مطالب توسط Adlogin

آموخته های به کارگیری ایمنی روانی در میان تیم ها

به کارگیری ایده‌های مربوط به ایمنی روانی می‌تواند افراد را قادر سازد تا در گروه‌ها درباره چیزهایی که نمی‌دانند، نمی‌فهمند یا اشتباهاتی که مرتکب شده‌اند صحبت کنند. اعتماد و ایجاد فضاهای امن ضروری است، اما بیشتر از اینها مورد نیاز است. مردم باید احساس کنند که در صورت ریسک بین فردی، تنبیه یا شرمنده نخواهند شد.

 
به نظر می‌رسد که افراد در شرایط خاصی تمایلی به صحبت کردن ندارند، به‌ویژه در محیط‌های گروهی، جایی که ممکن است کسی مجبور شود اعتراف کند که چیزی را نمی‌فهمد یا نمی‌داند. مردم نگران هستند که افشای این چیزها یا سرعت تیم را کاهش دهد یا اینکه هم تیمی ها آنها را ناتوان قضاوت کنند، بنابراین کمتر به آنها فکر می کنند. بنابراین آنها اغلب ترجیح می‌دهند ساکت بمانند، که نشان می‌دهد تیم از نظر ایمنی روانی ضعیف است.
مردم به طور طبیعی در سلسله مراتب به دنبال چیزهایی هستند که قابل قبول است یا غیر قابل قبول. یکی از بهترین راه‌ها برای ترغیب افراد به ریسک‌های بین فردی و افزایش سطح ایمنی روانی این است که رهبران راه را با اتخاذ ذهنیت‌های خاص نشان دهند:
1- کنجکاوی (زیرا همیشه چیزهای بیشتری برای یادگیری وجود دارد)
2- فروتنی (زیرا ما همه پاسخ ها را نداریم)
3- همدلی (زیرا صحبت کردن سخت است و نیاز به حمایت دارد) هستند.
وقتی رهبری از دریچه این طرز فکرها فکر می کند، رفتار و تعامل آنها را به گونه ای شکل می دهد که دیگران را تشویق می کند و به ریسک های بین فردی کمک می کند.
بسیاری از مردم بر این باورند که امنیت روانی کلمه دیگری برای اعتماد و ایجاد فضاهای امن است. در حالی که این جنبه ها ضروری هستند، ایمنی روانشناختی در مورد کمک به افراد است که خود را از منطقه امن خود خارج کنند و با همکاران خود در معرض خطرات بین فردی قرار گیرند. امنیت روانی فراتر از اعتماد و فضاهای امن است. این یک درک مشترک است که ما همه پاسخ ها را نداریم، و همه چیز را اشتباه خواهیم گرفت. ما باید بتوانیم آنچه را که می دانیم و آنچه را که نمی دانیم به اشتراک بگذاریم و اگر افراد ریسک های بین فردی را انجام دهند، تنبیه یا شرمنده نخواهند شد.
بیشتر بدانید: https://lnkd.in/ezuh7kQJ

کنسول HashiCorp مدل جدید Sidecar را برای استقرار Kubernetes معرفی می کند

HashiCorp کنسول 1.14 را منتشر کرده است و ویژگی‌های جدیدی را اضافه می‌کند که استقرار را ساده می‌کند و انعطاف‌پذیری پلتفرم شبکه خدمات خود را بهبود می‌بخشد.

این نسخه شامل Consul Dataplane است، یک معماری بهبود یافته برای استقرار در Kubernetes. مدل همتاسازی خوشه ای که به عنوان یک ویژگی بتا در 1.13 معرفی شده بود به در دسترس بودن عمومی کامل منتقل شده است. معرفی Consul Dataplane نیاز به استقرار نماینده مشتری Consul را هنگام استقرار در Kubernetes برطرف می کند. در عوض، Consul Dataplane به عنوان یک کانتینر کناری در کنار غلاف های بار کار مستقر می شود. سپس Consul Dataplane مسئول کشف و تماشای سرورهای کنسول موجود در pod است. همچنین پیکربندی اولیه بوت استرپ Envoy و اجرای فرآیند را مدیریت می کند.
این معماری جدید چندین مزیت دارد. Consul Dataplane از پروتکل gossip استفاده نمی کند و در عوض فقط به یک اتصال gRPC به سرورهای کنسول نیاز دارد. همچنین نیازی به شبکه های همتا بین سرورهای کنسول و اجراکننده بارهای کاری در حال اجرا ندارد. از آنجایی که کنسول Dataplane از پروتکل gossip استفاده نمی کند، نیازی به پیکربندی کلید رمزگذاری gossip نیست. همچنین، دیگر نیازی به توزیع توکن های ACL جداگانه برای هر نماینده مشتری نیست.
بیشتر بدانید: https://lnkd.in/eDxxrmZC

