-
-
+
@(fa ? "بلاگ" : "Journal")
-
+
+
+
+
@(fa ? "یادداشتهای مهندسی" : "Engineering notes")
- @(fa ? "یافتهها از پروژههای واقعی — نه ترجمهی مقاله، نه فهرست hype." : "Findings from real engagements — not translated articles, not hype lists.")
+ @(fa ? "یافتهها از پروژههای واقعی. نه ترجمهی مقاله، نه فهرست هیجان." : "Findings from real engagements. Not translated articles, not hype lists.")
-
+
@foreach (var post in Model.Posts)
{
-
- @post.Category
- @post.Title
- @post.Excerpt
-
- @post.ReadTime @(fa ? "دقیقه" : "min") @(fa ? "مطالعه" : "read")
-
+
+
+ @post.Category
+ @post.ReadTime @(fa ? "دقیقه" : "min")
+
+
+ @post.Title
+ @post.Excerpt
}
diff --git a/Pages/Blog/Post.cshtml b/Pages/Blog/Post.cshtml
index c389741..ff28c6e 100644
--- a/Pages/Blog/Post.cshtml
+++ b/Pages/Blog/Post.cshtml
@@ -1,48 +1,32 @@
@page "/blog/{slug}"
@model SoroushAsadi.Pages.Blog.PostModel
@{
- ViewData["Title"] = Model.Title + " — Soroush Asadi";
+ ViewData["Title"] = Model.Title + " - Soroush Asadi";
var fa = Model.IsFa;
}
-
-
-
-
+
+
+
+
@(fa ? "بازگشت به بلاگ" : "Back to blog")
@if (Model.PostNotFound)
{
- @(fa ? "مقاله پیدا نشد." : "Post not found.")
+ @(fa ? "مقاله پیدا نشد." : "Post not found.")
}
else
{
-
- @Model.Category
- @Model.Title
- @Model.ReadTime @(fa ? "دقیقه مطالعه" : "min read")
-
+
+ @Model.Category
+ @Model.Title
+ @Model.ReadTime @(fa ? "دقیقه مطالعه" : "min read")
+
-
+
@Html.Raw(Model.BodyHtml)
}
-
-@section Scripts {
-
-}
diff --git a/Pages/Index.cshtml b/Pages/Index.cshtml
index 7676f69..1cff18f 100644
--- a/Pages/Index.cshtml
+++ b/Pages/Index.cshtml
@@ -5,239 +5,117 @@
var locale = Model.Locale;
}
-
-
-
-
-
-
-
+
+
+
+ @(fa ? "مهندس هوش مصنوعی، مشاور، معمار راهکار" : "AI Engineer, Consultant, Solution Architect")
-
-
-
-
-
-
-
-
-
-
-
-
- @(fa ? "پذیرش پروژههای منتخب فصل سوم ۲۰۲۶" : "Available for select Q3 2026 engagements")
-
-
-
-
-
-
- @(fa ? "مهندس هوش مصنوعی · مشاور · معمار راهکار" : "AI Engineer · Consultant · Solution Architect")
-
-
-
-
-
+
@(fa ? "سروش اسعدی" : "Soroush Asadi")
-
-
- @(fa ? "طراحی سامانههای" : "Architecting")
- @(fa ? "هوش مصنوعی" : "production-grade AI")
- @(fa ? "در مقیاس سازمانی." : "for the enterprise.")
-
-
-
-
-
-
-
-
-
-
-
-
+
@(fa
- ? "از راهبرد تا تولید — ساخت پایپلاینهای LLM، عاملهای خودکار، و معماریهای ابری که در میلیونها رویداد در روز پایدار میمانند."
- : "From strategy to deployment — building LLM pipelines, autonomous agents, and cloud architectures that hold up at millions of events per day.")
+ ? "طراحی و استقرار سامانههای هوش مصنوعی در مقیاس سازمانی؛ از نخستین جلسهی راهبرد تا استقرار در تولید."
+ : "I design and ship production-grade AI systems for the enterprise, from the first strategy session to live deployment.")
-
-
-
- @(fa ? "رزرو جلسه مشاوره" : "Book a consultation")
-
-
- @(fa ? "مشاهده خدمات" : "View services")
+
-
-
-
- @{
- var metrics = fa
- ? new[]{ ("۱۸+","مدل هوش مصنوعی مستقر","text-electric"), ("۴۰+","میکروسرویس تولید","text-violet"), ("۱۲ms","تأخیر استنتاج","text-magenta"), ("۹۹٪","پایداری SLA","text-emerald") }
- : new[]{ ("18+","AI models in production","text-electric"), ("40+","microservices shipped","text-violet"), ("12ms","inference latency","text-magenta"), ("99%","SLA uptime","text-emerald") };
- }
- @foreach (var (val, label, color) in metrics)
- {
-
-
- @val
- @label
-
- }
-
-
-
-
- @(fa ? "اسکرول" : "Scroll")
-
-
-
-
-
-
-
-
- @(fa ? "خدمات" : "Services")
- @(fa ? "شش حوزه تخصصی" : "Six areas of practice")
- @(fa ? "از اولین جلسهی راهبرد تا استقرار تولید — یک شریک مهندسی برای کل چرخهی عمر هوش مصنوعی شما." : "From the first strategy session to production rollout — one engineering partner for the full AI lifecycle.")
