اخبار: آخرین به‌روزرسانی‌های ۲۰۲۶-۰۴-۲۳

{“@⁦context⁩”:”https://schema.⁦org⁩”,”@⁦type⁩”:”Article”,”headline”:”اخبار: آخرین به‌روزرسانی‌های 2026-04-23″,”inLanguage”:”fa”,”datePublished”:”2026-04-23″,”dateModified”:”2026-04-23″,”description”:”به گزارش ⁦about.gitlab.com⁩، هکاتون هوش مصنوعی ⁦GitLab⁩ از ⁦February 9⁩ تا ⁦March 25⁩, 2026 در پلتفرم هکاتون ⁦Devpost⁩ برگزار شد. ⁦Google Cloud⁩ و…”,”keywords”:”News, اخبار, 2026-04-23″,”isBasedOn”:[“https://about.⁦gitlab.com/blog/gitlab-ai-hackathon-2026-meet-the-winners⁩/”,”https://aws.⁦amazon.com/about-aws/whats-new/2026/04/sagemaker-code-spaces⁩/”,”https://blog.⁦google/innovation-و-ai/infrastructure-و-cloud/google-cloud/cloud-next-2026-customer-roو-up⁩/”,”https://blogs.⁦cisco.com/ai/cisco-ai-defense-google-cloud⁩”,”https://blogs.⁦vmware.com/cloud-پیدا نشدation/2026/04/21/deploying-harbor-service-in-air-gapped-vmware-cloud-پیدا نشدation-9-0⁩/”]}
{“@⁦context⁩”:”https://schema.⁦org⁩”,”@⁦type⁩”:”FAQPage”,”mainEntity”:[{“@⁦type⁩”:”Question”,”name”:”این اخبار بر چه اساسی خلاصه شده‌اند؟”,”acceptedAnswer”:{“@⁦type⁩”:”Answer”,”text”:”صرفاً بر اساس متون اصلی منابع لینک‌شده.”}}]}

این گزارش اخبار 2026-04-23 را خلاصه می‌کند و صرفاً بر اساس متون اصلی منابع تهیه شده است.

⁦GitLab AI Hackathon 2026⁩: برندگان مشخص شدند

به گزارش ⁦about.gitlab.com⁩، هکاتون هوش مصنوعی ⁦GitLab⁩ از ⁦February 9⁩ تا ⁦March 25⁩, 2026 در پلتفرم هکاتون ⁦Devpost⁩ برگزار شد. ⁦Google Cloud⁩ و ⁦Anthropic⁩ به عنوان هم‌حامیان مالی حضور داشتند. نزدیک به 7,000 توسعه‌دهنده شرکت کردند و بیش از 600 عامل و گردش کار هوش مصنوعی ساختند. مبالغ جوایز طبق اعلام مجموعاً $65,000 بود که توسط ⁦GitLab⁩، ⁦Google Cloud⁩ و ⁦Anthropic⁩ تأمین شد. 19 داور طی 18 روز ارسالی‌ها را ارزیابی کردند.

جایزه اصلی را ⁦LORE⁩ یعنی ⁦Living Organizational Record Engine⁩ به دست آورد. این پروژه از هشت عامل با یک مسیریاب استفاده می‌کند که سؤالات را به عامل مناسب هدایت می‌کند، همراه با یک داشبورد بصری و ردیابی ⁦CO⁩₂. ابزار خط فرمان با 43 تست ارسال شد. داور ⁦April Guo⁩ (⁦Anthropic⁩) در این باره نوشت: «⁦This feels like a product⁩, ⁦not a hackathon project⁩.» ⁦LORE⁩ یک مشکل شناخته‌شده در توسعه نرم‌افزار را هدف قرار می‌دهد: دانشی که در ذهن مهندسان وجود دارد و با ترک تیم از دست می‌رود.