انتشار مدل هوش مصنوعی ChatGPT مکالمه ای توسط OpenAI

اپن ای آی ChatGPT را منتشر کرد، یک مدل هوش مصنوعی محاوره ای بر اساس مدل زبان GPT-3.5 (LM)

 
با استفاده از یادگیری تقویتی از بازخورد انسانی (RLHF) تنظیم شده است و دارای یک فیلتر تعدیل برای جلوگیری از تعاملات نامناسب است. خبر انتشار در وبلاگ OpenAI اعلام شد. ChatGPT با استفاده از همان روش‌های RLHF که برای آموزش InstructGPT، مدل زبان پیروی از دستورالعمل OpenAI استفاده می‌شود، آموزش داده می‌شود. RHLF از دو مجموعه داده استفاده می‌کند: یکی از نمونه‌های نوشته شده توسط انسان برای تنظیم دقیق GPT-3.5 LM با نظارت، و مقایسه با برچسب انسانی خروجی‌های LM برای آموزش یک مدل پاداش برای یادگیری تقویتی.
بیشتر بدانید: https://lnkd.in/gF2FC9eT

چگونه تعریف نتایج و رفتارها در متد چابک می تواند تغیر رفتار را فعال کند

تعیین و اندازه‌گیری رفتار در یک زمینه سازمانی خاص می‌تواند باعث ایجاد تغییرات رفتاری شود. برای افزایش موفقیت یک تحول چابک، اگر رفتارهای مورد نظر را به نتایج مورد انتظار مرتبط کنید کمک می کند.

