اخبار فناوری: آخرین به‌روزرسانی‌های ۲۰۲۶-۰۴-۲۶

{“@⁦context⁩”:”https://schema.⁦org⁩”,”@⁦type⁩”:”Article”,”headline”:”Technologie-⁦Nachrichten: Aktuelle Updates vom 2026-04-26⁩”,”inLanguage”:”de”,”datePublished”:”2026-04-26″,”dateModified”:”2026-04-26″,”description”:”Laut ⁦aws.amazon.com integriert Amazon Quick nun den KI-Assistenten Vee von Visier⁩ über ⁦das Model Context Protocol⁩ (⁦MCP⁩). ⁦Die am 24. April 2026⁩…”,”keywords”:”Technologie, ⁦News⁩, ⁦Technologie-Nachrichten⁩, 2026-04-26″,”articleSection”:”Technology”,”isBasedOn”:[“https://aws.⁦amazon.com/about-aws/whats-new/2026/04/amazon-quick-visier-vee⁩/”,”https://blog.⁦google/innovation-و-ai/infrastructure-و-cloud/google-cloud/google-cloud-next-26-recap⁩/”,”https://blogs.⁦cisco.com/developer/product-sprints-for-developer-oriented-portals-و-content⁩”,”https://blogs.⁦vmware.com/cloud-پیدا نشدation/2026/04/24/cpu-disk-network-و-memory-workload-profiles-for-dvd-store-database-testing⁩/”,”https://www.⁦databricks.com/blog/openai-gpt-55-now-available-databricks-fully-governed-through-unity-ai-gateway⁩”]}
{“@⁦context⁩”:”https://schema.⁦org⁩”,”@⁦type⁩”:”FAQPage”,”mainEntity”:[{“@⁦type⁩”:”Question”,”name”:”کاربران چگونه می‌توانند در ⁦Amazon Quick⁩ به داده‌های نیروی کار ⁦Visier⁩ دسترسی پیدا کنند؟”,”acceptedAnswer”:{“@⁦type⁩”:”Answer”,”text”:”پس از راه‌اندازی اتصال از طریق سرور ⁦Remote-MCP⁩ شرکت ⁦Visier⁩، کاربران می‌توانند به زبان طبیعی درباره تعداد کارکنان، نرخ ترک کار، سابقه خدمت و موقعیت‌های شغلی باز سؤال بپرسند، بدون اینکه نیاز به جابه‌جایی بین ابزار‌های مختلف باشد.”}},{“@⁦type⁩”:”Question”,”name”:”Google چه مدل‌های هوش مصنوعی جدیدی را در ⁦Cloud Next⁩ ’26 معرفی کرد؟”,”acceptedAnswer”:{“@⁦type⁩”:”Answer”,”text”:”Google از جمله ⁦Gemini 3.1 Pro⁩ را برای جریان‌های کاری پیچیده، ⁦Gemini 3.1 Flash Image⁩ (⁦Nano Banana 2⁩) را برای محتوای بصری، ⁦Lyria 3⁩ را برای صدای حرفه‌ای و همچنین ⁦TPU 8t⁩ جدید را برای توان محاسباتی مورد نیاز معرفی کرد.”}},{“@⁦type⁩”:”Question”,”name”:”DVD ⁦Store 3.5⁩ چه پروفایل‌های بار کاری برای تست پایگاه داده ارائه می‌دهد؟”,”acceptedAnswer”:{“@⁦type⁩”:”Answer”,”text”:”DVD ⁦Store 3.5⁩ اکنون پروفایل‌های بار کاری مستند‌سازی شده‌ای ارائه می‌دهد که سناریو‌های فشرده پردازنده، شبکه، دیسک یا حافظه را پوشش می‌دهند. این پروفایل‌ها در مخزن رسمی ⁦GitHub⁩ در مسیر ⁦ds35/workload_profiles⁩ در دسترس هستند و روی یک ماشین مجازی تحت ⁦VMware Cloud Foوation ESX 9.0⁩ اعتبارسنجی شده‌اند.”}}]}

این گزارش خلاصه‌ای از اخبار فناوری مورخ 2026-04-26 است و صرفاً بر اساس متون اصلی منابع تهیه شده است.

