در عصر تحول دیجیتال، مدیریت مهندسی دیگر به معنی مدیریت پروژه یا صرفاً هماهنگی منابع نیست.
وEngineering Management (EM) در واقع هنر ایجاد تعادل میان فناوری، انسان و فرایند است.
یک مدیر مهندسی موفق، نه فقط بر ابزارها، بلکه بر رفتارها و فرهنگ سازمانی تسلط دارد.
او پلی است میان دنیای مهندسان و استراتژی سازمان، میان کد و کسب‌وکار.

بخش اول: فلسفه و نقش انسانی در مدیریت مهندسی

از مدیریت تا رهبری
مدیریت مهندسی مدرن از کنترل عبور کرده و به رهبری الهام‌بخش رسیده است.
نقش EM، تسهیل یادگیری و خودسازمان‌دهی تیم است.
او به‌جای “micromanagement”، محیطی می‌سازد که در آن اعضای تیم احساس مالکیت، اعتماد و رشد کنند.


درحقیقت Empathy، Feedback و رشد مستمر
درک انسان‌ها، تفاوت در انگیزه‌ها، و بازخورد سازنده از مهم‌ترین ابزارهای EM است.
همان‌طور که در DevOps فرهنگ “Sharing” و “Measurement” اساس بهبود است، در EM نیز “رفتارشناسی” و “گفت‌وگوی واقعی” ریشه‌ی توسعه‌ی تیمی‌اند.


3)تفکر سیستمی و دید کل‌نگر
وEM محیط را به عنوان یک سیستم پویا می‌بیند؛ تغییر در یک بخش، اثری زنجیره‌ای در کل سیستم دارد.
او می‌داند که بهبود فنی بدون درک روابط انسانی، تنها بهینه‌سازی سطحی است.

بخش دوم: بُعد فنی و فرایندی در Engineering Management

1) معماری تیم و چرخه توسعه

تیم‌ها باید cross-functional و end-to-end باشند؛ یعنی از طراحی تا استقرار و مانیتورینگ را پوشش دهند.

وEM وظیفه دارد ساختار تیم را با چرخه عمر محصول هم‌راستا کند، نه بر اساس مرزهای سنتی مانند frontend/backend یا ops/dev.



2) فرایند فنی و DevOps Strategy
در واقعEM مسئول طراحی و اجرای ساختارهای زیر است:

CI/CD Pipeline:
خودکارسازی build، test و deployment

Versioning & Traceability:
کنترل تغییرات و ردیابی کامل از commit تا release

Observability:
طراحی سیستم‌های مانیتورینگ، logging و alerting

Security & Compliance:
پیاده‌سازی اصول DevSecOps در مراحل توسعه



3. وMetrics و داده‌محوری در تصمیم‌گیری
مهارت مهم EM، تصمیم‌گیری مبتنی بر داده است. شاخص‌هایی مانند:

Deployment Frequency

Lead Time for Changes

MTTR (Mean Time to Recovery)

Change Failure Rate
معیارهای کلیدی‌اند که باید در dashboardهای سازمانی و retrospectives تحلیل شوند.



4. Feedback Loop
مهندس مدیریت موفق، ساختار بازخورد سریع را بین تیم توسعه، عملیات، QA و مشتری برقرار می‌کند.
این همان حلقه‌ی یادگیری DevOps است که باعث پایداری و بهبود مستمر می‌شود
بخش سوم: اجرای عملی در سطح سازمان

1. Culture First — سپس ابزار
قبل از انتخاب ابزارهایی مانند Jenkins، GitLab CI یا Kubernetes، باید فرهنگ همکاری، مسئولیت‌پذیری و شفافیت را نهادینه کرد.
ابزار تنها تسهیل‌گر است، نه راه‌حل.


2) چارچوب اجرایی تحول مهندسی
پیاده‌سازی مدیریت مهندسی موفق، در سه فاز اتفاق می‌افتد:

فاز ۱: آگاهی و تحلیل

بررسی maturity فعلی تیم‌ها (فنی، فرهنگی، فرآیندی)

شناسایی گلوگاه‌ها در جریان تحویل و همکاری

تعیین vision مشترک برای تیم‌های Dev و Ops


فاز ۲: طراحی و نهادینه‌سازی

طراحی تیم‌های cross-functional

ساخت CI/CD pipelines و governance structure

تعریف SLAها، شاخص‌های کیفیت و امنیت


فاز ۳: یادگیری و بهبود مستمر

برگزاری جلسات retrospectives

تحلیل داده‌های عملکردی (metrics-driven improvement)

وmentor‌کردن اعضای تیم برای ارتقای مهارت‌های رهبری و فنی


۳) نقش EM در ایجاد چرخه یادگیری سازمانی
وEM‌ها در واقع معلمان سیستم‌های پیچیده‌اند — کسانی که محیطی می‌سازند که در آن اشتباه، بخشی از یادگیری است، نه تهدید.
در این سطح، مهندسی و فرهنگ، در خدمت رشد انسان و محصول درمی‌آیند.

نتیجه‌گیری

در واقع Engineering Management در عصر DevOps دیگر یک نقش نیست؛ یک ذهنیت است.
ذهنیتی که میان منطق فنی و فهم انسانی تعادل برقرار می‌کند.
در نهایت، هدف نه فقط تحویل سریع‌تر نرم‌افزار، بلکه ساختن تیم‌هایی است که با شعور، با اشتیاق و با مسئولیت کار می‌کنند.