به این ترتیب خودتان را طوری تنظیم می کنید که بتوانید رفتاری را که می خواهید بیشتر ببینید تا به نتایج خود برسید، تقویت کنید. اگر می‌خواهید چیزی را تغییر دهید، خواه این یک فرآیند یا یک روش جدید کار باشد، معمولاً به این معنی است که کسی یا گروهی از افراد باید کاری متفاوت از آنچه قبلاً به آن عادت داشتند انجام دهند. مشخص کردن رفتار آسان به نظر می رسد اما در واقع واقعا سخت است. «شما می‌توانید حمایت‌کننده‌تر/شفاف‌تر/بازتر باشید» نمونه‌ای معمولی از چیزهایی است که می‌توانید به عنوان رفتار طبقه‌بندی کنید، اما اینطور نیست. آیا می توانید نشان دهید که حمایت بیشتر چگونه به نظر می رسد؟
در یک تحول چابک، اغلب می بینیم که تمرکز روی تغییر رفتار، تغییر فرهنگ، یا داشتن یک طرز فکر متفاوت است، اما اگر نتوانید آن را به نتایج مرتبط کنید، نمی توانید آن را اندازه گیری کنید. بنابراین چگونه می توانید بفهمید که تحول چابک شما موفقیت آمیز است؟ تغییرات رفتاری بسیار بیشتر از آن چیزی که مردم فکر می کنند باید قابل اندازه گیری باشند.
شروع با تعریف نتایج، سپس رفتارها و انجام آن در یک زمینه خاص بسیار مهم است. شناسایی اینکه در چه زمینه‌ای قرار دارید و به دنبال چه نتایجی در آن زمینه هستید، یک شروع عالی است. باید خود را طوری تنظیم کنید که بپرسید: کدام رفتار(ها) من را به نتایج می رساند یا نتایج من را بهبود می بخشد؟ با داشتن یک مرور کلی از زمینه، نتایج و رفتارها بینش های مهمی را ارائه می دهند، بنابراین شما می توانید تصمیم بگیرید که آیا تغییر رفتاری لازم است و اگر چنین است، کدام رفتارها نیاز به تغییر دارند.
به عنوان مثال، می توانید با پرسیدن چند سوال از خود، زمینه سازمانی تیم اسکرام را شناسایی کنید:
1- آیا این تیم اسکرام قادر به ارائه ارزش به مشتری است یا وابستگی هایی با سایر تیم ها دارد؟
2- ذینفعان آنها چه کسانی هستند؟
3- روش کار آنها چگونه است؟
هنگامی که آن را پوشش دادید، می توانید شروع به شناسایی نتایجی کنید که می خواهید در آن زمینه به دست آورید. شاید بخواهید سریعتر به مشتری تحویل دهید. اما چقدر سریعتر، در چه بازه زمانی و چه چیزی را تحویل می دهید؟
اکنون که مشخص کردید می‌خواهید به چه چیزی برسید، می‌توانید بر چگونگی دستیابی به این هدف تمرکز کنید و چه رفتارهایی را می‌خواهید سریع‌تر انجام دهید. شاید بخواهید افراد به جای اینکه تا پایان اسپرینت منتظر بمانند، کد را در اسرع وقت اجرا کنند. این ممکن است به این معنی باشد که برای ارائه سریعتر به تغییر رفتار نیاز است. ما اغلب می بینیم که کارهای زیادی در ارزش گذاری های جدید شرکت انجام شده است، از تعریف آنها گرفته تا برقراری ارتباط با آنها از طریق جلسات تمام دست و پوسترهای زیبا روی دیوارها. و بعد هیچ چیز تغییر نمی کند. در اینجا توضیحات مرتبط تری وجود دارد، اما یکی از آنها این است که این ارزش ها به ندرت تعریف می کنند که چه رفتاری مورد نظر است: جسارت، صداقت، صداقت، مالکیت، فقط با نام بردن چند مورد، همه به یک اندازه امیدوارکننده و مهم هستند، اما نه در مورد آنها چیزی می گویند و نه به یک نتیجه خاص مربوط می شود. رفتارهای متفاوت در موقعیت های مختلف به نتایج متفاوت می انجامد.
بیشتر بدانید: https://lnkd.in/eX45CmwP  
 

آمازون وب سرویس استقرار آبی/سبز را برای MySQL در Aurora و RDS اعلام کرد

در ابتدای کنفرانس re:Invent، آمازون در دسترس بودن عمومی RDS Blue/Green Deployments، یک ویژگی جدید برای Aurora با سازگاری MySQL، همچنین RDS برای MySQL و RDS برای MariaDB برای انجام به‌روزرسانی‌های پایگاه داده آبی/سبز را اعلام کرد.

در ابتدای کنفرانس re:Invent، آمازون در دسترس بودن عمومی RDS Blue/Green Deployments، یک ویژگی جدید برای Aurora با سازگاری MySQL، همچنین RDS برای MySQL و RDS برای MariaDB برای انجام به‌روزرسانی‌های پایگاه داده آبی/سبز را اعلام کرد. گزینه replication جدید یک محیط مرحله‌بندی جداگانه و هماهنگ ایجاد می‌کند که خوشه تولید را منعکس می‌کند، پایگاه داده اولیه و کپی‌های درون منطقه را شبیه‌سازی می‌کند و دو محیط را با استفاده از تکرار منطقی همگام نگه می‌دارد. این ویژگی جدید می تواند برای ارتقاء نسخه اصلی و جزئی، تغییرات طرحواره، و به روز رسانی سیستم عامل یا تعمیر و نگهداری بدون تأثیر بر حجم کاری تولید استفاده شود.
بیشتر بدانید: https://lnkd.in/eNQJP-nK

گوگل با Code-as-Policies به ربات‌ها اجازه می‌دهد کد خود را بنویسند

محققان تیم رباتیک گوگل، Code-as-Policies (CaP) را منبع باز میکنند، یک روش کنترل ربات که از یک مدل زبان بزرگ (LLM) برای تولید کد کنترل ربات استفاده می کند که به یک هدف مشخص شده توسط کاربر دست می یابد.