⁦Amazon Quick⁩ دستیار هوش مصنوعی ⁦Vee⁩ از ⁦Visier⁩ را یکپارچه می‌کند

به گزارش ⁦aws.amazon.com⁩، ⁦Amazon Quick⁩ اکنون دستیار هوش مصنوعی ⁦Vee⁩ از ⁦Visier⁩ را از طریق ⁦Model Context Protocol⁩ (⁦MCP⁩) یکپارچه می‌کند. این اعلامیه که در 24 آوریل 2026 منتشر شد، مدیران منابع انسانی، مدیران مالی و رهبران عملیاتی را هدف قرار می‌دهد که از این پس می‌توانند مستقیماً در فضای کاری ⁦Amazon Quick⁩ خود به داده‌های هوش نیروی کار ⁦Visier⁩ دسترسی داشته باشند، بدون نیاز به جابه‌جایی بین ابزار‌های مختلف.

پس از راه‌اندازی اتصال از طریق سرور ⁦Remote-MCP⁩ شرکت ⁦Visier⁩، کاربران می‌توانند به زبان طبیعی درباره تعداد کارکنان، نرخ ترک کار، سابقه خدمت و موقعیت‌های شغلی باز سؤال بپرسند. پاسخ‌ها بر اساس مدل داده نیروی کار کنترل‌شده ⁦Visier⁩ ارائه می‌شوند. ⁦Vee⁩ علاوه بر این می‌تواند از طریق ⁦Quick Flows⁩ خودکار فراخوانی شود، مثلاً برای ایجاد گزارش‌های دوره‌ای پرسنلی یا تهیه پیش‌نویس اسناد.

⁦Amazon Quick⁩ درخواست‌های مرتبط را به‌صورت هوش‌مند به ⁦Vee⁩ هدایت می‌کند و پاسخ‌های متناسب با زمینه را به همراه دانش داخلی سازمان ارائه می‌دهد – مانند بودجه‌ها، خط‌مشی‌ها و برنامه‌هایی که در ⁦Quick Spaces⁩ ذخیره شده‌اند. به این ترتیب هر پاسخ باید تصویر کامل سازمانی را منعکس کند.

یکپارچه‌سازی ⁦Visier⁩ با ⁦Amazon Quick⁩ در تمام ⁦AWS Regions⁩ که ⁦Amazon Quick⁩ در آن‌ها ارائه می‌شود، در دسترس است. اطلاعات بیشتر در راهنمای یکپارچه‌سازی و صفحه یکپارچه‌سازی ⁦Amazon Quick⁩ موجود است.

⁦Google Cloud Next⁩ ’26: عامل‌های هوش مصنوعی در کانون توجه

در رویداد ⁦Google Cloud Next⁩ ’26 در لاس‌وگاس، ⁦Google⁩ آغاز دوران جدیدی را اعلام کرد: هوش مصنوعی قرار است در آینده نه تنها کار را پشتیبانی کند، بلکه به عنوان یک عامل مستقل وظایف را به‌صورت خودکار انجام دهد. هسته اصلی اعلامیه‌ها ⁦Gemini Enterprise Agent Platform⁩ است – یک محیط توسعه یکپارچه که شرکت‌ها می‌توانند با آن عامل‌های هوش مصنوعی بسازند، مدیریت کنند و مقیاس‌بندی نمایند. ابزار‌های موجود شامل ⁦Gemini 3.1 Pro⁩ برای جریان‌های کاری پیچیده، ⁦Gemini 3.1 Flash Image⁩ (همچنین شناخته‌شده به نام ⁦Nano Banana 2⁩) برای محتوای بصری، ⁦Lyria 3⁩ برای صدای حرفه‌ای و ⁦Claude⁩ از ⁦Anthropic Opus 4.7⁩ هستند. با ⁦Agent Studio⁩ به عنوان رابط ⁦Low-Code⁩ و ابزار ⁦No-Code⁩ به نام ⁦Agent Designer⁩، حتی کاربران بدون دانش برنامه‌نویسی می‌توانند عامل‌های خود را بسازند.

