Thoughtworks Radar 27. sayısı yayımlandı

Teknikler/araçlar/platformlar/geliştirme dilleri ve framework’ler alanlarındaki en güncel trendleri Hold/Assess/Trial/Adopt şeklindeki 4 aşamada görselleştirip açıklamasıyla öne çıkıyor

Makine öğrenmesinin ana akımlaşması

• ML bir zamanlar yalnızca araçlara ve kaynaklara sahip kişilerin kullanabildiği bir alandı, ancak cihaz yeteneklerinin artması ve open source’un ortaya çıkmasıyla ana akımlaşıyor (mainstreaming)
• Federated ML gibi teknikler, hassas bilgiler için gizlilik sağlayan ML modellerini mümkün kılıyor
• TinyML, modellerin kaynakları sınırlı cihazlarda çalışmasını sağlayarak çıkarım yeteneğini Edge’e taşıyor ve böylece hassas veriler için güvenliği iyileştirebiliyor
• Feature Store, uygulama geliştirmedeki MVC tasarım desenine benzer faydalar sağlayarak veri kürasyonu, model eğitimi ve çıkarım arasındaki sorunları net biçimde ayırıyor
• Stable Diffusion gibi açık modeller, ML’nin etkileyici yeteneklerinin yanı sıra kaynak veri ve etikle ilgili endişeleri de öne çıkarıyor
• ML bileşenleri artık her zamankinden daha kolay birbirine bağlanabiliyor; bu da iş modelleri ve yüksek performanslı genel modeller üzerinden çeşitli ML deneyimleri ve çözümleri oluşturmayı mümkün kılıyor

"Platform as a Product" gücü

• 'Platform' kelimesi gerçekten çok sık kullanılıyor. İş veya domain merkezli platformlar, altyapı ya da geliştirici deneyimi platformları gibi.
• Temelde organizasyonların platformlarda yaşadığı pek çok sorun ve hayal kırıklığının kök nedeni, "platforma uygun şekilde bir ürün gibi davranmamak"
  • Örneğin geliştirici platformlarında, diğer ürün türlerinde beklenen kullanıcı araştırması veya bağlam analizi eksik kalıyor
  • Platform sahipleri, geliştirici gereksinimlerine dair varsayımlarını doğrulamalı ve gerçek kullanım kalıplarına yanıt vermeli
  • Diğer iyi ürünlerde olduğu gibi platformların da sürekli desteğe ihtiyacı var. Geliştiricilerin değişen gereksinimlerine göre evrilip uyum sağlamaları gerekiyor
• "Platform as a Product" metaforu ancak bir slogan değil de tam anlamıyla bir pratik olarak benimsendiğinde etkili olabilir

Veri sahipliği Edge’e kayıyor

• Her türlü merkezileştirme, daralma, darboğaz ve gereksiz ifşa olasılığının önünü açıyor
• Merkezi bir DB olmadan veri uygulamalarını mümkün kılan CRDT tabanlı local-first yazılım/uygulama teknolojileri, P2P veri inşası üzerine yeniden düşünmeye yöneltiyor
• Veri sahipliğini edge’e taşımak, geliştiricilerin tek tek cihazlardaki gelişmiş yeteneklerden yararlanmasını sağlıyor
• Örneğin yüz tanıma gibi birçok özellik yalnızca edge’de işlenebilir; böylece veriler kalıcı olarak sadece cihazda tutulabilir

Mobil de modüler olmalı

• Mobil uygulamalar olgunlaştıkça boyutları büyüyor, hizmetleri artıyor ve kendi başına bir platform sayılabilecek süper uygulamalara dönüşüyor
• Çok büyük olmasa da yıllar içinde fazla özellik kazanmış uygulamalar da modüllere ayrılabilir; şirketler mobil uygulamalarda da modülerleşmenin benzer faydalar sağladığını görüyor
• Modülerleştirilmiş uygulamalar birden fazla ekip tarafından geliştirilebildiği için birçok avantaj sunuyor
• Ancak karmaşık olan nokta, uygulamaların app store üzerinden dağıtılması gerekmesi, native iOS/Android ile web sürümünün desteklenmesi ve her birini karşılamak için ince ayarlar yapılmasının gerekmesi
• Bu faydalara rağmen mobil geliştirmede modüler yaklaşımı benimsemek zor olsa da giderek daha iyi framework’ler göreceğiz

[ Techniques ]

Adopt

1. Path-to-production mapping
2. Team cognitive load
3. Threat modeling

Trial

4. BERT
5. Component visual regression testing
6. Design tokens
7. Fake SMTP server to test mail-sending
8. Federated machine learning
9. Incremental developer platform
10. Micro frontends for mobile
11. Observability for CI/CD pipelines
12. SLSA
13. Software Bill of Materials

Assess

14. Carbon efficiency as an architectural characteristic
15. CUPID
16. GitHub push protection
17. Local-first application
18. Metrics store
19. Server-driven UI
20. SLIs and SLOs as code
21. Synthetic data for testing models
22. TinyML
23. Verifiable credentials

Hold

24. Satellite workers without “remote native”
25. SPA by default
26. Superficial cloud native

[ Platforms ]

Adopt

27. Backstage
28. Delta Lake

Trial

29. AWS Database Migration Service
30. Colima
31. Databricks Photon
32. DataHub
33. DataOps.live
34. eBPF
35. Feast
36. Monte Carlo
37. Retool
38. Seldon Core
39. Teleport
40. VictoriaMetrics

Assess

41. Bun
42. Databricks Unity Catalog
43. Dragonfly
44. Edge Impulse
45. GCP Vertex AI
46. Gradient
47. IAM Roles Anywhere
48. Keptn
49. OpenMetadata
50. OrioleDB

[ Tools ]

Adopt

51. Great Expectations
52. k6

Trial

53. Apache Superset
54. AWS Backup Vault Lock
55. AWS Control Tower
56. Clumio Protect
57. Cruft
58. Excalidraw
59. Hadolint
60. Kaniko
61. Kusto Query Language
62. Spectral
63. Styra Declarative Authorization Service
64. xbar for build monitoring

Assess

65. Clasp
66. Databricks Overwatch
67. dbtvault
68. git-together
69. Harness Cloud Cost Management
70. Infracost
71. Karpenter
72. Mizu
73. Soda Core
74. Teller
75. Xcode Cloud
    ##Hold
76. Online services for formatting or parsing code

[ Languages and Frameworks ]

Adopt

77. io-ts
78. Kotest
79. NestJS
80. React Query
81. Swift Package Manager
82. Yjs

Trial

83. Azure Bicep
84. Camunda
85. Gradle Kotlin DSL
86. Jetpack Media3
87. Ladle
88. Moshi
89. Svelte

Assess

90. Aleph.js
91. Astro
92. BentoML
93. Carbon Aware SDK
94. Cloudscape
95. Connect
96. Cross device SDK
97. Cypress Component Testing
98. JobRunr
99. Million
100. Soketi
101. Stable Diffusion
102. Synthetic Data Vault

Hold

103. Carbon

[xguru]

Thoughtworks Radar 26. sayı
ThoughtWorks Radar 24. sayı
24'ten itibaren ana temaları çevirip aktarmayı düşünmüştüm ama 25'i atlamışım.. hüzün