+
+
+
+
+ @(fa ? "شش حوزهی تخصص" : "Six areas of practice")
+ @(fa ? "از نخستین جلسهی راهبرد تا استقرار تولید؛ یک شریک مهندسی برای کل چرخهی عمر هوش مصنوعی." : "From the first strategy session to production rollout, one engineering partner for the full AI lifecycle.")
-
+
+
@{
var services = fa ? new[]{
- ("strategy","راهبرد و نقشه راه هوش مصنوعی","ارزیابی بلوغ سازمانی، شناسایی موارد کاربری با بیشترین بازده، و طراحی نقشه راه ۱۲–۱۸ ماهه با KPIهای روشن.","electric",new[]{"Discovery","ROI Mapping","Roadmap"}),
- ("automation","اتوماسیون هوش مصنوعی","ساخت عاملهای خودکار و گردشکارهای n8n که فرایندهای دستی را به سامانههای قابل ممیزی تبدیل میکنند.","violet",new[]{"n8n","Agents","Workflows"}),
- ("llm-rag","مهندسی LLM و RAG","طراحی pipelineهای RAG با پایگاههای برداری، evaluation framework، و سرویسدهی با تأخیر زیر ۵۰ میلیثانیه.","magenta",new[]{"RAG","Vector DB","Eval"}),
- ("architecture","معماری راهکار","طراحی سامانههای توزیعشده روی Kubernetes با میکروسرویسها، event streaming، و الگوهای پایداری در مقیاس بالا.","emerald",new[]{"K8s","Microservices","Event-Driven"}),
- ("mobile","اپلیکیشنهای موبایل هوش مصنوعی","برنامههای Flutter، Swift و Kotlin با on-device inference، استریم LLM و تجربهی کاربری بومی.","electric",new[]{"Flutter","Swift","Kotlin"}),
- ("google-stack","تخصص استک گوگل","استقرار روی Vertex AI، GKE و Gemini با بهینهسازی هزینه و الگوهای امنیتی سطح enterprise.","cyan",new[]{"Vertex AI","GKE","Gemini"}),
+ ("strategy","راهبرد و نقشه راه هوش مصنوعی","ارزیابی بلوغ سازمانی، شناسایی موارد کاربری با بیشترین بازده، و طراحی نقشه راه ۱۲ تا ۱۸ ماهه با KPIهای روشن.",new[]{"Discovery","ROI Mapping","Roadmap"}),
+ ("automation","اتوماسیون هوش مصنوعی","ساخت عاملهای خودکار و گردشکارهای n8n که فرایندهای دستی را به سامانههای قابل ممیزی تبدیل میکنند.",new[]{"n8n","Agents","Workflows"}),
+ ("llm-rag","مهندسی LLM و RAG","طراحی pipelineهای RAG با پایگاههای برداری، evaluation framework، و سرویسدهی با تأخیر زیر ۵۰ میلیثانیه.",new[]{"RAG","Vector DB","Eval"}),
+ ("architecture","معماری راهکار","طراحی سامانههای توزیعشده روی Kubernetes با میکروسرویسها، event streaming، و الگوهای پایداری در مقیاس بالا.",new[]{"K8s","Microservices","Event-Driven"}),
+ ("mobile","اپلیکیشنهای موبایل هوش مصنوعی","برنامههای Flutter، Swift و Kotlin با on-device inference، استریم LLM و تجربهی کاربری بومی.",new[]{"Flutter","Swift","Kotlin"}),
+ ("google-stack","تخصص استک گوگل","استقرار روی Vertex AI، GKE و Gemini با بهینهسازی هزینه و الگوهای امنیتی سطح enterprise.",new[]{"Vertex AI","GKE","Gemini"}),
} : new[]{
- ("strategy","AI Strategy & Roadmap","Maturity assessment, highest-ROI use-case discovery, and a 12–18 month roadmap with measurable KPIs.","electric",new[]{"Discovery","ROI Mapping","Roadmap"}),
- ("automation","AI Automation","Autonomous agents and n8n workflows that turn manual processes into auditable, observable systems.","violet",new[]{"n8n","Agents","Workflows"}),
- ("llm-rag","LLM & RAG Engineering","Production RAG pipelines with vector stores, evaluation frameworks, and sub-50ms serving.","magenta",new[]{"RAG","Vector DB","Eval"}),
- ("architecture","Solution Architecture","Distributed systems on Kubernetes — microservices, event streaming, and resilience patterns at scale.","emerald",new[]{"K8s","Microservices","Event-Driven"}),
- ("mobile","Mobile AI Apps","Flutter, Swift, and Kotlin apps with on-device inference, streaming LLM UX, and native polish.","electric",new[]{"Flutter","Swift","Kotlin"}),
- ("google-stack","Google Stack Specialist","Vertex AI, GKE, and Gemini deployments with cost optimization and enterprise security patterns.","cyan",new[]{"Vertex AI","GKE","Gemini"}),
+ ("strategy","AI Strategy and Roadmap","Maturity assessment, highest-ROI use-case discovery, and a 12 to 18 month roadmap with measurable KPIs.",new[]{"Discovery","ROI Mapping","Roadmap"}),
+ ("automation","AI Automation","Autonomous agents and n8n workflows that turn manual processes into auditable, observable systems.",new[]{"n8n","Agents","Workflows"}),
+ ("llm-rag","LLM and RAG Engineering","Production RAG pipelines with vector stores, evaluation frameworks, and sub-50ms serving.",new[]{"RAG","Vector DB","Eval"}),
+ ("architecture","Solution Architecture","Distributed systems on Kubernetes: microservices, event streaming, and resilience patterns at scale.",new[]{"K8s","Microservices","Event-Driven"}),
+ ("mobile","Mobile AI Apps","Flutter, Swift, and Kotlin apps with on-device inference, streaming LLM UX, and native polish.",new[]{"Flutter","Swift","Kotlin"}),
