سیده آمین ارمان
کاربر نگاه دانلود
اگر در دنیای فناوری نقش دارید و در آن فعالیت می کنید، حتماً می دانید که موضوعات داغ فناوری به سرعت در حال تغییر و تحول هستند. در واقع، پلتفرم های کلان داده (Big Data) یا زبان های برنامه نویسی جدید امروز ممکن است استاندارد های صنعتی فردا باشند. با گذشت زمان و دور شدن از آغاز سال جدید میلادی، بد نیست نگاهی به مباحث داغ در این صنعت بیندازیم.
آپاچی اسپارک مقابل آپاچی هادوپ
این بحث مدت ها است مطرح شده که آیا آپاچی اسپارک در بحث کلان داده ها ستاره بعدی خواهد بود؟ یک فریم ورک محاسبات خوشه ای اپن سورس که اصالتاً در دانشگاه کالیفرنیا توسعه یافته است. اسپارک در طول این سال ها طرفداران مخصوص به خود را به دست آورده است، کسانی که سرعت بالای پلتفرم را علت برتری آن بر هادوپ و مپ ریدوس می دانند. هادوپ مپ ریدوس مدت زیادی به عنوان یک استاندارد برای مدیریت خوشه اپن سورس مورد استفاده قرار می گرفت.
کلودرا (Cloudera) و شرکت های توزیع کننده دیگر همگی در توسعه اسپارک سرمایه گذاری کرده اند که نشان از حرکت رو به جلو و پیش رفت قابل ملاحظه ی آن دارد. اگر چه حضور Cloud Dataflow گوگل ممکن است تهدیدی بلند مدت برای تسلط و غلبه اسپارک و هادوپ به حساب آید، ولی بعید است این شرکت ها به راحتی زیربنای خوشه ای حال حاضر خود را رها کنند.
طراحی ریسپانسیو
با توجه افزایش چشم گیر حضور دستگاه های موبایل، می توان گفت که هر وب سایتی که از قابلیت تطبیق خودکار برای دستگاه های کوچک تر برخوردار نباشد رقابت را به حریفان واگذار کرده است. به همین دلیل، هر روز آموزشگاه های بیشتری به تدریس و برگزاری دوره های فشرده آموزش اصول طراحی ریسپانسیو می پردازند. وجود ابزارهای جدید و کارآمدتر برای آن دسته از توسعه دهندگان وب که هر روز با طراحی وب سایت سر و کار دارند، فرآیند به کارگیری از ابزارها را ساده تر ساخته و تست قالب وب سایت در دستگاه های موبایل و دسکتاپ را تسهیل کرده است.
کانتینرها
هر چه می گذرد فناوری کانتینر هم محبوبیت بیشتری پیدا می کند. با آن که استفاده از این فناوری می تواند به شدت پیچیده باشد، ولی مفهوم آن در حقیقت بسیار ساده است: کانتینر ها ماشین های سبک مجازی هستند که به توسعه دهندگان کمک می کنند توسعه نرم افزار را بهینه سازی کنند. مهم ترین مثال از فناوری کانتینر را می توان بدون شک داکر (Docker) دانست.
توسعه دهندگان، داکر را به خاطر انعطاف پذیری و ایمنی آن بسیار می پسندند. فرض کنید شما چندین کانتینر را به صورت هم زمان در یک سرور در حال اجرا دارید و در همین حال یکی از آن کانتینرها از بین می رود. از آن جا که کانتینرها از یکدیگر جدا هستند، شما به جای ریستارت کردن کل سرور فقط لازم است آن کانتینر خاص را ریستارت کنید. این روشی مؤثر برای اجرای چندین پکیج نرم افزاری (در چندین کانتینر) در یک سرور به صورت هم زمان است بدون آن که نیاز به تقبل ریسک بالای آن باشید.
یادگیری ماشین
فیسبوک، گوگل و دیگر شرکت های بزرگ دنیای فناوری توجه و تمرکز خود را بر پیشبرد قابلیت های یادگیری ماشینی گذاشته اند که البته دلیل خوبی هم برای این کار خود دارند: فریم ورک های یادگیری ماشینی، محاسبه ادراکی و دیگر ابزار های هوش مصنوعی احتمالاً تنها راه رفع مؤثر مشکل کار با داده های پیچیده است.
به غیر از شرکت های فعال در زمینه تکنولوژی، شرکت های دیگری که در زمینه هایی مانند سلامت، بانکداری و ... فعالیت دارند نیز از یادگیری ماشینی برای مدیریت مشکلات محاسباتی خود استفاده می کنند. البته صحبت کردن در مورد طراحی یک پلتفرم هوش مصنوعی کارآمد بسیار ساده تر از انجام آن در واقعیت است! همان طور که رئیس دانشکده علوم کامپیوتر در دانشگاه کارنگی ملون در مصاحبه خود گفته:
اطمینان از یکپارچگی و تطابق یک الگوریتم خود یادگیری با یک اپلیکیشن& نیازمند کار انسانی بسیار زیادی است.