نسل‌های جدید سخت‌افزاری توان محاسباتی مورد نیاز را تأمین می‌کنند. ⁦TPU 8t⁩ برای آموزش مدل‌های هوش مصنوعی طراحی شده، در حالی که ⁦TPU 8i⁩ برای استنتاج بهینه‌سازی شده و قرار است 80% عملکرد بهتر به ازای هر دلار ارائه دهد. علاوه بر این، ⁦Google⁩ از اولین ارائه‌دهندگان سیستم‌های جدید ⁦NVIDIA Vera Rubin NVL72⁩ خواهد بود. شبکه اختصاصی ⁦Virgo Network⁩ ابررایانه‌ها را به یکدیگر متصل می‌کند و ⁦Managed Lustre⁩ سرعت انتقال 10 ترابایت در ثانیه را ارائه می‌دهد.

برای اینکه عامل‌های هوش مصنوعی بتوانند به داده‌های مرتبط سازمانی دسترسی پیدا کنند، ⁦Google⁩ ابر داده عاملی (⁦Agentic Data Cloud⁩) را معرفی کرد. ⁦Knowledge Catalog⁩ آن، مجموعه داده‌ها را به‌صورت خودکار با کمک ⁦Gemini⁩ سازمان‌دهی و پیوند می‌زند. ⁦Cross-Cloud Lakehouse⁩ مبتنی بر ⁦Apache Iceberg⁩ است و امکان پرس‌وجو فراتر از مرز‌های ابری را فراهم می‌کند – حتی برای داده‌های موجود در ⁦AWS⁩ – بدون نیاز به جابه‌جایی آن‌ها.

در حوزه امنیت، ⁦Google⁩ تحلیل تهدیدات خود را با پلتفرم ⁦Wiz⁩ ترکیب می‌کند که اکنون بخشی از ⁦Google Cloud⁩ است. عامل‌های تخصصی مانند ⁦Threat Hunting Agent⁩، ⁦Detection Engineering Agent⁩ و ⁦Third-Party Context Agent⁩ قرار است تهدیدات را به‌صورت فعال شناسایی کرده و قوانین امنیتی را به‌طور مستقل ایجاد کنند. ⁦Wiz⁩ اکنون از ⁦Databricks⁩ و همچنین استودیو‌های هوش مصنوعی و پلتفرم‌های چندابری دیگر نیز پشتیبانی می‌کند.

اسپرینت‌های محصول برای پورتال‌ها و محتوای توسعه‌دهندگان

به گزارش ⁦blogs.cisco.com⁩، در توسعه پورتال‌های توسعه‌دهندگان، سرعت در تصمیم‌گیری اغلب مهم‌تر از کمال‌گرایی است. به جای کار ماه‌ها روی یک ویژگی، باید با یک فرضیه مشخص و قابل اندازه‌گیری شروع کرد – مثلاً اینکه نیمی از کاربران پس از اولین فراخوانی ⁦API⁩ در قیف تبدیل خارج می‌شوند یا اینکه میانگین مدت جلسه در ⁦Cloud IDE⁩ کمتر از 10 ثانیه است.

پس از هر انتشار، این مقاله توصیه می‌کند که موفقیت بر اساس شاخص‌های ⁦محصول-Market-Fit⁩ سنجیده شود. از جمله این شاخص‌ها می‌توان به رشد استفاده و ثبت‌نام با تمرکز بر ⁦Activation Rate و Return استفاده⁩، همبستگی بازدید مستندات و درخواست‌های ⁦API⁩ و همچنین ⁦Time to First Hello World⁩ (⁦TTFHW⁩) اشاره کرد. تصمیمات باید طبق منبع از طریق سه ستون اعتبارسنجی شوند: تحلیل محصول، بازخورد کاربران و تأثیرات تجاری.

به عنوان نمونه عملی، مقاله معرفی یک ⁦Cloud IDE⁩ مبتنی بر ⁦README⁩ در ⁦DevNet⁩ را شرح می‌دهد. بازخورد کاربران و تحلیل‌ها نشان داد که صفحه شروع پیش‌فرض ⁦VS Code⁩ حواس‌پرتی ایجاد می‌کرد، به‌ویژه در محیط‌های خاص مانند کانتینر‌های ⁦Cisco NSO⁩. راه‌حل این بود که راهنمای ⁦README⁩ مخزن به‌صورت پیش‌فرض باز شود. علاوه بر این، رویداد‌های تحلیلی مانند ⁦copy_for_ai⁩ یا ⁦download_openapi_doc⁩ توصیه می‌شوند تا درک شود که محتوا چگونه توسط کاربران و ابزار‌های توسعه مبتنی بر هوش مصنوعی مصرف می‌شود.