+ ("google-stack","Google Stack Specialist","Vertex AI, GKE, and Gemini deployments with cost optimization and enterprise security patterns.",new[]{"Vertex AI","GKE","Gemini"}),
};
- int si = 0;
}
- @foreach (var (id, title, desc, color, tags) in services)
+ @foreach (var (id, title, desc, tags) in services)
{
- var (ringCls, glowCls, textCls, chipCls) = color switch {
- "violet" => ("group-hover:border-violet/50", "group-hover:shadow-glow-violet", "text-violet", "border-violet/30 bg-violet/5 text-violet/90"),
- "magenta" => ("group-hover:border-magenta/50", "group-hover:shadow-glow-magenta", "text-magenta", "border-magenta/30 bg-magenta/5 text-magenta/90"),
- "emerald" => ("group-hover:border-emerald/50", "group-hover:shadow-glow-emerald", "text-emerald", "border-emerald/30 bg-emerald/5 text-emerald/90"),
- "cyan" => ("group-hover:border-cyan/50", "group-hover:shadow-glow-electric","text-cyan", "border-cyan/30 bg-cyan/5 text-cyan/90"),
- _ => ("group-hover:border-electric/50","group-hover:shadow-glow-electric","text-electric","border-electric/30 bg-electric/5 text-electric/90"),
- };
-
-
- @((si + 1).ToString("D2"))
-
- @Html.Raw(ServiceIcon(id))
-
+
+
+ @title
+ @desc
+
+ @foreach (var tag in tags) { @tag }
- @title
- @desc
-
- @foreach (var tag in tags)
- {
- @tag
- }
-
-
- si++;
}
-
-
-
-
- @(fa ? "پایپلاین" : "Pipeline")
- @(fa ? "از سند خام تا پاسخ قابل اتکا" : "From raw document to trustworthy answer")
- @(fa ? "مسیری که هر پرسش در یک سامانهی RAG تولیدی طی میکند — هر مرحله قابل اندازهگیری، قابل ممیزی و بهینهشده برای تأخیر." : "The path every query takes through a production RAG system — each stage measurable, auditable, and tuned for latency.")
+
+
+
+
+ @(fa ? "از سند خام تا پاسخ قابل اتکا" : "From raw document to a trustworthy answer")
+ @(fa ? "مسیری که هر پرسش در یک سامانهی RAG تولیدی طی میکند. هر مرحله قابل اندازهگیری، قابل ممیزی و بهینهشده برای تأخیر." : "The path every query takes through a production RAG system. Each stage is measurable, auditable, and tuned for latency.")
-
-
-
- @{
- var nodes = fa ? new[]{
- ("ingest","دریافت","نرمالسازی، قطعهبندی و پاکسازی اسناد منبع","electric"),
- ("embed","برداریسازی","تولید embedding و نمایهسازی در پایگاه برداری","violet"),
- ("retrieve","بازیابی","جستجوی ترکیبی معنایی و کلیدواژهای","cyan"),
- ("rerank","بازرتبهبندی","مرتبسازی مجدد نامزدها با cross-encoder","magenta"),
- ("generate","تولید","پاسخ مستند با ارجاع به منبع","emerald"),
- } : new[]{
- ("ingest","Ingest","Normalize, chunk, and clean source documents","electric"),
- ("embed","Embed","Generate embeddings and index in vector store","violet"),
- ("retrieve","Retrieve","Hybrid semantic + keyword search","cyan"),
- ("rerank","Rerank","Re-order candidates with a cross-encoder","magenta"),
- ("generate","Generate","Grounded answer with source citations","emerald"),
- };
- var colorMap2 = new Dictionary{
- ["electric"] = ("border-electric/40","text-electric","bg-electric/10"),
- ["violet"] = ("border-violet/40", "text-violet", "bg-violet/10"),
- ["cyan"] = ("border-cyan/40", "text-cyan", "bg-cyan/10"),
- ["magenta"] = ("border-magenta/40", "text-magenta", "bg-magenta/10"),
- ["emerald"] = ("border-emerald/40", "text-emerald", "bg-emerald/10"),
- };
- }
- @for (int ni = 0; ni < nodes.Length; ni++)
- {
- var (nid, nlabel, ndesc, naccent) = nodes[ni];
- var (nborder, ntext, nbg) = colorMap2[naccent];
-
-
- @nlabel
- @ndesc
-
-
- if (ni < nodes.Length - 1)
- {
-
-
-
- }
- }
-
-
- @(fa ? "تأخیر سرتاسری زیر ۵۰ میلیثانیه · هر مرحله مشاهدهپذیر" : "Sub-50ms end-to-end · every stage observable")
+
+
+ @{
+ var nodes = fa ? new[]{
+ ("دریافت","نرمالسازی، قطعهبندی و پاکسازی اسناد منبع"),
+ ("برداریسازی","تولید embedding و نمایهسازی در پایگاه برداری"),
+ ("بازیابی","جستجوی ترکیبی معنایی و کلیدواژهای"),
+ ("بازرتبهبندی","مرتبسازی مجدد نامزدها با cross-encoder"),
+ ("تولید","پاسخ مستند با ارجاع به منبع"),
+ } : new[]{
+ ("Ingest","Normalize, chunk, and clean source documents"),
+ ("Embed","Generate embeddings and index in the vector store"),
+ ("Retrieve","Hybrid semantic and keyword search"),
+ ("Rerank","Re-order candidates with a cross-encoder"),
+ ("Generate","Grounded answer with source citations"),
+ };
+ int stepN = 0;
+ }
+ @foreach (var (nlabel, ndesc) in nodes)
+ {
+ stepN++;
+ -
+ @stepN.ToString("D2")
+
@nlabel
+ @ndesc
+
+ }
+
+ @(fa ? "تأخیر سرتاسری زیر ۵۰ میلیثانیه؛ هر مرحله مشاهدهپذیر." : "Sub-50ms end-to-end, every stage observable.")
