Embedded Academy

What is event-driven architecture (EDA), and how does it work? ✍ Nikki Siapno Quite a lot of the tasks modern-day systems are required to do are in response to changes in state. Adding an item to a shopping cart, liking a post, and paying a bill are all state changes that trigger a set of tasks in their respective systems. This requirement has paved the way for a popular approach to system architecture known as event-driven architecture (EDA). Event-driven architecture has four main components: 1) Events These are significant changes in state. For example, a user signing up to a trial might be an event in a SaaS product. They're generally immutable, typically lightweight and can carry a payload containing information about the change in state. 2) Producers The role of a producer is to detect or cause a change in state, and then generate an event that represents this change. The change can be initiated by a variety of sources such as system processes, user interactions, and external triggers. 3) Consumers Consumers are the entities that are interested in and react to events. They subscribe to specific types of events and execute when those events occur. 4) Channels Meanwhile, channels facilitate sending events between producers and consumers. Advantages of EDA: 🟢 Decoupling: producers and consumers operate independently, enhancing system flexibility and maintainability. 🟢 Scalability: EDA can efficiently handle a surge in events, making it suitable for systems with varying loads. 🟢 Real-time responsiveness: systems can react immediately to state changes, enhancing user experience and system reliability. 🟢 Resilience: failures in one component don't necessarily cascade through the system, thanks to the buffering capabilities of many channels. Use cases: 🔸 IoT systems: devices and sensors in #IoT setups generate a plethora of events that EDA can efficiently manage. 🔸 Microservices: EDA facilitates communication between decoupled microservices, ensuring smooth system operations. 🔸 Real-time analytics: immediate processing and analysis of data as it's generated is a forte of EDA. Disadvantages: 🔴 Complexity: tracing and debugging issues in an event-driven system can be more challenging than in traditional architectures. 🔴 Event order: ensuring events are processed in the correct sequence, especially in distributed setups, can be tricky. 🔴 Potential overhead: introducing a message broker or channel can add latency, especially if not optimized. While EDA offers a robust framework for building dynamic, responsive systems, it's essential to consider its potential pitfalls. Like any architecture, it works best when applied thoughtfully to the right scenarios. #systemdesign #systemarchitecture #IoT @embedded

What is event-driven architecture (EDA), and how does it work? ✍ Nikki Siapno Quite a lot of the tasks modern-day systems are required to do are in response to changes in state. Adding an item to a shopping cart, liking a post, and paying a bill are all state changes that trigger a set of tasks in their respective systems. This requirement has paved the way for a popular approach to system architecture known as event-driven architecture (EDA). Event-driven architecture has four main components: 1) Events These are significant changes in state. For example, a user signing up to a trial might be an event in a SaaS product. They're generally immutable, typically lightweight and can carry a payload containing information about the change in state. 2) Producers The role of a producer is to detect or cause a change in state, and then generate an event that represents this change. The change can be initiated by a variety of sources such as system processes, user interactions, and external triggers. 3) Consumers Consumers are the entities that are interested in and react to events. They subscribe to specific types of events and execute when those events occur. 4) Channels Meanwhile, channels facilitate sending events between producers and consumers. Advantages of EDA: 🟢 Decoupling: producers and consumers operate independently, enhancing system flexibility and maintainability. 🟢 Scalability: EDA can efficiently handle a surge in events, making it suitable for systems with varying loads. 🟢 Real-time responsiveness: systems can react immediately to state changes, enhancing user experience and system reliability. 🟢 Resilience: failures in one component don't necessarily cascade through the system, thanks to the buffering capabilities of many channels. Use cases: 🔸 IoT systems: devices and sensors in #IoT setups generate a plethora of events that EDA can efficiently manage. 🔸 Microservices: EDA facilitates communication between decoupled microservices, ensuring smooth system operations. 🔸 Real-time analytics: immediate processing and analysis of data as it's generated is a forte of EDA. Disadvantages: 🔴 Complexity: tracing and debugging issues in an event-driven system can be more challenging than in traditional architectures. 🔴 Event order: ensuring events are processed in the correct sequence, especially in distributed setups, can be tricky. 🔴 Potential overhead: introducing a message broker or channel can add latency, especially if not optimized. While EDA offers a robust framework for building dynamic, responsive systems, it's essential to consider its potential pitfalls. Like any architecture, it works best when applied thoughtfully to the right scenarios. #systemdesign #systemarchitecture #IoT @embedded

The STM32N6 is the first STM32 MCU to embed the ST Neural-ART accelerator™, an in-house developed neural processing unit (NPU) engineered for power-efficient edge AI applications. Clocked at 1 GHz and providing up to 600 GOPS, it enables real-time neural network inference for computer vision and audio applications. در ادامه روند استارتاپ‌های تراشه‌ای و معرفی چیپ‌های هوش مصنوعی و توسعه هوش‌نهفته، شرکت STM از تراشه جدید خود برای استفاده‌های مختلف هوش مصنوعی در سیستم‌های نهفته با مصرف انرژی بهینه رونمایی کرد. موضوعی که در راستای هوش مصنوعی سبز بوده و شاهد تلاش‌ها برای آنالوگ شدن هوش مصنوعی هم هستیم. هوش مصنوعی آنالوگ می‌شود؟ #هوش_نهفته #embeddedAI @embedded