یادگیری ماشین بر خلاف دیگر موارد موجود در این فهرست، هنوز به طور گسترده مورد استفاده قرار نمی گیرد. البته اگر به گفته دانشمندان حوزه تکنولوژی اعتماد کنیم، باید انتظار داشته باشیم که تا چند سال آینده این وضع تغییر کند.
آپاچی اسپارک مقابل آپاچی هادوپ
این بحث مدت ها است مطرح شده که آیا آپاچی اسپارک در بحث کلان داده ها ستاره بعدی خواهد بود؟ یک فریم ورک محاسبات خوشه ای اپن سورس که اصالتاً در دانشگاه کالیفرنیا توسعه یافته است. اسپارک در طول این سال ها طرفداران مخصوص به خود را به دست آورده است، کسانی که سرعت بالای پلتفرم را علت برتری آن بر هادوپ و مپ ریدوس می دانند. هادوپ مپ ریدوس مدت زیادی به عنوان یک استاندارد برای مدیریت خوشه اپن سورس مورد استفاده قرار می گرفت.
کلودرا (Cloudera) و شرکت های توزیع کننده دیگر همگی در توسعه اسپارک سرمایه گذاری کرده اند که نشان از حرکت رو به جلو و پیش رفت قابل ملاحظه ی آن دارد. اگر چه حضور Cloud Dataflow گوگل ممکن است تهدیدی بلند مدت برای تسلط و غلبه اسپارک و هادوپ به حساب آید، ولی بعید است این شرکت ها به راحتی زیربنای خوشه ای حال حاضر خود را رها کنند.
طراحی ریسپانسیو
با توجه افزایش چشم گیر حضور دستگاه های موبایل، می توان گفت که هر وب سایتی که از قابلیت تطبیق خودکار برای دستگاه های کوچک تر برخوردار نباشد رقابت را به حریفان واگذار کرده است. به همین دلیل، هر روز آموزشگاه های بیشتری به تدریس و برگزاری دوره های فشرده آموزش اصول طراحی ریسپانسیو می پردازند. وجود ابزارهای جدید و کارآمدتر برای آن دسته از توسعه دهندگان وب که هر روز با طراحی وب سایت سر و کار دارند، فرآیند به کارگیری از ابزارها را ساده تر ساخته و تست قالب وب سایت در دستگاه های موبایل و دسکتاپ را تسهیل کرده است.
کانتینرها
هر چه می گذرد فناوری کانتینر هم محبوبیت بیشتری پیدا می کند. با آن که استفاده از این فناوری می تواند به شدت پیچیده باشد، ولی مفهوم آن در حقیقت بسیار ساده است: کانتینر ها ماشین های سبک مجازی هستند که به توسعه دهندگان کمک می کنند توسعه نرم افزار را بهینه سازی کنند. مهم ترین مثال از فناوری کانتینر را می توان بدون شک داکر (Docker) دانست.
توسعه دهندگان، داکر را به خاطر انعطاف پذیری و ایمنی آن بسیار می پسندند. فرض کنید شما چندین کانتینر را به صورت هم زمان در یک سرور در حال اجرا دارید و در همین حال یکی از آن کانتینرها از بین می رود. از آن جا که کانتینرها از یکدیگر جدا هستند، شما به جای ریستارت کردن کل سرور فقط لازم است آن کانتینر خاص را ریستارت کنید. این روشی مؤثر برای اجرای چندین پکیج نرم افزاری (در چندین کانتینر) در یک سرور به صورت هم زمان است بدون آن که نیاز به تقبل ریسک بالای آن باشید.
یادگیری ماشین
فیسبوک، گوگل و دیگر شرکت های بزرگ دنیای فناوری توجه و تمرکز خود را بر پیشبرد قابلیت های یادگیری ماشینی گذاشته اند که البته دلیل خوبی هم برای این کار خود دارند: فریم ورک های یادگیری ماشینی، محاسبه ادراکی و دیگر ابزار های هوش مصنوعی احتمالاً تنها راه رفع مؤثر مشکل کار با داده های پیچیده است.
به غیر از شرکت های فعال در زمینه تکنولوژی، شرکت های دیگری که در زمینه هایی مانند سلامت، بانکداری و ... فعالیت دارند نیز از یادگیری ماشینی برای مدیریت مشکلات محاسباتی خود استفاده می کنند. البته صحبت کردن در مورد طراحی یک پلتفرم هوش مصنوعی کارآمد بسیار ساده تر از انجام آن در واقعیت است! همان طور که رئیس دانشکده علوم کامپیوتر در دانشگاه کارنگی ملون در مصاحبه خود گفته:
اطمینان از یکپارچگی و تطابق یک الگوریتم خود یادگیری با یک اپلیکیشن& نیازمند کار انسانی بسیار زیادی است.
یادگیری ماشین بر خلاف دیگر موارد موجود در این فهرست، هنوز به طور گسترده مورد استفاده قرار نمی گیرد. البته اگر به گفته دانشمندان حوزه تکنولوژی اعتماد کنیم، باید انتظار داشته باشیم که تا چند سال آینده این وضع تغییر کند.
