包含來自 Discord、Expedia、Pinterest、Booking 等的文章！
1. “駕馭 Web 進化：與 Addy Osmani 就 Web 開發和開發者成長進行深入訪談”
Wix ⸱ 閱讀時間 12 分鐘 ⸱ 7 月 16 日
Addy 討論了在 Web 開發測試中如何平衡質量和敏捷性，介紹瞭如何在瞬息萬變的行業中選擇重點關注哪些技術。他分享了他對瀏覽器設計演變和潛在改進領域的看法，並介紹了瀏覽器效能的潛在變革因素，包括 WebAssembly 和 AI 驅動的最佳化。
強烈推薦閱讀！
2. “棄用遺留微服務的風險”
作者：Shashank Jha ⸱ Expedia ⸱ 閱讀時間：4 分鐘 ⸱ 7 月 10 日
- 探索 Expedia 集團航班詳情堆疊現代化的歷程
- 描述該專案的動機和整合Cassandra 的提議
- 涵蓋所面臨的挑戰，包括序列化庫和升級基礎設施的問題
- 分享引入Redis作為替代方案的決定及其帶來的好處，包括簡化的PubSub實施和成本節省
其他：
“構建你自己的 GPT（BYO-GPT）”
作者 Rajat Gupta ⸱ Walmart ⸱ 閱讀時間 7 分鐘 ⸱ 7 月 8 日
如何為個人資料構建定製的 GPT 並避免將敏感資訊暴露給外部 API？
“Discord 如何使用開源工具進行可擴充套件資料編排和轉換”
Discord ⸱ 2 分鐘閱讀 ⸱ 7 月 12 日
本文提出了使用 Dagster 和 dbt 組合的決定，強調了 Dagster 對 Kubernetes、宣告式自動化和使用者友好型 UI 的支援。
“利用 RAG 解鎖影片知識共享”
作者：Alon Faktor ⸱ Vimeo ⸱ 閱讀時間：13 分鐘 ⸱ 7 月 15 日
- 介紹 Vimeo 的新影片問答系統，該系統使用生成式 AI 來討論影片內容
- 探索使用RAG （檢索增強生成）來回答有關特定文字資料庫的問題
- 討論自下而上處理問答影片記錄的方法
- 介紹不使用面部識別的說話人檢測技術
- 介紹如何使用人工智慧生成的藝術作品在影片中尋找準確的參考點，並自動生成新的問題供觀眾提出
“最佳化揀貨流程，讓 Instamart 能夠更快地交貨”
作者：Sonakshi Gupta ⸱ Swiggy ⸱ 閱讀時間：7 分鐘 ⸱ 7 月 10 日
- 描述 Instamart 在暗店揀貨流程高峰時段的時間延遲問題
- 介紹批次揀貨訂單的解決方案以提高效率
- 透過數學模型和演算法實現批次揀選
- 分享模擬結果，驗證批次揀選的有效性
- 概述批次揀選如何減少揀選員分配時間和行程時間，從而提高整體效率
“AWS 簡單電子郵件服務安全性”
作者：Tom Spencer ⸱ Capgemini ⸱ 閱讀時間：1 分鐘 ⸱ 7 月 12 日
“利用圖形技術進行實時欺詐檢測和預防”
作者：Deepak Patankar ⸱預訂⸱ 閱讀 6 分鐘 ⸱ 7 月 10 日
- 描述 Booking.com 背景下的欺詐檢測和預防挑戰
- 引入以圖表形式表示請求的概念，用於實時欺詐檢測
- 分享圖表隨時間演變並揭示可疑模式的示例
- 解釋如何使用圖表進行實時欺詐檢測以及構建圖表的技術要求
- 涵蓋欺詐檢測服務和圖形服務的系統元件和設計
“以下是我們在柏林 Google I/O Connect 大會上了解到的資訊”
作者：Ed Holloway-George ⸱ ASOS ⸱ 閱讀時間：1 分鐘 ⸱ 7 月 17 日
“識別 LLM 中不安全輸出處理漏洞的 4 階段指南”
作者 Zeev Kalyuzhner ⸱ Wix ⸱ 閱讀時間 3 分鐘 ⸱ 7 月 15 日
- 探討 LLM 中不安全輸出處理的漏洞
- 描述惡意行為者如何利用此漏洞破壞系統並訪問私人資料
- 涵蓋訓練資料中毒的概念及其對 LLM 完整性的影響
- 介紹利用漏洞入侵系統的實際場景
“使用 Karate 簡化 GraphQL 服務測試”
trivago ⸱ 閱讀 10 分鐘 ⸱ 7 月 8 日
- 描述 trivago 如何將其現有的 GraphQL 單體重構為微服務架構
- 探索測試 GraphQL 服務的挑戰，包括巢狀資料結構和錯誤處理
- 分享如何整合測試框架 Karate 來解決測試挑戰
- 介紹使用 Justfiles 來抽象複雜任務並確保跨平臺相容性
- 涵蓋部署到生產環境之前測試更改的藍綠髮布策略的實施
“構建 Pinterest Canvas，一種文字到影像的基礎模型”
作者：Pinterest Engineering ⸱ Pinterest ⸱ 閱讀時間：7 分鐘 ⸱ 7 月 10 日
- 介紹了 Pinterest Canvas 的開發，這是一種文字到影像的基礎模型，用於增強平臺上現有的影像和產品
- 討論基礎文字轉影像模型的訓練、生成逼真背景的微調過程，以及針對影像風格的上下文學習過程
- 解釋如何使用強化學習來鼓勵 Canvas 生成多樣化且具有視覺吸引力的影像
- 描述背景生成的微調過程，包括訓練階段和納入修復的附加資訊
- 分享 Pinterest Canvas 模型的未來改進，包括升級到更現代的 Transformer 擴散架構，並重新思考二元掩碼模型調節方法