در حوزه امنیت، چندین پروژه متقاعدکننده بودند: ⁦Gitdefender⁩ آسیب‌پذیری‌های امنیتی را مستقیماً در گردش کار بازبینی کد شناسایی و رفع می‌کند. ⁦DELTA Cyber Reasoning⁩ تست فاز خودکار ارائه می‌دهد. ⁦RedAgent⁩ گزارش‌های امنیتی تولیدشده توسط هوش مصنوعی را بررسی می‌کند تا شکاف اعتماد بین نتایج هوش مصنوعی و اقدامات توسعه‌دهندگان را پر کند. پای‌داری نیز نقش محوری داشت — در دسته ⁦Green Agent⁩، پروژه ⁦GreenPipe⁩ مورد تقدیر قرار گرفت. ⁦Stacy Cline⁩ و ⁦Kim Buncle⁩ از تیم پای‌داری ⁦GitLab⁩ این دسته را ارزیابی کردند. داور ⁦Jens-Joris Decorte⁩ (⁦TechWolf⁩) تأکید کرد که هزینه‌ها از $556 به $18 در ماه کاهش یافت — کاهشی معادل 96%. در میان برندگان جایزه ویژه طراحی پایدار، از جمله ⁦BugFlow⁩ قرار داشت که طبق منبع یک گزارش خطا را به 10 اصلاح در عرض 20 دقیقه تبدیل کرد، و همچنین ⁦CarbonLint⁩ و ⁦TFGuardian⁩.

⁦SageMaker Unified Studio⁩: چندین ⁦Code Spaces⁩ در هر پروژه

به گزارش ⁦aws.amazon.com⁩، ⁦Amazon SageMaker Unified Studio⁩ از این پس از چندین ⁦Code Spaces⁩ در پروژه‌ها برای دامنه‌های ⁦IAM⁩ پشتیبانی می‌کند. پیش‌تر پروژه‌ها به یک فضای ⁦JupyterLab⁩ و یک فضای ⁦Code Editor⁩ محدود بودند. با به‌روزرسانی جدید، توسعه‌دهندگان اکنون می‌توانند به صورت موازی روی جریان‌های کاری یا آزمایش‌های مختلف با پیکر‌بندی‌های محاسباتی و ذخیره‌سازی متفاوت کار کنند.

هر ⁦Code Space⁩ دارای یک حجم اختصاصی پایدار ⁦Amazon EBS⁩ است، به طوری که فایل‌ها، داده‌ها و وضعیت‌های جلسه به صورت مستقل حفظ می‌شوند. توان محاسباتی و حافظه برای هر ⁦Space⁩ به صورت جداگانه قابل افزایش یا کاهش است، و ⁦Space⁩ها را می‌توان در هر زمان متوقف و از سر گرفت. محیط اجرا برای هر وظیفه خاص قابل تنظیم است. ⁦Space⁩ها را می‌توان مثلاً در تب‌های اختصاصی مرورگر باز کرد یا به یک ⁦IDE⁩ محلی متصل کرد — از جمله پشتیبانی از سطح پولی ⁦Amazon Q⁩.

این قابلیت مثلاً برای دانشمندان داده طراحی شده که می‌خواهند به صورت موازی روی تبدیل‌های داده طولانی‌مدت و آموزش مدل‌ها در یک پروژه واحد کار کنند. این ویژگی به‌ویژه برای توسعه‌دهندگانی مفید است که به محیط‌های ایزوله برای جریان‌های کاری موازی نیاز دارند اما همچنان می‌خواهند در یک پروژه مشترک همکاری کنند. این قابلیت در تمام ⁦AWS Regions⁩ که ⁦Amazon SageMaker Unified Studio⁩ در آن‌ها ارائه می‌شود، در دسترس است. اطلاعات بیشتر در ⁦Managing Code Spaces⁩ در ⁦Amazon SageMaker User Guide⁩ موجود است.

عوامل هوش مصنوعی در مقیاس بزرگ: ۱۰ شرکت بزرگ موفقیت‌های عملی را نشان می‌دهند

به گزارش ⁦blog.google⁩، شرکت‌های پیشرو مانند ⁦Capcom⁩، ⁦Home Depot⁩، ⁦Mars⁩ و ⁦Citi Wealth⁩ به همراه ⁦Google Cloud⁩ از عوامل هوش مصنوعی برای خودکار‌سازی فرآیند‌های پیچیده تجاری و بازطراحی بنیادین عملیات خود استفاده می‌کنند. این مشارکت‌ها در 22 آوریل 2026 در کنفرانس ⁦Next⁩ ’26 در ⁦Las Vegas⁩ معرفی شدند. ⁦Google Cloud⁩ این تحول را ظهور «⁦Agentic Enterprise⁩» توصیف می‌کند — بازآرایی عمیق سازمان‌های مدرن از طریق سیستم‌های هوش مصنوعی خودمختار.