⁦DVD Store 3.5⁩: پروفایل‌های بار کاری جدید برای تست پایگاه داده

ابزار متن‌باز تست پایگاه داده ⁦DVD Store⁩ که از زمان انتشار اولیه خود در سال 2005 به‌طور گسترده مورد استفاده قرار گرفته، اکنون از پروفایل‌های بار کاری مستند‌سازی شده برای سناریو‌های مختلف بار‌گذاری پشتیبانی می‌کند. این نرم‌افزار یک فروشگاه آنلاین را شبیه‌سازی می‌کند که در آن کاربران وارد می‌شوند، مرور می‌کنند، امتیاز می‌دهند و ⁦DVD⁩ خری‌داری می‌کنند. این نرم‌افزار روی ⁦SQL Server⁩، ⁦Oracle⁩، ⁦PostgreSQL⁩ و ⁦MySQL⁩ اجرا می‌شود و از ویژگی‌های رایج پایگاه داده مانند رویه‌های ذخیره‌شده، ایندکس‌ها، کلید‌های خارجی، جستجوی متن کامل، پرس‌وجو‌های پیچیده چندجدولی و تراکنش‌ها استفاده می‌کند.

⁦DVD Store⁩ در اصل به عنوان بار کاری فشرده پردازنده طراحی شده بود، اما از همان ابتدا امکان تنظیم پارامتر‌ها برای ایجاد پروفایل‌های فشرده شبکه، دیسک یا حافظه نیز وجود داشت. نمونه‌هایی از این پروفایل‌ها اکنون در مخزن رسمی ⁦GitHub⁩ در مسیر ⁦https://github.com/dvdstore/ds35/tree/main/workload_profiles⁩ ارائه و توضیح داده شده‌اند.

تست‌های اعتبارسنجی روی یک ماشین مجازی واحد انجام شدند که روی یک سرور ⁦VMware Cloud Foوation⁩ (⁦VCF⁩) ⁦ESX 9.0⁩ اجرا می‌شد. سیستم‌عامل مهمان ⁦Windows Server 2022⁩ با ⁦SQL Server 2022⁩ بود. تمام شاخص‌های عملکردی از دید میزبان ⁦ESX⁩ با استفاده از ⁦esxtop⁩ ثبت شدند.

تمام جزئیات پیکر‌بندی پروفایل‌های بار کاری از جمله پارامتر‌های خاص ⁦DVD Store⁩ و تنظیمات پایگاه داده در فایل ⁦ds35_workload_profiles.txt⁩ در پروژه ⁦GitHub⁩ موجود است.

⁦GPT-5.5⁩ و ⁦Codex⁩ اکنون در ⁦Databricks⁩ در دسترس هستند

به گزارش ⁦databricks.com⁩، ⁦Databricks⁩ اکنون از ⁦GPT-5.5⁩ به‌صورت بومی پشتیبانی می‌کند. این مدل به عنوان قدرتمندترین مدل ⁦Frontier⁩ شرکت ⁦OpenAI⁩ برای برنامه‌های سازمانی مبتنی بر عامل، تحلیل اسناد پیچیده و عامل‌های برنامه‌نویسی ⁦long-horizon⁩ توصیف شده است. تمام استفاده از ⁦GPT-5.5⁩ در ⁦Databricks⁩ از طریق ⁦Unity AI Gateway⁩ مدیریت می‌شود که قرار است امنیت متمرکز، کنترل هزینه و نظارت را ارائه دهد – هم برای استنتاج مدل ⁦GPT-5.5⁩ و هم برای جریان‌های کاری برنامه‌نویسی ⁦Codex⁩ از ⁦OpenAI⁩.

⁦GPT-5.5⁩ طبق منبع به‌ویژه در پردازش اسناد پیچیده و واقعی مانند ⁦PDF⁩‌های اسکن‌شده، جداول و داده‌های چندفرمتی نتایج قابل اعتمادتری ارائه می‌دهد. توسعه‌دهندگان می‌توانند عامل‌های مبتنی بر ⁦GPT-5.5⁩ را با ابزار‌ها و فریم‌ورک‌های مورد علاقه خود بسازند و آن‌ها را به عنوان ⁦Databricks Apps⁩ کاملاً مدیریت‌شده و بدون سرور مستقر کنند.

