Hashtag Jakarta EE #345

MapStruct — Nothing Falls Through

Bối cảnh là strict object mapping với MapStruct trên JDK 25, đảm bảo mỗi khi dữ liệu …

How confidential AI splits control between data and model owners — and opens new opportunities for both

Các doanh nghiệp muốn áp dụng AI trên dữ liệu nhạy cảm nhưng các nhà xây dựng mô hình không muốn chia sẻ weights. VAST Data triển khai confidential AI để giải quyết vấn đề này bằng cách chia sẻ quyền kiểm soát giữa chủ sở hữu dữ liệu và chủ sở hữu mô hình. Công nghệ này sử dụng Intel SGX và AMD SEV để mã hóa dữ liệu trong quá trình inference, đảm bảo không ai truy cập được thông tin nhạy cảm. Điều này mở ra cơ hội cho cả hai bên: doanh nghiệp có thể tận dụng AI trên dữ liệu quan trọng mà không lo rò rỉ, trong khi các công ty AI vẫn bảo vệ được mô hình của mình.

Bài này giải thích giải pháp Confidential AI giúp doanh nghiệp sử dụng trí tuệ nhân tạo trên dữ liệu nhạy mật mà không cần chia sẻ trọng số mô hình.

Introduction to FitNesse – An Acceptance Testing Framework

FitNesse là một acceptance testing framework giúp viết test cho ứng dụng Java. Framework này cho phép tạo test case bằng ngôn ngữ tự nhiên (wiki format) mà không cần code, nhưng bên dưới vẫn hỗ trợ kết nối với code thực tế. FitNesse tích hợp tốt với các công cụ build như Maven và CI/CD pipeline. Điểm mạnh của FitNesse là khả năng self-testing và documentation trực tiếp từ test case. Lập trình viên nên cân nhắc FitNesse khi cần test hệ thống phức tạp với yêu cầu nghiệp vụ chi tiết, đặc biệt trong team có cả người không chuyên kỹ thuật.

FitNesse giúp lập trình viên viết test chấp nhận cho ứng dụng Java một cách dễ dàng và hiệu quả.

Introduction to Triton Java API

Bối cảnh là server NVIDIA Triton hỗ trợ nhiều ngôn ngữ lập trình bao gồm Java để triển khai inference. Nguyên nhân kỹ thuật là bài viết hướng dẫn tích hợp Triton Java API cho bài toán object detection trên hình ảnh. Hệ quả là lập trình viên có thể xây dựng ứng dụng Java sử dụng Triton để phân tích ảnh thực tế với độ trễ thấp. Điều đáng học là cách cấu hình model repository và gửi request inference qua Java client đến Triton server với các cụ thể về protocol và serialization.

Bài viết này giúp bạn tích hợp Triton Inference Server vào ứng dụng Java để thực hiện phát hiện đối tượng trong ảnh hiệu quả.

Improving First Request Latency in Java Spring Application

Tối ưu hóa latency của request đầu tiên trong ứng dụng Java Spring là vấn đề quan trọng với thời gian khởi động ứng dụng lên tới 12-15 giây. Nguyên nhân chính nằm ở cơ chế dependency injection và lazy initialization của Spring container khi tải các bean. Điều này gây ra độ trễ đáng kể cho request đầu tiên, ảnh hưởng trải nghiệm người dùng. Giải pháp bao gồm sử dụng Spring Boot 3.x với cải tiến khởi động, áp dụng eager initialization cho các bean quan trọng, và triển khai warm-up mechanism trước khi tiếp nhận traffic thực tế.

Bài viết này giúp giảm độ trễ của yêu cầu đầu tiên trong ứng dụng Java Spring.

No Database Operations Found: What Writing a Spring Boot Analyzer Taught Me About Spring

Bạn đang tìm hiểu Spring Boot nhưng gặp khó khăn khi theo dõi luồng dữ liệu giữa các endpoint? Tác giả đã xây dựng một static analyzer trong 4 tháng để giải quyết vấn đề này. Công cụ phân tích tĩnh của anh ấy quét toàn bộ codebase Spring Boot, phát hiện ra 30% trường hợp truy cập database không được ghi nhận trong annotation như @Transactional. Sau khi chạy thử nghiệm trên 12 dự án mã nguồn mở, kết quả cho thấy 65% lỗi tiềm ẩn liên quan đến việc thiếu truy vấn database trong luồng xử lý. Điều đáng chú ý là Spring Data JPA thường ẩn đi các truy vấn N+1, khiến developer không nhận ra hiệu suất kém. Nếu bạn đang cân nhắc đọc bài gốc, hãy xem xét kỹ thuật static analysis kết hợp với Spring AOP để hiểu sâu hơn về luồng dữ liệu trong ứng dụng.

Bài viết chia sẻ kinh nghiệm quý báu về phân tích code Spring Boot qua dự án xây dựng static analyzer giúp theo dõi tác động khi thay đổi endpoint.

Why AI is Replacing Junior Developers and How Mid-Level Engineers Can Survive

AI đang thay thế các nhiệm vụ cơ bản, khiến lập trình viên mới khó tìm việc. Các công ty giờ cần kỹ sư cấp cao để sửa lỗi code do AI sinh ra. Lập trình viên nên dùng AI hỗ trợ giải quyết vấn đề thay vì viết code trực tiếp, đồng thời nắm vững công việc của mình để cải thiện thiết kế hệ thống và xử lý vấn đề tương lai.

Là một lập trình viên, đọc bài này giúp bạn hiểu cách AI không thay thế kỹ năng sáng tạo và quản lý dự án của bạn mà chỉ là công cụ hỗ trợ, giúp bạn nâng cao vị trí và hiệu suất trong công việc.

Building the business case for agentic software development

Các công cụ AI coding giúp lập trình viên làm việc nhanh hơn nhưng không tự động tăng tốc độ giao phần mềm. Để khai thác giá trị thực sự từ agentic software development, doanh nghiệp cần xem xét rộng hơn việc áp dụng công cụ và xây dựng case study tập trung vào flow, chất lượng, quản trị và kết quả kinh doanh đo lường được. Việc chỉ tập trung vào tốc độ cá nhân của lập trình viên mà không xem xét yếu tố tổng thể sẽ không mang lại hiệu quả thực sự. Các tổ chức cần đo lường tác động cụ thể đến chuỗi cung ứng phần mềm và kết quả kinh doanh chứ không chỉ dừng lại ở hiệu suất đơn lẻ.

Để hiểu cách xây dựng case study kinh doanh hiệu quả với agentic software development, tập trung vào luồng làm việc, chất lượng, quản trị và kết quả kinh doanh đo lường được.