمتگذاری جدیدی دارن که گرونتر هست ولی میشه با کش کردن و پردازش دستهای هزینهرو کمتر کرد. [L]
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from AI Labdon
یک مثال شبیه به تستهای SWE-bench Verified می زنیم تا تفاوت رو بین سه مدل Claude Opus 4.1**، **Claude Sonnet 4 و Claude Haiku 3.5 ببینیم.
---
📌 سناریو
پروژه: یک سیستم مدیریت سفارش ساده (Python)
مشکل: یک تابع برای محاسبه قیمت کل سفارش نوشته شده، ولی تخفیف بهدرستی اعمال نمیشود.
کد اولیه (دارای باگ):
هدف:
* تخفیف باید بر اساس درصد اعمال شود، نه کم کردن مستقیم عدد از مبلغ کل.
* باید اطمینان حاصل شود که نتیجه کمتر از صفر نشود.
---
🔍 خروجی مدلها
ا Opus 4.1 (قدرت استدلال بالا)
✅ تغییرات:
* استفاده از comprehension برای خوانایی.
* محاسبه تخفیف بهصورت درصدی.
* جلوگیری از منفی شدن قیمت.
* گرد کردن به دو رقم اعشار (برای واحد پولی).
---
ا Sonnet 4 (تعادل سرعت و کیفیت)
✅ تغییرات:
* درست کردن محاسبه تخفیف.
* جلوگیری از عدد منفی.
⚠️ کمی کمتر از Opus در توجه به جزئیات (مثلاً گرد کردن و Docstring بهبود یافته).
---
ا Haiku 3.5 (سریع ولی سادهتر)
✅ تغییرات:
* محاسبه درست تخفیف.
⚠️ اما:
* حفاظت در برابر منفی شدن قیمت را اضافه نکرده.
* بهینهسازی یا بهبود ساختار کد انجام نداده.
---
📊 نتیجهگیری
| مدل | کیفیت کد | توجه به جزئیات | سرعت |
| ------------- | --------- | ---------------- | ---------- |
| Opus 4.1 | عالی | بسیار بالا | متوسط |
| Sonnet 4 | خوب | متوسط رو به بالا | سریعتر |
| Haiku 3.5 | قابل قبول | پایین | بسیار سریع |
---
📌 سناریو
پروژه: یک سیستم مدیریت سفارش ساده (Python)
مشکل: یک تابع برای محاسبه قیمت کل سفارش نوشته شده، ولی تخفیف بهدرستی اعمال نمیشود.
کد اولیه (دارای باگ):
def calculate_total_price(items, discount_percentage):
"""
items: list of tuples (price, quantity)
discount_percentage: float between 0 and 100
"""
total = 0
for price, qty in items:
total += price * qty
total -= discount_percentage
return total
هدف:
* تخفیف باید بر اساس درصد اعمال شود، نه کم کردن مستقیم عدد از مبلغ کل.
* باید اطمینان حاصل شود که نتیجه کمتر از صفر نشود.
---
🔍 خروجی مدلها
ا Opus 4.1 (قدرت استدلال بالا)
def calculate_total_price(items, discount_percentage):
"""
items: list of tuples (price, quantity)
discount_percentage: float between 0 and 100
"""
total = sum(price * qty for price, qty in items)
discount_amount = total * (discount_percentage / 100)
final_total = max(total - discount_amount, 0)
return round(final_total, 2)
✅ تغییرات:
* استفاده از comprehension برای خوانایی.
* محاسبه تخفیف بهصورت درصدی.
* جلوگیری از منفی شدن قیمت.
* گرد کردن به دو رقم اعشار (برای واحد پولی).
---
ا Sonnet 4 (تعادل سرعت و کیفیت)
def calculate_total_price(items, discount_percentage):
total = sum(price * qty for price, qty in items)
discount = total * (discount_percentage / 100)
return max(total - discount, 0)
✅ تغییرات:
* درست کردن محاسبه تخفیف.
* جلوگیری از عدد منفی.
⚠️ کمی کمتر از Opus در توجه به جزئیات (مثلاً گرد کردن و Docstring بهبود یافته).