CaP از یک تکنیک تحریک سلسله مراتبی برای تولید کد استفاده می کند که از روش های قبلی در معیار تولید کد HumanEval بهتر عمل می کند. تکنیک و آزمایش‌ها در مقاله‌ای که در arXiv منتشر شد، توضیح داده شد. CaP با تلاش های قبلی برای استفاده از LLM برای کنترل روبات ها متفاوت است. به جای ایجاد توالی از مراحل یا سیاست های سطح بالا که توسط ربات فراخوانی می شوند، Cap به طور مستقیم کد پایتون را برای آن خط مشی ها تولید می کند. تیم Google مجموعه‌ای از تکنیک‌های تحریک را توسعه داده است که تولید کد را بهبود می‌بخشد، از جمله یک روش جدید درخواست سلسله مراتبی. این تکنیک در معیار HumanEval به امتیاز پیشرفته 39.8% pass@1 دست یافت.

بیشتر بدانید: https://lnkd.in/e-b4_GEu

 

چگونه می توانیم از داده ها برای بهبود کیفیت سیستم استفاده کنیم؟

برای درک نحوه استفاده از سیستم ها، می توانیم معیارها را جمع آوری کنیم و روندها را در طول زمان شناسایی کنیم. داده ها و بینش های به دست آمده را می توان برای بهبود کیفیت سیستم با بهبود طراحی نرم افزار یا الگوهای آزمایش استفاده کرد.

تمرکز بر تک تک نقص ها و علت های ریشه ای و یافتن راه های مناسب جلوگیری کننده برای آنها غیرممکن است. آنچه می تواند کمک کند، دسته بندی علل و مسائل ریشه ای است، و سپس ردیابی آنها در طول زمان برای شناسایی روندها و الگوهایی که می توان سپس در یک تیم یا سازمان بر روی آنها تمرکز کرد.
معمولاً وقتی به مسائلی در یک تیم می‌پردازیم، چند سؤال مختلف از آنها می‌پرسیم:
–         موضوع چگونه به نظر می رسد؟
–         چه چیزی باعث بروز مشکل می شود؟
–         آیا کاری بود که می توانستیم انجام دهیم تا زودتر به این مشکل پی ببریم؟
–         برای جلوگیری از تکرار این مشکل چه چیزی را می توان برطرف کرد؟
–         چه چیزی را می توان تغییر داد تا از بروز مجدد چنین مشکلاتی جلوگیری شود؟
ممکن است سوالات بی اهمیتی به نظر برسند، اما به تیم ها کمک می کنند تا متوجه شوند که چگونه یک نقص ظاهر می شود و چه چیزی واقعا اشتباه است. و با تمرکز بر مواردی که باید اصلاح شوند و نه اینکه در کجای نقص قرار دارند، به جلوگیری از جابجایی سرزنش کمک می‌کند و تیم‌ها را وادار به بررسی مشکلات واقعی نرم‌افزار و رفع صحیح آن می‌کند. ابزارهایی مانند Qlik، Thoughspot، Sisense، Tableau، Grafana، و New Relic مفید هستند زیرا می توانند به شناسایی روند استفاده، عملکرد سیستم و تجسم صحیح آنها کمک کنند. همه بازیگران بزرگ فناوری مانند آمازون، مایکروسافت، گوگل و اوراکل نیز ابزارهایی دارند که می توانند در محیط ابری مربوطه به این کار کمک کنند.
هنگامی که تمام نظارت ها و ابزارها را در اختیار دارید، تغییر فرهنگ قابل توجهی وجود دارد که باید اتفاق بیفتد تا واقعاً از داده ها استفاده کنید و هشدار درست را ایجاد کنید. این اغلب تنها با کمک به تیم‌ها برای دیدن ارزش گزارش و نشان دادن اینکه چگونه می‌تواند منجر به ارائه راه‌حل‌ها شود، انجام می‌شود.
بیشتر بدانید: https://lnkd.in/er9MWmKD
 

دات نت هفت مجموعه زباله های تهاجمی را برای Kubernetes اضافه می کند

این سناریو را در نظر بگیرید: می‌خواهید یک برنامه به حالت بی‌کار بیفتد و تا حد ممکن حافظه آزاد کند، اما نمی‌خواهید آن را به طور کامل خاموش کنید زیرا ممکن است در هر زمانی دوباره وارد عمل شود.