یک نمونه عملی از سوی توسعه‌دهنده بازی ژاپنی ⁦Capcom⁩ ارائه شد: عوامل تخصصی هوش مصنوعی وظیفه تست بازی را بر عهده می‌گیرند و به طور مستقل دنیای دیجیتال بازی را جستجو کرده و خطاها، ناهماهنگی‌های بصری و مشکلات صوتی را شناسایی می‌کنند. به گفته ⁦Google Cloud⁩، ماهانه بیش از 30,000 ساعت تست ثبت می‌شود. ⁦Capcom⁩ به این ترتیب می‌تواند تیم‌های توسعه‌دهنده خود را از تضمین کیفیت تکراری رها کرده و بیشتر بر نوآوری خلاقانه متمرکز کند. همچنین در هنگام عرضه ⁦Street Fighter 6⁩، همکاری با ⁦Google Cloud⁩ زیرساختی پایدار و مقیاس‌پذیر را تضمین کرد.

سیستم‌های معرفی‌شده از توسعه نرم‌افزار و خدمات مشتری تا تحلیل داده را شامل می‌شوند. شرکت‌ها از عوامل مثلاً برای مقیاس‌بندی عملیات، کاهش هزینه‌ها و بهبود تجربه مشتری استفاده می‌کنند. ⁦Google Cloud⁩ تأکید می‌کند که نقشه راه محصولات خود را هدفمندانه بر اساس پیچیده‌ترین چالش‌های تجاری تنظیم کرده — با تکیه بر نتایج تحقیقاتی ⁦Google Cloud⁩ و ⁦Google DeepMind⁩. برای شرکت‌هایی که می‌خواهند امنیت فناوری اطلاعات، استراتژی‌های پشتیبان‌گیری یا زیرساخت ابری خود را مدرن‌سازی کنند، این نمونه‌های عملی می‌تواند به عنوان الگو مورد استفاده قرار گیرد.

⁦Cisco AI Defense⁩ اکنون برای ⁦Google Cloud⁩ نیز در دسترس است

به گزارش ⁦blogs.cisco.com⁩، ⁦Cisco⁩ حفاظت راهکار امنیتی ⁦Cisco AI Defense⁩ خود را به ⁦Google Cloud⁩ گسترش می‌دهد. بدین ترتیب این پلتفرم علاوه بر ⁦AWS⁩ و ⁦Microsoft Azure⁩ اکنون از سومین ارائه‌دهنده بزرگ ابری نیز پشتیبانی می‌کند. پیش‌زمینه این امر تهدیدات رو به رشد است: طبق 2025 ⁦Cisco Cybersecurity Readiness Index⁩، ۸۶ درصد شرکت‌ها در ۱۲ ماه گذشته یک حادثه امنیتی مرتبط با هوش مصنوعی را تجربه کرده‌اند، در حالی که کمتر از نیمی از آن‌ها منابع کافی برای ارزیابی‌های جامع امنیت هوش مصنوعی در اختیار دارند.

این راهکار برای شرکت‌هایی طراحی شده که مثلاً مدل‌ها را روی ⁦Gemini Enterprise Agent Platform⁩ اجرا می‌کنند یا گردش‌های کاری مبتنی بر عامل را در ⁦Google Cloud⁩ مدیریت می‌کنند. از جمله قابلیت‌های اصلی می‌توان به تست‌های امنیتی خودکار، حفاظت زمان اجرا برای عوامل هوش مصنوعی و شناسایی خودکار منابع هوش مصنوعی اشاره کرد. برای سازمان‌هایی با الزامات سختگیرانه داده، گزینه استقرار ⁦VPC⁩ در دسترس است که تمام داده‌ها را در محیط ⁦Google Cloud⁩ نگه می‌دارد.

⁦Cisco AI Defense⁩ بر اساس استاندارد‌های امنیتی معتبر مانند ⁦OWASP Top 10 for LLMs⁩، ⁦MITRE ATLAS⁩ و ⁦NIST Adversarial ML Taxonomy⁩ طراحی شده و از رعایت ⁦EU AI Act⁩ پشتیبانی می‌کند. یکپارچه‌سازی از طریق ⁦Google Kubernetes Engine⁩ (⁦GKE⁩) ⁦Service Extensions⁩ به عنوان ماژول سیاست‌گذاری درون‌خطی انجام می‌شود — بدون تغییر در کد عامل. در ⁦Google Cloud Next 2026⁩ در ⁦Las Vegas⁩ می‌توان این راهکار را در غرفه ⁦Cisco⁩ شماره #4813 مشاهده کرد. برای شرکت‌هایی که می‌خواهند استراتژی امنیت چند ابری خود را با امنیت شبکه یکپارچه و مدیریت آسیب‌پذیری تقویت کنند، این پلتفرم حفاظت یکنواختی در تمام ارائه‌دهندگان ابری پشتیبانی‌شده ارائه می‌دهد.