---
ا Haiku 3.5 (سریع ولی سادهتر)
def calculate_total_price(items, discount_percentage):
total = 0
for price, qty in items:
total += price * qty
return total - (total * discount_percentage / 100)
✅ تغییرات:
* محاسبه درست تخفیف.
⚠️ اما:
* حفاظت در برابر منفی شدن قیمت را اضافه نکرده.
* بهینهسازی یا بهبود ساختار کد انجام نداده.
---
📊 نتیجهگیری
| مدل | کیفیت کد | توجه به جزئیات | سرعت |
| ------------- | --------- | ---------------- | ---------- |
| Opus 4.1 | عالی | بسیار بالا | متوسط |
| Sonnet 4 | خوب | متوسط رو به بالا | سریعتر |
| Haiku 3.5 | قابل قبول | پایین | بسیار سریع |
Forwarded from linuxtnt(linux tips and tricks) (hosein seilany https://seilany.ir/)
انتشار نسخه آزمایشی پایتون ۳.۱۴:
کد سریعتر، همروندی هوشمندتر
۱. پایتون ۳.۱۴ به نسخه آزمایشی (RC) رسید:
نسخه نهایی در ۷ اکتبر ۲۰۲۵ منتشر میشود.
بهبودهای کلیدی:
حذف GIL برای همروندی بهتر و اجرای موازی واقعی.
تایپهینتهای کارآمدتر با ارزیابی تأخیری.
رشتههای قالبی (t-strings) برای پردازش سفارشی متن.
پشتیبانی از مفسرهای چندگانه برای استفاده بهتر از پردازندههای چند هستهای.
ماژول جدید compression.zstd برای فشردهسازی Zstandard.
۲. بهبودهای ابزارها و کتابخانهها:
نسخه PyPy 7.3.20: رفع باگها و سازگاری با Cython.
نسخه scikit-learn 1.7: بهبودهای بصری و اعتبارسنجی.
نسخه NumPy 2.3.2: پشتیبانی از پایتون ۳.۱۴.
نسخه Django 5.2.4: انتشار رفع باگ.
نسخه Textual 5.0.0: پیشرفت در پردازش Markdown.
جشن ۲۰ سالگی جنگو!
کنفرانس EuroPython در پراگ برگزار شد.
کد سریعتر، همروندی هوشمندتر
۱. پایتون ۳.۱۴ به نسخه آزمایشی (RC) رسید:
نسخه نهایی در ۷ اکتبر ۲۰۲۵ منتشر میشود.
بهبودهای کلیدی:
حذف GIL برای همروندی بهتر و اجرای موازی واقعی.
تایپهینتهای کارآمدتر با ارزیابی تأخیری.
رشتههای قالبی (t-strings) برای پردازش سفارشی متن.
پشتیبانی از مفسرهای چندگانه برای استفاده بهتر از پردازندههای چند هستهای.
ماژول جدید compression.zstd برای فشردهسازی Zstandard.
۲. بهبودهای ابزارها و کتابخانهها:
نسخه PyPy 7.3.20: رفع باگها و سازگاری با Cython.
نسخه scikit-learn 1.7: بهبودهای بصری و اعتبارسنجی.
نسخه NumPy 2.3.2: پشتیبانی از پایتون ۳.۱۴.
نسخه Django 5.2.4: انتشار رفع باگ.
نسخه Textual 5.0.0: پیشرفت در پردازش Markdown.
جشن ۲۰ سالگی جنگو!
کنفرانس EuroPython در پراگ برگزار شد.
Forwarded from tiivik️
پروژه امنیتی AudioChum Voice Restore بهبود خودکار کیفیت ضبطهای صوتی این سرویس با حذف نویزها (مثل صدای پسزمینه یا باد)، کاهش اعوجاج و رفع سایر مشکلات، صدا را شفاف و باکیفیتتر میکند.
🆔@tiivik
🆔@tiivik
Forwarded from Geek Alerts
پرپلکسیتی پیشنهاد داده که اگه مرورگر کروم فروخته بشه اون رو ۳۴.۵ میلیارد دلار میخره، از نکته عجیب این پیشنهاد که رقمش از ارزش خود پرپلکسیتی بیشتر هست اگه بگذریم دلیلش اینه که ممکنه وزارت دادگستری آمریکا گوگل رو مجبور کنه که مرورگر کروم رو بفروشه.