این وضعیتی است که اندرو او هنگام پیشنهاد GCColectionMode.Maximal با آن مواجه شد. وی مشکل را اینگونه توصیف کرد. برخی از اجزای ما منابعی را مصرف کردند که می‌توانستند آزاد شوند. برای مثال، GC مقداری حافظه متعهد را برای ارائه درخواست‌های اختصاصی نگه می‌دارد. اگر برنامه به طور فعال از حافظه استفاده کند، منطقی است، اما اگر برنامه برای مدت طولانی بیکار بماند، هدر خواهد بود. در سناریوی کانتینر، اگر فرآیند بیکار تا حد امکان منابع زیادی را که برای افزایش استقرار تراکم اشغال کرده از دست بدهد، برای کل سیستم مفید خواهد بود.
این ویژگی با نام GCCollectionMode.Aggressive در ماه ژوئن برای نسخه NET 7. معرفی شد. برای استفاده از آن، دستور GC.Collect(GCCollectionMode.Aggressive); را فراخوانی کنید.
 
توجه: در زمان نگارش، GCCollectionMode.Aggressive را نمی توان در اسناد رسمی یافت. IntelliSense ویژوال استودیو آن را اینگونه توصیف می‌کند: «از جمع‌آورنده زباله می‌خواهد تا جایی که ممکن است حافظه را آزاد کند.».
بیشتر بدانید: https://lnkd.in/ejpn-WRr
 

استفاده از یادگیری ماشینی برای نتایج تجاری در Travelopia

Travelopia که تجربیات شخصی سفر را از برندهای مسافرتی پیشرفته ارائه می دهد، تمرکز خود را از رویکرد فناوری به نتایج تجاری تغییر داد و چابکی و اختصار را برای ارائه راه‌حل‌های یادگیری ماشینی تطبیق داد.

 
Travelopia که تجربیات شخصی سفر را از برندهای مسافرتی پیشرفته ارائه می دهد، تمرکز خود را از رویکرد فناوری به نتایج تجاری تغییر داد و چابکی و اختصار را برای ارائه راه‌حل‌های یادگیری ماشینی تطبیق داد. این به آنها امکان داد تا مدل های کسب و کار یادگیری ماشینی را سریعتر و بهتر ارائه دهند. آن ها اظهار کردند که ابتدا یک Data Lake برای درک موارد تجاری ساختند که در پایان 18 ماه 3 مدل تولیدی آماده کرده بودند.
بیشتر بدانید: https://lnkd.in/gvQUDySC

چرا فناوری بلاک چین WEB3.0 بازار شش تریلیون دلاری را هدایت می کند؟

بلاک چین فقط یک ارز دیجیتال نیست و تحقیقات بازار آینده می گوید که به سرعت در حال رشد است.

