AI میتواند استدلال کند؛ اختیار اجرایی باید کنترلشده بماند.
مدل میتواند evidence را جمعبندی کند، hypothesis بسازد و plan پیشنهاد دهد؛ اما policy، approval، authorization و execution باید deterministic، قابل audit و قابل verify باقی بمانند.
پروفایل اجرایی
از ساختن تیم و همراستا کردن استراتژی فناوری با سازمان تا آماده شدن برای آینده و معماری سیستمهایی که در شرایط failure هم قابل فهم و قابل بازیابی بمانند.

خلاصه اجرایی
در نقش CTO و رهبر فناوری، کارم را فقط انتخاب فناوری نمیبینم. مسئله اصلی این است که جهت سازمان به توانمندیهای فنی درست ترجمه شود، مالکیت و مرز تصمیم روشن باشد، تیم بتواند مستقلتر تصمیم بگیرد و اجرا تا شواهد runtime دنبال شود.
مأموریت رهبری
معماری بدون توانمندی تیم پایدار نمیماند، و اجرا بدون شواهد به اعتماد تبدیل نمیشود.
مسیر حرفهای
نقشهای تأییدشده، بهعنوان زمینه شکلگیری قضاوت فنی و مدیریتی، بدون حدس زدن تاریخهای نامطمئن.
رهبری فناوری با تمرکز بر همراستا کردن جهت سازمان، معماری پلتفرم و زیرساخت، توانمندی تیم و اجرای سیستمهای قابل اتکا.
نقش مشورتی در مرز تصمیم مدیریتی و فناوری؛ ترجمه انتخابهای فنی و پیامدهایشان به زبان تصمیمگیری سازمانی.
رهبری حوزه زیرساخت سیستمها با نگاه عملیاتی به پایداری، مالکیت، ظرفیت تغییر و استانداردسازی.
تجربه مهندسی در مخابرات، در سیستمهایی که وضعیت، یکپارچگی و پیوستگی عملیات در آنها حیاتی است.
بنیانی عمیق در Linux، مهندسی سیستم و عملیات زیرساخت که بعدها به معماری و رهبری فناوری گسترش پیدا کرد.
مدل کار
رهبری تیم
Context را شفاف میکنم، مالکیت را توزیع میکنم، رهبران فنی را رشد میدهم و دانش فردی را به چارچوب، معماری، automation و استاندارد تبدیل میکنم.
تصمیمهای منتخب
مدل میتواند evidence را جمعبندی کند، hypothesis بسازد و plan پیشنهاد دهد؛ اما policy، approval، authorization و execution باید deterministic، قابل audit و قابل verify باقی بمانند.
مدیریت و serving دو مسئولیت متفاوتاند. طراحی خوب اجازه میدهد اختلال در مدیریت، سرویس اصلی را بیدلیل از کار نیندازد و recovery path روشن بماند.
هر چیزی که میتوان ساخت، ارزش ساختن ندارد. جایی build میکنم که ownership محصول یا differentiation مهم است و جایی integrate میکنم که ecosystem بالغ، مرز روشن و هزینه عملیاتی کمتر ایجاد میکند.
Panel، API، automation و AI باید روی یک مدل authoritative کار کنند. interface جدید نباید source of truth دوم، state مخفی یا مسیر bypass برای policy بسازد.
وجود implementation یا سبز بودن static validation کافی نیست. موفقیت باید از post-condition، runtime readback و evidence مناسب همان سطح استنتاج شود.
حذف subsystem، authority یا abstraction اضافی میتواند از اضافه کردن فناوری مهمتر باشد. complexity فقط وقتی پذیرفتنی است که owner، failure model و ارزش مشخص داشته باشد.
دامنههای فناوری
کجا مدل باید reasoning کند و کجا authority باید deterministic و auditable بماند؟
چطور self-service و lifecycle بسازیم بدون ایجاد source of truth دوم؟
چطور topology، routing و service dependency را قابل مشاهده و قابل اتکا کنیم؟
failure domain، quorum، state و recovery چه boundaryهایی میخواهند؟
چه چیزی باید از runtime خوانده، verify و بعد از failure بازیابی شود؟
چطور least privilege، tenancy و auditability بدون شکستن عملیات حفظ شوند؟
چطور complexity زیرساخت پشت workflow و UX قابل فهم پنهان شود بدون پنهان کردن حقیقت؟
Founder — 4SO Lab
4SO Lab را بهعنوان یک کارگاه مهندسی ساختهام: جایی که مسئلههای سخت زیرساختی صورتبندی میشوند، مرز اختیار و خطا از ابتدا طراحی میشود، AI و اتوماسیون مسئولانه به کار میروند و هر ادعای کد در برابر رفتار سیستم در حال اجرا سنجیده میشود. هدف، نمونه نمایشی نیست؛ قابلیتی است که بتوان نصبش کرد، تغییرش داد، خرابش کرد، بازیابیاش کرد و دوباره با شواهد سنجید.
چیزی که در کد درست به نظر میرسد، هنوز باید در سیستم در حال اجرا ثابت شود.4so.ir ↗
تحصیلات و پیشینه حرفهای
سیستمهای منتخب
شروع گفتگو
گفتگوی اول درباره مسئله شماست، نه درباره من: کجا گیر کردهاید، چه چیزی در خطر است و آیا من آدم درستِ حل آن هستم.
مسئله را مطرح کنید