دادگستری آمریکا میگه هدفش برای رفع انحصارطلبی گوگل هست و گوگل هم میگه این کار یک اقدام افراطی به حساب میاد. کاربرها هم نسبت به فروش مرورگر کروم حس خوبی ندارن و میگن احتمالا اگه این مرورگر فروخته بشه بخشهای تبلیغاتی زیادی پیدا میکنه و احتمالا دیگه خبری از سرمایه زیاد برای توسعه مرورگر هم نباشه.
مرورگر کروم با داشتن ۳.۵ میلیارد کاربر الان ۶۰ درصد کل بازار مرورگرهارو داره، تخمین زدن ارزشش ۲۰ تا ۵۰ میلیارد دلاره و همین باعث شده پرپلکسیتی یه قیمت پیشنهادی براش بده و گفته این پول رو از طریق سرمایهگذارها پرداخت میکنه. [L]
🤓 @geekalerts
دادگستری آمریکا میگه هدفش برای رفع انحصارطلبی گوگل هست و گوگل هم میگه این کار یک اقدام افراطی به حساب میاد. کاربرها هم نسبت به فروش مرورگر کروم حس خوبی ندارن و میگن احتمالا اگه این مرورگر فروخته بشه بخشهای تبلیغاتی زیادی پیدا میکنه و احتمالا دیگه خبری از سرمایه زیاد برای توسعه مرورگر هم نباشه.
مرورگر کروم با داشتن ۳.۵ میلیارد کاربر الان ۶۰ درصد کل بازار مرورگرهارو داره، تخمین زدن ارزشش ۲۰ تا ۵۰ میلیارد دلاره و همین باعث شده پرپلکسیتی یه قیمت پیشنهادی براش بده و گفته این پول رو از طریق سرمایهگذارها پرداخت میکنه. [L]
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Linuxor ?
این پنل ادمین رو ببینید، اسمش gentelellaست نصف سازمان های دولتی ایران از این استفاده میکنن جالب اینجاست هنوز هم داره توسعه داده میشه و فیچر بهش اضافه میشه ! خیلی حس نوستالژیک میده به آدم ولی هنوزم یه چیزیه که سلیقه خیلیاست.
colorlib.com/polygon/gentelella/index.html
@Linuxor
colorlib.com/polygon/gentelella/index.html
@Linuxor
Forwarded from Frontend with Erfun👨🏻💻 (Erfun Ghodoosi)
بازم نیومدم بگم «برنامه نویسی آینده نداره» درسته یا اشتباه. هدفم از این پست اصلاح لایه عمیق تری از طرز فکرتون بود. ❤️
Forwarded from Frontend with Erfun👨🏻💻 (Erfun Ghodoosi)
قبلا وقتی یه نفر میگفت یه کاری آینده نداره مثل همین برنامه نویسی و کلی چیزای دیگه، عصبی میشدم و کلی جواب میدادم و بحث میکردم.
جدیدا فقطمیخندم😂🧘🏻♂️
به حرف طرف نه، به مغزش. به اینکه چقدر بعضیا مهارتی به اسم تفکر نقاد رو کلا از زندگیشون حذف کردن و هر حرفی رو از ۲ نفر بشنون به طرز فکرشون اضافه میکنن.
رفقا هرموقع راجع به یه اطلاعاتی ایده ای نداشتید، نمیدونستید راسته یا دروغ، اینکه اول بهش شک کنید و بعد راجع بهش تحقیق کنید تا اعتبارشو بسنجید خیلی بهتر از اینه که مستقیم قبولش کنید.
حالا این حرف از هر چند نفر میخواد گفته بشه.
این کارو بکنید فارغ از اینکه صحتش به نفع شماس یا به ضرر شما.
بدونید مغزتون اتوماتیک تفکر نقاد نداره.چرا؟
🧠 بذارید یکمی علمی ترش کنم.
مغز برای بقا همیشه به سمت ناحیه امن میره.