-
-
-
-
- @(fa ? "استک" : "Stack")
- @(fa ? "ابزارهای روزانه" : "Daily tooling")
- @(fa ? "هر چه ساخته میشود از این پایهها بیرون میآید — انتخابشده برای عمر طولانی، نه ترند روز." : "Everything I ship sits on this foundation — chosen for longevity, not hype cycles.")
+
+
+
+
+ @(fa ? "ابزار روزمره" : "Daily tooling")
+ @(fa ? "هر چه میسازم بر این پایهها استوار است؛ انتخابشده برای دوام، نه چرخههای هیجان." : "Everything I ship sits on this foundation, chosen for longevity, not hype cycles.")
-
+
+
@{
var cats = fa ? new[]{
("زبانها", new[]{"Python","TypeScript","Go","Rust","SQL"}),
@@ -245,206 +123,152 @@
("زیرساخت", new[]{"Kubernetes","Terraform","Postgres","Redis","Kafka","NATS"}),
("هوش مصنوعی", new[]{"Vertex AI","Gemini","OpenAI","Anthropic","LangGraph","Pinecone","pgvector"}),
} : new[]{
- ("Languages", new[]{"Python","TypeScript","Go","Rust","SQL"}),
- ("Mobile", new[]{"Flutter","Swift / SwiftUI","Kotlin","React Native"}),
+ ("Languages", new[]{"Python","TypeScript","Go","Rust","SQL"}),
+ ("Mobile", new[]{"Flutter","Swift / SwiftUI","Kotlin","React Native"}),
("Infrastructure",new[]{"Kubernetes","Terraform","Postgres","Redis","Kafka","NATS"}),
- ("AI / ML", new[]{"Vertex AI","Gemini","OpenAI","Anthropic","LangGraph","Pinecone","pgvector"}),
+ ("AI / ML", new[]{"Vertex AI","Gemini","OpenAI","Anthropic","LangGraph","Pinecone","pgvector"}),
};
- string[] catColors = ["text-electric","text-violet","text-emerald","text-magenta"];
- int ci2 = 0;
}
@foreach (var (catLabel, items) in cats)
{
-
- @catLabel
-
- @foreach (var item in items)
- {
- -
-
- @item
-
- }
-
+
+ @catLabel
+
+ @foreach (var item in items) { @item }
+
- ci2++;
}
-
-
-
-
- @(fa ? "تخصص" : "Expertise")
- @(fa ? "اعدادی که اهمیت دارند" : "The numbers that matter")
- @(fa ? "سامانههایی که در میلیونها رویداد در روز پایدار میمانند — اینها معیارهایی هستند که اندازه میگیریم." : "Systems that survive millions of events per day — these are the metrics I optimize for.")
+
+
+
+
+ @(fa ? "آنچه در آن عمیق میشوم" : "What I go deep on")
+ @(fa ? "سامانههایی که میلیونها رویداد در روز را دوام میآورند. اینها حوزههاییاند که برایشان بهینه میکنم." : "Systems that survive millions of events per day. These are the areas I optimize for.")
