DevTwitter | توییت برنامه نویسی

توی یه پست تازه توی Medium درباره تست‌های Benchmark توی Go نوشتم.
توی این پست، یه توضیح کامل و کاربردی دادم که تست‌های Benchmark دقیقاً چیا هستن و کجا به درد می‌خورن. برای درک بهتر موضوع، یه تست ساده هم برای محاسبه فاکتوریل نوشتیم و نتایج رو بررسی کردیم.

https://medium.com/@debug-ing/benchmark-testing-in-go-a-practical-guide-2900e008ce43

@DevTwitter |

یک برنامه‌نویس با تجربه به این 17 مورد توجه می‌نماید:

0- عاشق کدی که نوشتی نشو، همیشه باید سعی کنی بهترش کنی
1- در شرایط اورژانسی می‌فهمی پیچیدگی الکی درست کردن چطوری پاره می‌کند
2- هر روش و تکنولوژی بالاخره مزایا و معایب خودش را دارد و قطعاً هر چیزی Trade-off های خودش را دارد - حواست باشد، بهترینی وجود ندارد
3- هر خط کدی که می‌نویسی برای کسی یا جایی یک سرمایه است - شاید هم برای خودت
4- همه می‌گن کدهای بقیه کثافت است
5- بیخودی Dependency ایجاد نکنید
6- درست کد بنویسید، دعوا و درگیری و متوجه نشدن کم می‌شود
7- حالا یکم Comment بنویسید، جای دوری نمی‌رود، ولی کد خودش باید کامنت خودش باشد
8- سر یاد گرفتن چیزهای جدید مقاومت نکنید، لازم است
9- از Code Review نترسید، سبب انتشار و Share شدن دانش می‌گردد
10- همیشه maintainability را در نظر داشته باشید - شما در حال سیمان‌ریزی و ایجاد یک چیزی که هرگز دست نخورد نیستید
11- جایی لازم بود، کمک بگیرید
12 - اصل مشکل را در کد حل کنید نه فقط یک جنبه از خطا را
13- هیچ پروژه و برنامه‌ای خلاص نخواهد شد، همیشه هست
14- زمان‌بندی دادن با قول دادن و قسم خوردن یکی نیست، فقط یک احتمال است
15- طراحی و مهندسی سیستم را همان ابتدا مستند سازی کنید
16- پروژه را بدهید بیرون سریع، بعد آرام آرام با یک برنامه مشخص کاملش کنید

@DevTwitter |

این نکته در مورد لاراول خیلی جالب بود.
یه تنظیم کوچیک که می‌تونه نجات بخش باشه.
https://www.youtube.com/shorts/nz4aoRiZNOM

@DevTwitter |

اخیرا یه مقاله جالب خوندم درباره تجربه‌ مصاحبه‌ Frontend Engineer توی آمازون، سال ۲۰۲۴ و برلین. نویسنده خیلی خوب و کامل توضیح داده که این فرآیند چند مرحله داشته و توی هر مرحله دقیقا چی ازش خواستن.

مصاحبه با یه تسک آنلاین شروع شده که ۲ سوال داشته: ۱. طراحی یه accordion و ۲. کامپوننت table با قابلیت سرچ با جاوااسکریپت.

بعد توی مصاحبه‌ای که بهش می‌گفتن phone interview (که درواقع یه ویدیو کال بود)، توی نیم ساعت اول درباره تجربه‌های قبلی بر اساس ۱۴ اصل رهبری آمازون ازش سوال شد که باید با فرمت STAR جواب می‌داد. توی نیم ساعت دوم، یه سوال کدنویسی متوسط (مثل سوال‌های leetcode) بهش دادن و باید کد رو بدون تست و کامپایل توی ادیتور آنلاین می‌نوشت و توضیح می‌داد.

توی مصاحبه بعد در بخش سوال فنی ازش خواستن یه کامپوننت UI طراحی کنه که file system رو روی وب نشون بده (مثل اکسپلورر فایل).

مصاحبه بعد نیم ساعت اولش مثل مصاحبه‌های قبلی، مربوط به ۱۴ اصل رهبری آمازون بوده. توی نیم ساعت دوم ازش خواستن دکمه لایک با حالت‌ها و استایل‌های مختلف رو پیاده‌سازی کنه.