⁦GPT-5.5⁩ طبق ⁦Databricks⁩ از هم‌اکنون در ⁦AWS⁩، ⁦Azure⁩ و ⁦GCP⁩ در دسترس است. ⁦Unity AI Gateway⁩ به عنوان لایه کنترل مرکزی برای امنیت و حاکمیت در تمام عامل‌ها، پرس‌وجو‌ها و جریان‌های کاری برنامه‌نویسی عمل می‌کند.

نتیجه‌گیری

اخبار فناوری امروز روند واضحی به سمت عامل‌های مبتنی بر هوش مصنوعی و یکپارچه‌سازی پلتفرم‌ها نشان می‌دهد: ⁦Amazon Quick⁩ دستیار هوش مصنوعی ⁦Vee⁩ از ⁦Visier⁩ را یکپارچه می‌کند، ⁦Google⁩ در ⁦Cloud Next⁩ ’26 پلتفرم ⁦Gemini Enterprise Agent Platform⁩ خود را معرفی می‌کند و ⁦Databricks⁩ مدل ⁦GPT-5.5⁩ به همراه ⁦Codex⁩ را به‌صورت بومی در دسترس قرار می‌دهد. در کنار این‌ها، مقالاتی درباره اسپرینت‌های محصول برای پورتال‌های توسعه‌دهندگان و نسخه به‌روزرسانی‌شده ⁦DVD Store 3.5⁩ نکات عملی برای توسعه نرم‌افزار و تست پایگاه داده ارائه می‌دهند.

سؤالات متداول

کاربران چگونه می‌توانند در ⁦Amazon Quick⁩ به داده‌های نیروی کار ⁦Visier⁩ دسترسی پیدا کنند؟

پس از راه‌اندازی اتصال از طریق سرور ⁦Remote-MCP⁩ شرکت ⁦Visier⁩، کاربران می‌توانند به زبان طبیعی درباره تعداد کارکنان، نرخ ترک کار، سابقه خدمت و موقعیت‌های شغلی باز سؤال بپرسند، بدون اینکه نیاز به جابه‌جایی بین ابزار‌های مختلف باشد.

⁦Google⁩ چه مدل‌های هوش مصنوعی جدیدی را در ⁦Cloud Next⁩ ’26 معرفی کرد؟

⁦Google⁩ از جمله ⁦Gemini 3.1 Pro⁩ را برای جریان‌های کاری پیچیده، ⁦Gemini 3.1 Flash Image⁩ (⁦Nano Banana 2⁩) را برای محتوای بصری، ⁦Lyria 3⁩ را برای صدای حرفه‌ای و همچنین ⁦TPU 8t⁩ جدید را برای توان محاسباتی مورد نیاز معرفی کرد.

⁦DVD Store 3.5⁩ چه پروفایل‌های بار کاری برای تست پایگاه داده ارائه می‌دهد؟

⁦DVD Store 3.5⁩ اکنون پروفایل‌های بار کاری مستند‌سازی شده‌ای ارائه می‌دهد که سناریو‌های فشرده پردازنده، شبکه، دیسک یا حافظه را پوشش می‌دهند. این پروفایل‌ها در مخزن رسمی ⁦GitHub⁩ در مسیر ⁦ds35/workload_profiles⁩ در دسترس هستند و روی یک ماشین مجازی تحت ⁦VMware Cloud Foوation ESX 9.0⁩ اعتبارسنجی شده‌اند.

📚 منابع

• 🔗 ⁦aws.amazon.com: Amazon Quick now integrates with Visier⁩’s ⁦Vee agent for workforce inte⁩…
• 🔗 ⁦blog.google: 7 highlights from Google Cloud Next⁩ ’26…
• 🔗 ⁦blogs.cisco.com: محصول sprints for developer-oriented portals و content⁩…
• 🔗 ⁦blogs.vmware.com: CPU⁩, ⁦Disk⁩, ⁦Network⁩, ⁦و Memory Workload Profiles for DVD Store Databas⁩…
• 🔗 ⁦databricks.com: OpenAI GPT-5.5⁩ + ⁦Codex⁩, ⁦now available و fully-governed in Databricks⁩…