-
+
+
@{
- var bars = fa ? new[]{
- ("مهندسی LLM و RAG", 95),
- ("معماری ابری و Kubernetes", 92),
- ("سیستمهای عاملمحور و اتوماسیون", 90),
- ("استک گوگل کلود (Vertex / GKE)", 88),
- ("موبایل بومی و cross-platform", 82),
+ var areas = fa ? new[]{
+ ("مهندسی LLM و RAG","پایپلاینهای بازیابی، ارزیابی و تولید مستند در محیط تولید."),
+ ("معماری ابری و Kubernetes","سرویسهای توزیعشده، مقیاس خودکار و پایداری در مقیاس بالا."),
+ ("سیستمهای عاملمحور و اتوماسیون","گردشکارهای خودکار قابل ممیزی با n8n و LangGraph."),
+ ("استک گوگل کلود (Vertex / GKE)","Vertex AI، GKE و Gemini با انضباط هزینه."),
+ ("موبایل بومی و cross-platform","Flutter، Swift و Kotlin با استنتاج روی دستگاه."),
} : new[]{
- ("LLM & RAG engineering", 95),
- ("Cloud architecture & Kubernetes", 92),
- ("Agentic systems & automation", 90),
- ("Google Cloud stack (Vertex / GKE)", 88),
- ("Native + cross-platform mobile", 82),
+ ("LLM and RAG engineering","Retrieval pipelines, evals, and grounded generation in production."),
+ ("Cloud architecture and Kubernetes","Distributed services, autoscaling, and resilience at scale."),
+ ("Agentic systems and automation","Auditable autonomous workflows with n8n and LangGraph."),
+ ("Google Cloud stack (Vertex / GKE)","Vertex AI, GKE, and Gemini with real cost discipline."),
+ ("Native and cross-platform mobile","Flutter, Swift, and Kotlin with on-device inference."),
};
- string[] barColors = ["bg-electric","bg-violet","bg-cyan","bg-magenta","bg-emerald"];
- int bi = 0;
}
- @foreach (var (blabel, bval) in bars)
+ @foreach (var (alabel, adesc) in areas)
{
-
-
- @blabel
- @bval%
-
-
+
+ - @alabel
+ - @adesc
- bi++;
}
-
+
-
-
-
-
- @(fa ? "نمونهکارها" : "Selected work")
- @(fa ? "سامانههایی که در تولید کار میکنند" : "Systems that run in production")
- @(fa ? "گزیدهای از پروژههای واقعی. روی هر کارت بزنید تا جزئیات معماری را ببینید." : "A selection of real engagements. Tap any card for the gallery and architecture details.")
+
+
+
+
+ @(fa ? "نمونهکارهای منتخب" : "Selected work")
+ @(fa ? "گزیدهای از پروژههای واقعی در حوزهی هوش مصنوعی، داده و موبایل." : "A selection of real engagements across AI, data, and mobile.")
@{
var projects = fa ? new[]{
- ("atlas-rag","اطلس — پلتفرم RAG سازمانی","بانک ردیفاول","مهندس ارشد هوش مصنوعی","۲۰۲۵","دستیار دانش روی بیش از ۴ میلیون سند داخلی؛ بازیابی ترکیبی با pgvector و reranker.","electric",new[]{"RAG","pgvector","Vertex AI","Eval"},new[]{("۴M+","سند نمایهشده"),("۳۸ms","تأخیر p95"),("۹۲٪","دقت پاسخ")},"/portfolio/atlas-rag/cover.svg",new[]{"/portfolio/atlas-rag/01.svg","/portfolio/atlas-rag/02.svg","/portfolio/atlas-rag/03.svg"}),
- ("sentinel-agents","Sentinel — اتوماسیون Ops عاملمحور","SaaS scale-up","معمار راهکار","۲۰۲۵","پاسخ خودکار به حوادث با ترکیب n8n و LangGraph — عاملهای قابل ممیزی که alert تریاژ میکنند.","violet",new[]{"n8n","LangGraph","Agents"},new[]{("۷۰٪","کاهش MTTR"),("۲۴/۷","پوشش on-call"),("۱۵۰+","جریان خودکار")},"/portfolio/sentinel-agents/cover.svg",new[]{"/portfolio/sentinel-agents/01.svg","/portfolio/sentinel-agents/02.svg","/portfolio/sentinel-agents/03.svg"}),
- ("vertex-vision","Vertex Vision — استنتاج بینایی بلادرنگ","زنجیره خردهفروشی","مهندس هوش مصنوعی","۲۰۲۴","استنتاج بینایی بلادرنگ روی GKE با Triton و Vertex AI برای تحلیل قفسه و جریان مشتری.","cyan",new[]{"Vertex AI","GKE","Triton"},new[]{("۱.۲B","استنتاج ماهانه"),("۳۰۰+","فروشگاه"),("۶۰٪","کاهش هزینه GPU")},"/portfolio/vertex-vision/cover.svg",new[]{"/portfolio/vertex-vision/01.svg","/portfolio/vertex-vision/02.svg","/portfolio/vertex-vision/03.svg"}),
- ("mirage-mobile","Mirage — مجموعه هوش مصنوعی on-device","محصول مصرفی","رهبر موبایل + هوش مصنوعی","۲۰۲۴","اپلیکیشن Flutter با استنتاج کاملاً آفلاین با Gemini Nano و LiteRT.","magenta",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("۰","وابستگی شبکه"),("<80ms","پاسخ"),("۴.۸★","امتیاز کاربران")},"/portfolio/mirage-mobile/cover.svg",new[]{"/portfolio/mirage-mobile/01.svg","/portfolio/mirage-mobile/02.svg","/portfolio/mirage-mobile/03.svg"}),
- ("flux-stream","Flux — مش داده رویدادمحور","پلتفرم لجستیک","معمار پلتفرم","۲۰۲۳","ستون استریمینگ روی Kafka و NATS روی Kubernetes — ۴۰+ میکروسرویس با الگوهای پایداری.","emerald",new[]{"Kafka","NATS","Kubernetes","Go"},new[]{("۴۰+","میکروسرویس"),("۲M/s","رویداد در ثانیه"),("۹۹.۹٪","uptime")},"/portfolio/flux-stream/cover.svg",new[]{"/portfolio/flux-stream/01.svg","/portfolio/flux-stream/02.svg","/portfolio/flux-stream/03.svg"}),