 
در سال 2023، ارزش بخش فناوری بلاک چین Web3.0 بیش از شش تریلیون دلار خواهد بود، و Web3.0 به رشد 44.6 درصدی از سال 2023 تا 2030 ادامه خواهد داد. از آنجایی که Web3.0 به شدت به بلاک چین متکی است، بسیاری به اشتباه معتقدند که سرنوشت آن به ناچار به بازار بی ثبات ارزهای دیجیتال مرتبط است. با این حال، رمزارزها تنها بخشی از دنیای جدید هستند. گارتنر توضیح می دهد که در حالی که ارزهای دیجیتال در نیمه اول سال 2022 سقوط کردند، تصمیم گیرندگان نباید تصور کنند که ارزش فناوری Web3.0 تحت تأثیر قرار گرفته است. به گفته این شرکت تحقیقاتی و مشاوره، فناوری Web3.0 به زودی به نقطه اوج پذیرش خود خواهد رسید و صنایع از تعمیر و نگهداری هواپیما تا ایمنی مواد غذایی، کاربردهای خود را توکنیزه خواهند کرد.
چه چیزی باعث رشد Web3.0 می شود؟
گزارش تحقیقات بازار بلاک چین Web3.0 دلایل تجاری، فنی و امنیتی را نشان می دهد که باعث رشد Web3.0 می شود. در حالی که همه‌گیری COVID-19 صنایعی مانند توریسم، خودرو، هوانوردی و خرده‌فروشی را ویران کرد، درآمد صنعت IT به طور پیوسته افزایش یافت. فناوری اطلاعات همچنین فرصت‌های بازار جدیدی را دید زیرا کاربران خواستار فناوری 5G، واقعیت مجازی و واقعیت افزوده، برنامه‌های بلاک چین، هوش مصنوعی و یادگیری ماشین بودند. این فناوری ها ستون هایی هستند که Web3.0 بر روی آنها ساخته می شود.
وزن دنیای مالی در Web3.0
یکی از مهم ترین محرک های فناوری بلاک چین Web3.0 بخش بانکداری، خدمات مالی و بیمه است. همانطور که انتظار می رود فناوری جدید انقلابی در سیستم های مالی سنتی ایجاد کند، وزن اقتصاد جهانی Web3.0 را به عصر جدیدی سوق می دهد. داپته گفت: “مالی غیرمتمرکز نقش بسیار مهمتری نسبت به آنچه که اکنون ایفا می کند، ایفا خواهد کرد.”
کاربر محور: فناوری بلاک چین وب 3.0 چیست؟
مفهوم Web3.0 به معنای مالکیت داده و کنترل غیرمتمرکز است. اولین نسخه اینترنت، Web1.0، تنها بر اساس محتوای تولید شده توسط دولت ها، سازمان ها و مشاغل ساخته شده است. این وب عمدتاً بر روی اطلاعات متمرکز بود و به آرامی اما به تدریج به فضای مصرف کننده محور تغییر مکان داد. تعداد کمی از کاربران این نسخه وب تولید کننده محتوا بودند. فوربس توضیح می دهد که با وب 2.0، کاربران به سازندگان تبدیل شدند و به رسانه های اجتماعی، وبلاگ ها و وب سایت ها روی آوردند. با این حال، آنها به خدمات وب متمرکزی که عمدتاً متعلق به شرکت های بزرگ فناوری است، متکی بودند. تولید محتوا تبدیل به یک کسب و کار شد که نیاز به ایجاد مخاطب داشت و تبلیغات به بیشترین درآمد برای شرکت های فناوری وب تبدیل شد. جذابیت Web3 در این است که به جای دسترسی به اینترنت از طریق خدماتی که توسط شرکت هایی مانند گوگل، اپل یا فیس بوک میانجیگری می شود، افراد مالک و اداره بخش هایی از اینترنت هستند. برخلاف داده‌ها، محتوا یا هنری که در اینترنت سنتی میزبانی می‌شوند، در Web3.0 وقتی محتوا از طریق بلاک چین تأیید می‌شود، یک سازنده، یک مالک و یک ارزش دارد.
 
صنایع مختلف، کاربردهای مختلف بلاک چین
انتظار می رود بخش تجارت الکترونیک و خرده فروشی کاربران نهایی این فناوری جدید باشند. آنها از تراکنش های امن تر، برنامه ها و خدمات جدید و روش های جدید خرید و فروش بهره مند خواهند شد. بلاک چین همچنین به عنوان راه حلی برای نگرانی های مربوط به حفظ حریم خصوصی ارائه می شود. یک روند بزرگ در بین کاربران جهانی که دیگر نمی خواهند اطلاعات شخصی خود را در اختیار شرکت های بزرگ فناوری قرار دهند.
چالش های Web3.0: انرژی و مقررات
بلاک چین به دلیل استفاده گسترده از انرژی مورد انتقاد قرار گرفته است. تخمین زده می شود که بیت کوین در هر تراکنش 707 کیلووات ساعت برق مصرف می کند. در حالی که این مصرف به طور قابل توجهی بیشتر از سایر تراکنش های دیجیتال و متمرکز است، مشکل انرژی کریپتو به یک نگرانی جهانی تبدیل شده است.
نوآوری های Web3.0: آنچه رهبران باید به آن توجه کنند
صنعت توسعه دهندگان Web3.0 با سال 2021 که رشد تاریخی را برای توسعه Web3.0 رقم زده است، به اوج خود رسیده است. با توجه به رشد اکوسیستم Web3، کارشناسان صنعت معتقدند که نیاز توسعه دهندگان Web3 در طول زمان به رشد خود ادامه خواهد داد. در امنیت سایبری و توسعه اپلیکیشن، برنامه‌های امیدوارکننده ای هستند که اغلب توسط هکرهای اخلاقی اجرا می‌شوند.