ناحیه امنِ اطلاعاتی جاییه که مغز اطلاعات قبلی خودشو مدام تایید میکنه از جمله دین و اعتقاداتی که از خانواده به ما میرسه. و همیشه هم سمت افراد و جامعه ای میره که سبک حرف زدنشون و کلماتشون اون اطلاعات رو معتبر و صحیح بشناسن. چون مغز علاقه ای به تغییر نداره.
حالا اگه یه جایی پس ذهن شما این باشه که علاقه به (مثلا) هوش مصنوعی دارید که حال و آینده تکنولوژی هست، مدام برای تایید و حفظ بقای خودتون مغزتون دنبال اطلاعاتی میگرده که بگه بقیه کار ها خوب نیست و فقط این انرژی که من صرف کردم خوبه. پس اگه یکی میگه برنامه نویسی اینده نداره، قطعا درست میگه! چرا؟ چون مغز من دنبال تایید خودشه.
من برنامه نویسم!
ولی هیچوقت نمیام حتی بگم کافینتی آینده نداره یا کسی که خوشنویسی میکنه و خطش خوبه دیگه جاشو به تایپیست میده یا تایپیست جاشو به Gen-AI میده.
هیچکدوم از اینا درست نیست. تکنولوژی هیچوقت نمیاد که گروهی از افراد رو از اقتصاد حذف کنه. بلکه میاد که فرصت های جدید ایجاد کنه و از اول بشریت تا به حال همیشه فقط کسایی حذف شدند که آماده تغییر نبودن. مغزشون دنبال حفظ همون روند قبلی بوده.
جدیدا فقط
به حرف طرف نه، به مغزش. به اینکه چقدر بعضیا مهارتی به اسم تفکر نقاد رو کلا از زندگیشون حذف کردن و هر حرفی رو از ۲ نفر بشنون به طرز فکرشون اضافه میکنن.
رفقا هرموقع راجع به یه اطلاعاتی ایده ای نداشتید، نمیدونستید راسته یا دروغ، اینکه اول بهش شک کنید و بعد راجع بهش تحقیق کنید تا اعتبارشو بسنجید خیلی بهتر از اینه که مستقیم قبولش کنید.
حالا این حرف از هر چند نفر میخواد گفته بشه.
این کارو بکنید فارغ از اینکه صحتش به نفع شماس یا به ضرر شما.
بدونید مغزتون اتوماتیک تفکر نقاد نداره.چرا؟
🧠 بذارید یکمی علمی ترش کنم.
مغز برای بقا همیشه به سمت ناحیه امن میره.
ناحیه امنِ اطلاعاتی جاییه که مغز اطلاعات قبلی خودشو مدام تایید میکنه از جمله دین و اعتقاداتی که از خانواده به ما میرسه. و همیشه هم سمت افراد و جامعه ای میره که سبک حرف زدنشون و کلماتشون اون اطلاعات رو معتبر و صحیح بشناسن. چون مغز علاقه ای به تغییر نداره.
حالا اگه یه جایی پس ذهن شما این باشه که علاقه به (مثلا) هوش مصنوعی دارید که حال و آینده تکنولوژی هست، مدام برای تایید و حفظ بقای خودتون مغزتون دنبال اطلاعاتی میگرده که بگه بقیه کار ها خوب نیست و فقط این انرژی که من صرف کردم خوبه. پس اگه یکی میگه برنامه نویسی اینده نداره، قطعا درست میگه! چرا؟ چون مغز من دنبال تایید خودشه.
من برنامه نویسم!
ولی هیچوقت نمیام حتی بگم کافینتی آینده نداره یا کسی که خوشنویسی میکنه و خطش خوبه دیگه جاشو به تایپیست میده یا تایپیست جاشو به Gen-AI میده.
هیچکدوم از اینا درست نیست. تکنولوژی هیچوقت نمیاد که گروهی از افراد رو از اقتصاد حذف کنه. بلکه میاد که فرصت های جدید ایجاد کنه و از اول بشریت تا به حال همیشه فقط کسایی حذف شدند که آماده تغییر نبودن. مغزشون دنبال حفظ همون روند قبلی بوده.