- ("oracle-forecast","Oracle — موتور پیشبینی تقاضا","زنجیره تامین","مهندس ML","۲۰۲۳","پایپلاین پیشبینی سری زمانی روی BigQuery و dbt با بازآموزی خودکار.","electric",new[]{"Forecasting","BigQuery","dbt","MLOps"},new[]{("۲۳٪","کاهش ضایعات"),("۸۹٪","دقت پیشبینی"),("روزانه","بازآموزی")},"/portfolio/oracle-forecast/cover.svg",new[]{"/portfolio/oracle-forecast/01.svg","/portfolio/oracle-forecast/02.svg","/portfolio/oracle-forecast/03.svg"}),
+ ("atlas-rag","اطلس - پلتفرم RAG سازمانی","بانک ردیفاول","۲۰۲۵","دستیار دانش روی بیش از ۴ میلیون سند داخلی؛ بازیابی ترکیبی با pgvector و reranker.",new[]{"RAG","pgvector","Vertex AI"},new[]{("۴M+","سند نمایهشده"),("۳۸ms","تأخیر p95"),("۹۲٪","دقت پاسخ")}),
+ ("sentinel-agents","Sentinel - اتوماسیون Ops عاملمحور","SaaS scale-up","۲۰۲۵","پاسخ خودکار به حوادث با ترکیب n8n و LangGraph؛ عاملهای قابل ممیزی که alert تریاژ میکنند.",new[]{"n8n","LangGraph","Agents"},new[]{("۷۰٪","کاهش MTTR"),("۲۴/۷","پوشش on-call"),("۱۵۰+","جریان خودکار")}),
+ ("vertex-vision","Vertex Vision - استنتاج بینایی بلادرنگ","زنجیره خردهفروشی","۲۰۲۴","استنتاج بینایی بلادرنگ روی GKE با Triton و Vertex AI برای تحلیل قفسه و جریان مشتری.",new[]{"Vertex AI","GKE","Triton"},new[]{("۱.۲B","استنتاج ماهانه"),("۳۰۰+","فروشگاه"),("۶۰٪","کاهش هزینه")}),
+ ("mirage-mobile","Mirage - مجموعه هوش مصنوعی on-device","محصول مصرفی","۲۰۲۴","اپلیکیشن Flutter با استنتاج کاملاً آفلاین با Gemini Nano و LiteRT.",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("۰","وابستگی شبکه"),("<80ms","پاسخ"),("۴.۸★","امتیاز کاربران")}),
+ ("flux-stream","Flux - مش داده رویدادمحور","پلتفرم لجستیک","۲۰۲۳","ستون استریمینگ روی Kafka و NATS روی Kubernetes؛ ۴۰+ میکروسرویس با الگوهای پایداری.",new[]{"Kafka","NATS","Go"},new[]{("۴۰+","میکروسرویس"),("۲M/s","رویداد بر ثانیه"),("۹۹.۹٪","uptime")}),
+ ("oracle-forecast","Oracle - موتور پیشبینی تقاضا","زنجیره تامین","۲۰۲۳","پایپلاین پیشبینی سری زمانی روی BigQuery و dbt با بازآموزی خودکار.",new[]{"BigQuery","dbt","MLOps"},new[]{("۲۳٪","کاهش ضایعات"),("۸۹٪","دقت پیشبینی"),("روزانه","بازآموزی")}),
} : new[]{
- ("atlas-rag","Atlas — Enterprise RAG Platform","Tier-1 bank","Lead AI Engineer","2025","A knowledge assistant over 4M+ internal documents — hybrid retrieval with pgvector and a reranker, sub-40ms serving on Vertex AI.","electric",new[]{"RAG","pgvector","Vertex AI","Eval"},new[]{("4M+","docs indexed"),("38ms","p95 latency"),("92%","answer accuracy")},"/portfolio/atlas-rag/cover.svg",new[]{"/portfolio/atlas-rag/01.svg","/portfolio/atlas-rag/02.svg","/portfolio/atlas-rag/03.svg"}),
- ("sentinel-agents","Sentinel — Agentic Ops Automation","SaaS scale-up","Solution Architect","2025","Autonomous incident response combining n8n and LangGraph — auditable agents that triage alerts and self-heal.","violet",new[]{"n8n","LangGraph","Agents"},new[]{("70%","MTTR reduction"),("24/7","on-call coverage"),("150+","automated flows")},"/portfolio/sentinel-agents/cover.svg",new[]{"/portfolio/sentinel-agents/01.svg","/portfolio/sentinel-agents/02.svg","/portfolio/sentinel-agents/03.svg"}),
- ("vertex-vision","Vertex Vision — Realtime Vision Inference","Retail chain","AI Engineer","2024","Real-time vision inference on GKE with Triton and Vertex AI for shelf analytics and customer flow across 300+ stores.","cyan",new[]{"Vertex AI","GKE","Triton"},new[]{("1.2B","inferences / mo"),("300+","stores"),("60%","GPU cost cut")},"/portfolio/vertex-vision/cover.svg",new[]{"/portfolio/vertex-vision/01.svg","/portfolio/vertex-vision/02.svg","/portfolio/vertex-vision/03.svg"}),
- ("mirage-mobile","Mirage — On-device AI Suite","Consumer product","Mobile + AI Lead","2024","A Flutter app with fully offline inference via Gemini Nano and LiteRT — streaming response UX with zero network dependency.","magenta",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("0","network deps"),("<80ms","response"),("4.8★","user rating")},"/portfolio/mirage-mobile/cover.svg",new[]{"/portfolio/mirage-mobile/01.svg","/portfolio/mirage-mobile/02.svg","/portfolio/mirage-mobile/03.svg"}),