توی مصاحبه بعدی، ازش خواسته بودن یک صفحه داینامیک برای سایت خبری طراحی کنه. سوال باز بود و مشخص نبود باید روی چه بخشی تمرکز کنه، برای همین قبل از شروع از مصاحبه‌کننده خواست که سوال رو شفاف‌سازی کنه. در نهایت بیشتر روی طراحی سیستم تمرکز کرده بود و هیچ کدنویسی نخواستن.

مرحله بعد ازش خواسته بودن که یک ویجت برای صفحه AWS Console طراحی کنه که لیستی از خدمات پر بازدید رو نشون بده. سوال مجدد باز بود، بنابراین ابتدا جزئیات رو شفاف‌سازی کرد.

مرحله آخر، مصاحبه‌کننده مدیر استخدام بود و برای سوال فنی، ازش خواسته شد یک سیستم سبد خرید طراحی کنه که مشتری‌ها بتونن محصولات رو اضافه کنند، تخفیف‌ها رو اعمال کنن و چندین کوپن روی مبلغ نهایی اعمال بشه.

مقاله کامل رو می‌تونید از اینجا مطالعه کنید. بخش ۱:
https://readmedium.com/en/https:/levelup.gitconnected.com/amazon-frontend-engineer-interview-experience-2024-berlin-ee61eb79601e
بخش ۲:
https://readmedium.com/amazon-final-interview-interview-loop-experience-9a9b08cf6525

@DevTwitter |

از DeepSeek-V3 بگیم که یه مدل با هزینه کم به حساب میاد.
یه آزمایشگاه چینی این مدل رو توی ۲ ماه با ۵.۵ میلیون دلار ساخته که میشه مقایسه کرد با آموزش GPT-4o با ۱۰۰ میلیون دلار هزینه.
در واقع میشه یه مدل AI اوپن‌سورس ترکیبی و (Mixture-of-Experts یا MoE). یعنی به جای یه مدل بزرگ که همه‌کاره باشه، میان چند تا مدل «تخصصی» کوچیکتر میسازن که با هم کار میکنن.

با ۱۴.۸ تریلیون توکن آموزش داده شده، از تکنیک‌های جدیدی مثل Multi-Head Latent Attention (MLA) استفاده کردن.

برای توضیح این تکنیک باید به اصل «مفهوم توجه» یا همون Attention توی مدل‌های زبانی نگاه کنیم.
در مدل‌های زبانی، «توجه» یه مکانیزمه که به مدل اجازه میده تا روی کلمات مهم‌تر تمرکز کنه و کلمات کم‌اهمیت‌تر رو نادیده بگیره. این بهش کمک میکنه ارتباط کلمات رو بیشتر بفهمه و جواب بهتری بده.

حالا MLA میاد با جنبه‌های مختلفی به متن نگاه میکنه و سعی میکنه اهمیت کلمات رو متوجه بشه، مثلا یه بار ممکنه به روابط گرامری نگاه کنه، یه بار به معنی کلمات نگاه کنه و ...
خروجی میشه درک بیشتر و مصرف کمتر GPU و منابع محاسباتی.

طراحی و آموزش این مدل هم روی چیپ NVIDIA H800 بوده که میشه یه مدل ارزون و محدود از H100 برای بازارهای تحریمی مثل چین.

از ویژگی‌هاش توانایی پردازش تا ۱۲۸۰۰۰ توکن در یه ورودی که برای کارهایی مثل بررسی اسناد قانونی و تحقیقات دانشگاهی خیلی خوبه. ین مدل ۶۷۱ میلیارد پارامتر داره، اما گفته میشه فقط ۳۷ میلیاردش برای انجام هر کار فعال میشه.

تو آزمون‌های مختلف با مدل‌های دیگه مثل Claude-3.5، GPT-4o، Qwen2.5 و Llama3.1 مقایسه شده و عملکرد خوبی داشته. به خصوص تو ریاضیات و کدنویسی، تو آزمون‌هایی مثل MATH-500 و LiveCodeBench از رقباش بهتر بوده. همچنین تو کارهایی که نیاز به درک متن‌های طولانی داره خیلی خوبه.

@DevTwitter |