Embedded Academy pinned a photo

btop is a highly customizable, real-time system monitor tool that provides users with an intuitive and visually appealing interface to monitor system resources. Developed by Aristocratos, btop is written in C++ and aims to provide a more modern alternative to traditional resource monitors like htop, glances, or bashtop (its predecessor). #Linux @embedded

#مناسبت؛ 256 امین روز از سال ملقب به « #روز_برنامه_نویس » بر همه برنامه نویس ها مبارک باد! تبریک ویژه به « برنامه نویسان نهفته (Embedded Programmers) » برنامه هاتون بدون باگ ! @embedded

وجوه مختلف از اینترنت اشیا دیدگاه معناگرا: این دیدگاه بر اهمیت معنای داده‌ها و اطلاعات تأکید دارد و هدف آن ایجاد ارتباطات معنادار میان داده‌ها است. شی‌گرا: این رویکرد بر اساس مدل‌سازی اشیاء و تعاملات آن‌ها با یکدیگر بنا شده و به توسعه نرم‌افزار و سیستم‌های…

‏🔸 #خبر؛ ✅ سه مخترع باتری «یون لیتیوم» جایزه نوبل شیمی را از آن خود کردند 👈 «جان.بی گودایناف» آمریکایی، « استنلی ویتینگام» بریتانیایی و «آکیرا یوشینو » ژاپنی سه شیمیدانی هستند که نوبل شیمی ۲۰۱۹ را به طور مشترک به خود اختصاص دادند. 👈 باطری های لیتیوم یون…

هوش‌مصنوعی، آنالوگ می‌شود؟ در ادامه روند شتابان پیشرفت تحقیقات در زمینه پردازش‌های عصبی؛ در پاسخ به نیاز گسترده عموم به پردازش شبکه‌های بیشتر با سرعت بیشتر و مصرف انرژی پایین‌تر، ایده آزمایشگاهی شبکه‌های عصبی فیزیکی (PNN) معرفی شد. این شبکه‌های عصبی فیزیکی از خواص نور و پدیده‌های کوانتومی برای پردازش اطلاعات استفاده می‌کنند، بنابراین محدودیت‌های پردازشی و انرژی ندارند. پژوهشی که به تازگی در مجله Nature منتشر شده، مراحل آموزش شبکه‌های عصبی فیزیکی توسعه داده شده با چیپ‌های فوتونیک را مشخص می‌کند. این چیپ‌ها با استفاده از فناوری‌های فوتونیک یکپارچه، عملیات ریاضی مانند جمع و ضرب را از طریق مکانیزم‌های تداخل نور روی میکروچیپ‌های سیلیکونی کوچک انجام می‌دهند. تحقیقات و پیشرفت‌های آزمایشگاهی مثل این پژوهش، نشان دهنده‌ی آینده‌ای جذاب در این حوزه است که بتواند پردازش مدل‌های بزرگ به صورت لبه (Edge) را فراهم کند. ✍ عادل برکم #embeddedAI #PNN #EdgeComputing @embedded

10 skills embedded engineers need now ; Karen Field . متخصص امبدد یک فرد کاملا بروز و آگاهی هست که هر روز در حال یادگیری هست او با نرم افزار های متن باز آشناست و میتواند آنهارا توسعه دهد .در گذشته ها مثلا دهه ۱۹۸۰ فردی که مدارهای mixed signal طراحی میکرد…

#مقایسه؛ مقایسه توان مصرفی و زمان پردازش برای ساخت مدل با فریمورک #یادگیری_عمیق caffe بر روی #zynq و #GPU . فایل کامل: https://goo.gl/eWnu8y #AI #caffe #embeddedAI @embedded