- ("flux-stream","Flux — Event-Driven Data Mesh","Logistics platform","Platform Architect","2023","Streaming backbone on Kafka and NATS over Kubernetes — 40+ microservices with resilience patterns and exactly-once delivery.","emerald",new[]{"Kafka","NATS","Kubernetes","Go"},new[]{("40+","microservices"),("2M/s","events / sec"),("99.9%","uptime")},"/portfolio/flux-stream/cover.svg",new[]{"/portfolio/flux-stream/01.svg","/portfolio/flux-stream/02.svg","/portfolio/flux-stream/03.svg"}),
- ("oracle-forecast","Oracle — Demand Forecasting Engine","Supply chain","ML Engineer","2023","Time-series forecasting pipeline on BigQuery and dbt with automated retraining — reduced inventory waste significantly.","electric",new[]{"Forecasting","BigQuery","dbt","MLOps"},new[]{("23%","waste reduction"),("89%","forecast accuracy"),("daily","retraining")},"/portfolio/oracle-forecast/cover.svg",new[]{"/portfolio/oracle-forecast/01.svg","/portfolio/oracle-forecast/02.svg","/portfolio/oracle-forecast/03.svg"}),
+ ("atlas-rag","Atlas - Enterprise RAG Platform","Tier-1 bank","2025","A knowledge assistant over 4M+ internal documents. Hybrid retrieval with pgvector and a reranker, sub-40ms serving.",new[]{"RAG","pgvector","Vertex AI"},new[]{("4M+","docs indexed"),("38ms","p95 latency"),("92%","answer accuracy")}),
+ ("sentinel-agents","Sentinel - Agentic Ops Automation","SaaS scale-up","2025","Autonomous incident response combining n8n and LangGraph. Auditable agents that triage alerts and self-heal.",new[]{"n8n","LangGraph","Agents"},new[]{("70%","MTTR cut"),("24/7","on-call cover"),("150+","automated flows")}),
+ ("vertex-vision","Vertex Vision - Realtime Vision Inference","Retail chain","2024","Real-time vision inference on GKE with Triton and Vertex AI for shelf analytics and customer flow across 300+ stores.",new[]{"Vertex AI","GKE","Triton"},new[]{("1.2B","inferences / mo"),("300+","stores"),("60%","GPU cost cut")}),
+ ("mirage-mobile","Mirage - On-device AI Suite","Consumer product","2024","A Flutter app with fully offline inference via Gemini Nano and LiteRT. Streaming response UX with zero network dependency.",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("0","network deps"),("<80ms","response"),("4.8★","user rating")}),
+ ("flux-stream","Flux - Event-Driven Data Mesh","Logistics platform","2023","Streaming backbone on Kafka and NATS over Kubernetes. 40+ microservices with resilience and exactly-once delivery.",new[]{"Kafka","NATS","Go"},new[]{("40+","microservices"),("2M/s","events / sec"),("99.9%","uptime")}),
+ ("oracle-forecast","Oracle - Demand Forecasting Engine","Supply chain","2023","Time-series forecasting pipeline on BigQuery and dbt with automated retraining, reducing inventory waste significantly.",new[]{"BigQuery","dbt","MLOps"},new[]{("23%","waste cut"),("89%","forecast accuracy"),("daily","retraining")}),
};
}
- @foreach (var (pid, ptitle, pclient, prole, pyear, psummary, paccent, ptags, pmetrics, pcover, pgallery) in projects)
+ @foreach (var (pid, ptitle, pclient, pyear, psummary, ptags, pmetrics) in projects)
{
- var (pborder, ptext) = paccent switch {
- "violet" => ("border-violet/30", "text-violet"),
- "cyan" => ("border-cyan/30", "text-cyan"),
- "magenta" => ("border-magenta/30", "text-magenta"),
- "emerald" => ("border-emerald/30", "text-emerald"),
- _ => ("border-electric/30", "text-electric"),
- };
- var galleryJson = System.Text.Json.JsonSerializer.Serialize(pgallery);
-
-
- 
+ var initial = char.ToUpperInvariant(pid[0]);
+
+
-
- @foreach (var tag in ptags)
- {
- @tag
- }
+
+
+ @foreach (var tag in ptags) { @tag }
+
+ @ptitle
+ @pclient · @pyear
+ @psummary
+
+ @foreach (var (mv, ml) in pmetrics)
+ {
+
+ @mv
+ @ml
+
+ }
+
- @ptitle
- @pclient · @pyear
-
- @foreach (var (mv, ml) in pmetrics)
- {
-
- @mv
- @ml
-
- }
-
-
+
}
-
-
-
-
-
-
-
- @(fa ? "بلاگ" : "Journal")
+
+
+
+
@(fa ? "یادداشتهای مهندسی" : "Engineering notes")
- @(fa ? "یافتهها از پروژههای واقعی — نه ترجمهی مقاله، نه فهرست hype." : "Findings from real engagements — not translated articles, not hype lists.")
+ @(fa ? "یافتهها از پروژههای واقعی. نه ترجمهی مقاله، نه فهرست هیجان." : "Findings from real engagements. Not translated articles, not hype lists.")