درک انسان، بزرگ‌ترین مهارت فنی قرن بیست‌ویکم است.
و مدیریت مهندسی، هنر خلق هماهنگی میان انسان، سیستم و معنا

#em #devops
@unixmens

Do you remember shared cell phone plans? At the turn of the century, a whole family might share the same pool of mobile phone minutes, and it only took a few hours of idle chatter on the phone to drain the account of all remaining minutes of talk time for everyone. Well, a similar phenomenon is currently happening in the cloud today. Anyone who's ever touched a public cloud has likely encountered an accidental overage payment. That's a problem, but it's even more problematic that it's deceptively easy to overlook a single instance of this when you're dealing in hundreds at a time. At Discover,

via Red Hat Blog https://ift.tt/IdSHJFo

If you’re a virtual machine (VM) administrator who’s spent years managing VMs in vSphere and are now considering how Red Hat OpenShift Virtualization might fit into your operational world, we’ve built something just for you.The high-level guide to Red Hat OpenShift Virtualization as a VMware admin learning path is designed to bridge the learning gap many face when moving from traditional virtualization solutions to Kubernetes workflows. This blog provides a glimpse into what's included in the path so you can take on OpenShift Virtualization with confidence.Benefits of the VMware OpenShif

via Red Hat Blog https://ift.tt/4bujVS7

Operationalizing AI models at scale is a critical challenge for IT leaders. While the initial cost of training a large language model (LLM) can be significant, the real and often underestimated expense is tied to inference.AI inference—the process of using a trained model to generate an output—is the most resource-intensive and costly part of an AI application, especially because it happens constantly during production. Inefficient inference can compromise an AI project's potential return on investment (ROI) and negatively impact customer experience due to high latency.The full-stack appro

via Red Hat Blog https://ift.tt/bH4UWCf

In an increasingly complex technology landscape, digital sovereignty has moved from a theoretical concept to an urgent strategic imperative for European organizations and governments. Recent global events—from supply chain disruptions to geopolitical conflicts—have underscored the critical need for greater control over their technology. Digital sovereignty is a strategic effort for organizations to build greater resilience, choice and confidence into IT environments. This isn’t a move towards isolation, with true sovereignty requiring more than just local data centers. Businesses are re-

via Red Hat Blog https://ift.tt/gFC6XJj

SUSE Rancher RKE1 reached its end-of-life (EOL) on July 31, 2025. Continuing to use it could leave your production workloads vulnerable to security risks, without vendor support, and facing compatibility challenges.If you’re considering a change, Red Hat OpenShift offers an enterprise-grade application platform that can support your Kubernetes container strategy today and scale for the future. Why Red Hat OpenShift is the right choice for your businessRed Hat OpenShift is a complete, enterprise-focused container application platform built on a hardened, consistent Red Hat Enterprise Linux (R

via Red Hat Blog https://ift.tt/8MDUGmg

As enterprises scale large language models (LLMs) into production, site reliability engineers (SREs) and platform operators face a new set of challenges. Traditional application metrics—CPU usage, request throughput, memory consumption—are no longer enough. With LLMs, reliability and efficacy are defined by entirely new dynamics—token-level performance, cache efficiency, and inference pipeline latency.This article explores how llm-d, an open source project co-developed with the leading AI vendors (Red Hat, Google, IBM, etc.) and integrated into Red Hat OpenShift AI 3.0, redefines observa

via Red Hat Blog https://ift.tt/MxqW7CO

راز موفقیت سنگاپور

جمله ای که از کیشور ماهیباری نقل می‌کنه خیلی آموختنی است:
گربه ای که خوب موش بگیره فرقی نمیکنه که سیاه باشه یا سفید ،اون گربه خوبی هست از اون استفاده کنید!!
اگر فردی شایستگی لازم برای استخدام را داره
در استخدام و بکارگیری افراد کاری به ملیت ،رنگ ، نژاد و ایدیولوژی سیاسی و مذهبی اون نداشته باشید
حتما استخدامش کنید

#success #سنگاپور #video 🇸🇬

Application modernization is a continuous journey for enterprises, driven by the need for greater business agility, enhanced security, and cost optimization. While the benefits are clear, large-scale modernization projects can be complex, time-consuming, and require significant upfront investment.With the introduction of migration toolkit for applications 8 (MTA 8), Red Hat is helping organizations overcome these challenges by automating key parts of the modernization journey. The migration toolkit for applications has long provided tools for containerization readiness, source-code analysis, a

via Red Hat Blog https://ift.tt/SGszdeF

SiliconANGLE - Red Hat aims new Developer Lightspeed AI features at application migrationThis week Red Hat launched Developer Lightspeed, a new generative AI tool, and MTA 8. The combined solution integrates AI-generated refactoring and automated replatforming to accelerate developers' migration of applications to the Red Hat OpenShift platform. Learn more The open source engine driving AI from experiment to production and why inference is everythingIn this blog, Red Hat addresses the challenge of scaling AI to production by focusing on efficient inference. Learn more Automation unlocks 5G'

via Red Hat Blog https://ift.tt/pTG5iXZ