Your organization prioritized AI adoption, but you actually need AI fluency.

(comic) Flexible working hours

Bối cảnh: một loạt các strip ngắn về văn phòng, tiêu đề (comic) Flexible working hours …

Microservices Are Not a Sign You’re a Senior Engineer

Bài viết chỉ ra hiện tượng coi số lượng dịch vụ microservices như dấu hiệu của kinh nghiệm …

Quantum computing needs software engineers

Ngành công nghệ máy tính lượng tử đang tiến gần tới giai đoạn thương mại hóa, tạo ra nhu cầu lớn về kỹ sư phần mềm ngay cả khi không có bằng tiến sĩ. Sự chuyển dịch này xuất phát từ thực tế rằng các hệ thống lượng tử hiện nay (như IBM Quantum, Google Sycamore) đã đạt đến mức độ ổn định nhất định, đủ để triển khai các ứng dụng thực tế. Thiếu hụt nhân lực có kỹ năng lập trình chuyên sâu (Python, Qiskit, Cirq) trở thành rào cản chính khi các công ty như IBM, Rigetti tuyển dụng ồ ạt. Hệ quả là các doanh nghiệp buộc phải đào tạo nội bộ, trong khi các framework mã nguồn mở (Qiskit, PennyLane) giảm bớt rào cản gia nhập. Điều đáng học là ngành này đang theo đuổi mô hình "học nhanh, làm nhanh", nơi kinh nghiệm thực hành (ví dụ: tối ưu hóa thuật toán Grover, Shor) quan trọng hơn bằng cấp truyền thống.

Những kỹ sư phần mềm không có bằng tiến sĩ sẽ tìm hiểu cách xây dựng các thuật toán hiệu quả cho máy tính lượng tử, giúp họ ứng dụng kiến thức về lập trình và logic để giải quyết vấn đề thực tế trong ngành công nghiệp mới này.

5 Billion Records, 10 Terabytes, Four Weeks: A Real Data Migration Playbook

Wix cần di chuyển 5 tỷ bản ghi, tổng khoảng 10TB dữ liệu trong vòng 4 tuần để nâng cấp hệ thống lưu trữ của mình. Họ sử dụng Change Data Capture (CDC) để lấy thay đổi real‑time từ nguồn, đưa vào Apache Kafka làm message broker, đồng thời áp dụng database sharding để phân tán tải trên nhiều node. Quá trình diễn ra ổn định, không gây downtime đáng kể, và sau khi hoàn tất họ thực hiện parity testing để xác minh tính nhất quán giữa cơ sở dữ liệu nguồn và đích. Kết hợp CDC, Kafka và sharding cho phép xây dựng pipeline chịu lỗi, mở rộng dễ dàng, giảm rủi ro khi di chuyển khối lượng dữ liệu lớn. Bài viết còn cung cấp chỉ số throughput, cấu hình cụ thể và bài học về monitoring và rollback mà bất kỳ đội dev nào đang cân nhác migration tương tự có thể tham khảo.

Bài viết này sẽ giúp bạn hiểu cách áp dụng CDC (Change Data Capture), Kafka và kỹ thuật phân mảnh cơ sở dữ liệu để tối ưu hóa quá trình di chuyển hàng tỷ dữ liệu một cách hiệu quả và an toàn trong thời gian ngắn.

System Design Explained: APIs, Databases, Caching, CDNs, Load Balancing & Production Infra

Bài viết giải thích thiết kế hệ thống từ đơn giản (máy chủ đơn) đến phức tạp (hàng triệu người dùng), bao gồm API, cơ sở dữ liệu, caching, CDN, load balancing và hạ tầng sản xuất.

Bài viết giúp bạn hiểu rõ cách xây dựng cơ sở hạ tầng thực tế từ những nguyên tắc cơ bản nhất, từ đó tránh những sai lầm thường gặp khi mở rộng hệ thống khi còn mới mẻ.

Junior engineers are skipping straight to architect-level thinking

Các kỹ sư junior ngày nay sử dụng công cụ AI để tạo mã nguồn và triển khai chúng nhanh hơn bao giờ hết. Tuy nhiên, họ thường bỏ qua bước đánh giá sâu sắc và xây dựng khả năng quyết định về chất lượng mã mà họ chịu trách nhiệm. Sự khác biệt giữa tốc độ sản xuất và khả năng sở hữu mã này đang mở ra một khoảng trống về đánh giá. Khoảng trống này có thể dẫn đến lỗi khó phát hiện và tăngภาระ bảo trì trong dài hạn. Do đó, bài viết đề xuất cần định hình một chỉ số riêng để đo lường sự can đảm trong việc sở hữu mã do AI sinh ra.

Bài viết này giúp junior hiểu được sự khác biệt giữa việc viết code nhanh và xây dựng phán đoán kiến trúc để làm chủ sản phẩm của mình.

Bloom Filters Explained: The Probabilistic Data Structure Powering Instagram, Google, and High-Scale Systems

Instagram có hơn 500 triệu tên đăng ký và cần trả lời ngay khi người dùng mới đăng ký xem tên đó đã được sử dụng chưa. Cách naïve là tra cứu trong bảng băm hoặc cơ sở dữ liệuExact, nhưng khi dữ liệu đạt hàng trăm triệu bản ghi thì thời gian truy cập và bộ nhớ cần thiết trở thành bottleneck. Bằng cách áp dụng Bloom filter – cấu trúc xác suất với mảng bit và một số hàm băm – hệ thống có thể trả lời câu hỏi trong thời gian hằng số với bộ nhớ chỉ vài megabyte, dù có khả năng trả về kết quả dương giả (false positive) nhỏ. Điều đáng học là Bloom filter cho đổi lấy một xác suất sai nhỏ để đạt tốc độ và hiệu quả bộ nhớ cao, vì vậy trong các hệ thống quy mô lớn thường kết hợp nó với bước kiểm tra lại chính xác để loại bỏ lỗi dương giả. Ví dụ cụ thể, Instagram, Google và nhiều dịch vụ cao tải sử dụng cấu trúc này để giảm latency trong các thao tác kiểm tra thành viên như username, từ chối spam hoặc truy cập cache.

Bloom Filters giúp bạn hiểu cách các hệ thống quy mô lớn như Instagram giải quyết bài toán kiểm trùng dữ liệu hiệu quả.