استقرار ⁦Harbor⁩ در محیط‌های ایزوله ⁦VCF-9.0⁩

در زیرساخت‌های مدرن ابر خصوصی، استقرار رجیستری‌های کانتینر در شبکه‌های کاملاً ایزوله چالش ویژه‌ای است. ⁦VMware Cloud Foوation⁩ (⁦VCF⁩) 9.0 اکنون مسیری نظام‌مند برای اجرای ⁦Harbor⁩ به عنوان ⁦Supervisor Service⁩ در محیط‌های به اصطلاح ⁦Air-Gap⁩ ارائه می‌دهد — یعنی در شبکه‌هایی که به صورت فیزیکی یا منطقی از اینترنت جدا هستند. چنین معماری‌هایی برای صنایع تحت نظارت مانند خدمات مالی، نهاد‌های دولتی، بهداشت و درمان و دفاع نه یک گزینه، بلکه یک الزام اجباری است.

مشکل اصلی در اینجا مسئله به اصطلاح ⁦Bootstrap⁩ است: ⁦Harbor Supervisor Service⁩ برای نصب خود به ایمیج‌های کانتینر نیاز دارد، اما در یک محیط ایزوله در ابتدا هیچ رجیستری‌ای وجود ندارد که بتوان این ایمیج‌ها را از آن دریافت کرد. راه‌حل یک فرآیند دو مرحله‌ای است. ابتدا ⁦Bitnami Harbor OVA⁩ به عنوان یک ماشین مجازی مستقر می‌شود که به عنوان رجیستری ⁦Bootstrap⁩ موقت عمل می‌کند. این ⁦Appliance⁩ پیش‌پیکر‌بندی‌شده به سرعت قابل استقرار است و مدیریت کلاسیک مبتنی بر ⁦VM⁩ را ارائه می‌دهد. در مرحله دوم، ⁦Harbor⁩ به عنوان ⁦Supervisor Service⁩ بومی نصب می‌شود که سپس به عنوان رجیستری کانتینر تولیدی عمل می‌کند.

⁦Harbor Supervisor Service⁩ پس از راه‌اندازی، یکپارچه‌سازی بومی با مدیریت چرخه عمر ⁦VCF⁩، مقیاس‌پذیری با زیرساخت ⁦Supervisor⁩، پشتیبانی سازمانی از طریق ⁦Broadcom⁩ و اتصال به ⁦vSphere Namespaces⁩ و کلاستر‌های ⁦VKS⁩ را ارائه می‌دهد. پیش‌نیاز استقرار، یک محیط ⁦VCF-9.0⁩ با ⁦Supervisor⁩ فعال‌شده و فایل ⁦YAML⁩ بسته ⁦Harbor Supervisor Service⁩ است. پس از نصب موفق، رجیستری ⁦Bootstrap⁩ را می‌توان از سرویس خارج کرد یا به عنوان پشتیبان نگه داشت.

نتیجه‌گیری

اخبار امروز تحولات مهمی را نشان می‌دهد که هم فرصت‌ها و هم چالش‌هایی را به همراه دارد.

سؤالات متداول

این اخبار بر چه اساسی خلاصه شده‌اند؟

صرفاً بر اساس متون اصلی منابع لینک‌شده.

📚 منابع

• 🔗 ⁦about.gitlab.com: GitLab AI Hackathon 2026: Meet the winners⁩…
• 🔗 ⁦aws.amazon.com: Amazon SageMaker Unified Studio now supports multiple code spaces with⁩…
• 🔗 ⁦blog.google: 10 leading enterprises show why agents mean business⁩…
• 🔗 ⁦blogs.cisco.com: Securing Enterprise AI: Cisco AI Defense Expوs to Google Cloud⁩…
• 🔗 ⁦blogs.vmware.com: Deploying Harbor Service in Air-Gapped VMware Cloud Foوation 9.0⁩…