توسعه مبتنی بر CUDA با CUTLASS 4.0 آسان می‌شود. توسعه مبتنی بر CUDA با چالش و دشواری همراه بود که خصوصا استفاده از آن برای نمونه‌سازی اولیه منطقی نبود که با معرفی فریمورک جدید CUTLASS مشکل برطرف شد. کوتلاس، یک فریمورک توسعه کرنل‌های CUDA با ترکیب پایتون و C++ ارائه می‌دهد. با استفاده از DSLهای پایتون مانند CuTe، مفاهیم پیشرفته مانند چینش داده‌ها (Layouts)، تانسورها و عملیات اتمی سخت‌افزاری (Atoms) به سادگی قابل پیاده‌سازی هستند. این روش با کامپایل JIT از طریق MLIR و ptxas، امکان توسعه سریع‌تر، اشکال‌زدایی آسان‌تر و کارایی نزدیک به کد C++ را فراهم می‌کند. CUTLASS DSLها جایگزین نسخه C++ نیستند، بلکه ابزاری برای پروتوتایپ سریع و یادگیری آسان‌تر مفاهیم GPU هستند. نسخه فعلی (بتا) محدودیت‌هایی دارد، اما نسخه نهایی تا تابستان ۲۰۲۵ منتشر می‌شود. NVIDIA’s CUTLASS 4.0 merges Python’s ease with CUDA’s power via DSLs like CuTe, simplifying GPU kernel dev. Key features: - Layouts, Tensors & Atoms for hardware-aware programming - Pythonic syntax + JIT compilation (MLIR/ptxas) for fast iteration - Near-C++ performance with optimized CUTLASS primitives - Not a C++ replacement—supports rapid prototyping & education Currently in public beta (sometomorrow m limitations), with full release planned for Summer 2025. Ideal for researchers, students, and perf engineers. Read more from Nvidia مطلب مرتبط: استارتاپ‌های تراشه‌ای؟ #GPU #Nvidia #DeepLearning #EmbeddedAI @embedded

Library introduction: libcpr (c++) "cpr" stands for "Cpp Request" like the Python Request library. This library is a simple wrapper around libcurl but powers you to code faster and less mistakes. Read more about it #cpp #libcurl @embedded

نوروزتان پیروز آرزو میکنم امسال، هیچ ۴۰۴ای در مسیر موفقیت نداشته باشید و امسال براتون ۲۰۰ باشه (:

#دانلود_کتاب آموزش درایور نویسی #لینوکس ویژه توسعه دهندگان سامانه های نهفته از اینجا بخوانید: https://lwn.net/Kernel/LDD3 #Driver #Linux #embedded_linux @embedded

دامپینگ چینی، این‌بار هوش مصنوعی! ✍ عادل ب. رقابت ابرقدرت‌ها در زمینه هوش‌مصنوعی، از مرحله شعار به رونمایی رسیده است. رونمایی از هوش مصنوعی چینی DeepSeek تا این لحظه باعث کاهش حداقل ۱ تریلیون دلار از ارزش بازار سرمایه آمریکا شده است. انتشار متن باز مدل و ارایه رایگان این مدل برخلاف مدل‌هایی نظیر ChatGPT از یک سو و از سوی دیگر سادگی کد و نیازمندی سخت‌افزاری کمتر و هزینه به مراتب کمتر (تخمین زده میشود ۱ به ۴۵) هزینه گزاف شرکت‌های آمریکایی برای توسعه هوش مصنوعی را برای سرمایه‌گذاران غیرقابل توجیه تعبیر میکند. این موفقیت هرچند چشمگیر، اما هنوز برای مقایسه نهایی و اعلام برنده زود است. هم هنوز زمان برای مقایسه‌های دقیق نیاز است، هم احتمالا از فرایند knowledge distillation برای توسعه این مدل استفاده کرده باشند که ممکن است شرکت‌های رقیب مدل‌ها را دسترس عموم قرار ندهند. بهرحال معلوم نیست این یک «دامپینگ چینی» با ارایه مدل ضعیف ولی رایگان و در جهت اهداف شوم چین است یا یک موفقیت چشم‌گیر و شکستن انحصار؟ در هر صورت «جدال ai» هم به جنگ تراشه اضافه شد. #Ai #China #usa @embedded

وجوه مختلف از اینترنت اشیا دیدگاه معناگرا: این دیدگاه بر اهمیت معنای داده‌ها و اطلاعات تأکید دارد و هدف آن ایجاد ارتباطات معنادار میان داده‌ها است. شی‌گرا: این رویکرد بر اساس مدل‌سازی اشیاء و تعاملات آن‌ها با یکدیگر بنا شده و به توسعه نرم‌افزار و سیستم‌های اطلاعاتی کمک می‌کند. اینترنت‌گرا: این دیدگاه بر اساس قابلیت‌ها و ویژگی‌های شبکه‌های اینترنتی شکل گرفته و به طراحی و پیاده‌سازی سیستم‌هایی می‌پردازد که به طور مؤثر از زیرساخت‌های اینترنت استفاده می‌کنند. Semantic Perspective: This perspective emphasizes the importance of the meaning of data and information, aiming to create meaningful connections between data. Object-Oriented Perspective: This approach is based on modeling objects and their interactions, aiding in the development of software and information systems. Internet-Centric Perspective: This viewpoint is shaped by the capabilities and features of internet networks, focusing on designing and implementing systems that effectively utilize internet infrastructure. #IoT @embedded

#تصویر ؛ آقای جان وارنر باکوس (1924-2007) از دانشمندان آمریکایی علوم کامپیوتر و مخترع زبان #FORTRAN . از نکات جالب درباره او داستان موفقیت پرفراز و نشیب او میباشد. #پیشگامان @embedded

How Deep Neural Networks Work? A fantastic video about the basic mechanism of a CNN i.e. how a given input (say a two-dimensional image) is processed layer by layer. At each layer, the output is generated by passing the transformed input through an activation…