-
+
+
@{
var posts = fa ? new[]{
- ("rag-eval-framework","LLM","چارچوب ارزیابی RAG که در تولید کار میکند","چرا BLEU و ROUGE برای RAG ناکافیاند، و معیارهایی که در پروژههای واقعی تصمیم میسازند.",8),
+ ("rag-eval-framework","LLM","چارچوب ارزیابی RAG که در تولید دوام میآورد","چرا BLEU و ROUGE برای RAG کافی نیستند، و معیارهایی که در پروژههای واقعی تصمیم میسازند.",8),
("agentic-n8n-patterns","Automation","الگوهای عاملمحور با n8n برای سازمان","چگونه n8n را با LangGraph ترکیب کنیم تا گردشکارهای قابل ممیزی بسازیم.",11),
("vertex-cost-control","Google Stack","کنترل هزینه روی Vertex AI در مقیاس بالا","سه ضدالگو که در ۸۰٪ پروژههای Vertex میبینم، و چگونه ۶۰٪ هزینه را کاهش دادیم.",6),
("k8s-llm-inference","Infra","استنتاج LLM روی Kubernetes با تأخیر زیر ۵۰ میلیثانیه","الگوی استقرار با KEDA، GPU sharing، و request hedging برای سرویسدهی پایدار.",14),
("flutter-on-device-ai","Mobile","هوش مصنوعی on-device در Flutter","استفاده از Gemini Nano و LiteRT برای استنتاج آفلاین در اپلیکیشنهای موبایل.",9),
- ("enterprise-ai-roadmap","Strategy","نقشه راه هوش مصنوعی سازمانی در ۹۰ روز","چارچوبی که برای CTOها میسازم — از کشف موارد کاربری تا اولین استقرار تولید.",7),
+ ("enterprise-ai-roadmap","Strategy","نقشه راه هوش مصنوعی سازمانی در ۹۰ روز","چارچوبی که برای CTOها میسازم؛ از کشف موارد کاربری تا اولین استقرار تولید.",7),
} : new[]{
("rag-eval-framework","LLM","A RAG evaluation framework that holds up in production","Why BLEU and ROUGE fall short for RAG, and the metrics that actually drive decisions in real projects.",8),
("agentic-n8n-patterns","Automation","Agentic patterns with n8n for the enterprise","How to combine n8n with LangGraph to build auditable, debuggable autonomous workflows.",11),
- ("vertex-cost-control","Google Stack","Vertex AI cost control at scale","Three anti-patterns I see in 80% of Vertex projects — and how we cut 60% of monthly spend.",6),
+ ("vertex-cost-control","Google Stack","Vertex AI cost control at scale","Three anti-patterns I see in 80% of Vertex projects, and how we cut 60% of monthly spend.",6),
("k8s-llm-inference","Infra","Sub-50ms LLM inference on Kubernetes","Deployment pattern with KEDA, GPU sharing, and request hedging for stable serving.",14),
("flutter-on-device-ai","Mobile","On-device AI in Flutter","Using Gemini Nano and LiteRT for offline inference inside mobile apps.",9),
- ("enterprise-ai-roadmap","Strategy","A 90-day enterprise AI roadmap","The framework I build for CTOs — from use-case discovery to first production deployment.",7),
+ ("enterprise-ai-roadmap","Strategy","A 90-day enterprise AI roadmap","The framework I build for CTOs, from use-case discovery to first production deployment.",7),
};
}
@foreach (var (slug, cat, btitle, excerpt, readTime) in posts)
{
-
- @cat
- @btitle
- @excerpt
-
- @readTime @(fa ? "دقیقه" : "min") @(fa ? "ادامه" : "read")
-
+
+
+ @cat
+ @readTime @(fa ? "دقیقه" : "min")
+
+
+ @btitle
+ @excerpt
}
@@ -452,37 +276,35 @@
-
-
+
+
-
- @(fa ? "تماس" : "Contact")
- @(fa ? "رزرو یک جلسه ۳۰ دقیقهای" : "Book a 30-minute call")
- @(fa ? "بدون هزینه، بدون تعهد. موارد کاربردی، محدودیتها و گام بعدی را با هم بررسی میکنیم." : "No cost, no commitment. We map the use case, the constraints, and the next step together.")
+
+ @(fa ? "رزرو یک جلسهی ۳۰ دقیقهای" : "Book a 30-minute call")
+ @(fa ? "بدون هزینه، بدون تعهد. مورد کاربری، محدودیتها و گام بعدی را با هم مشخص میکنیم." : "No cost, no commitment. We map the use case, the constraints, and the next step together.")
-
-
-
+
+
- @(fa ? "یادداشتهای مهندسی" : "Engineering notes")
-@(fa ? "یافتهها از پروژههای واقعی — نه ترجمهی مقاله، نه فهرست hype." : "Findings from real engagements — not translated articles, not hype lists.")
+@(fa ? "یافتهها از پروژههای واقعی. نه ترجمهی مقاله، نه فهرست هیجان." : "Findings from real engagements. Not translated articles, not hype lists.")
+
@foreach (var post in Model.Posts)
{
-
- @post.Category
-
@post.Title
-@post.Excerpt
-
- @post.ReadTime @(fa ? "دقیقه" : "min") @(fa ? "مطالعه" : "read")
-
+
+
+ @post.Category
+ @post.ReadTime @(fa ? "دقیقه" : "min")
+
+
+
}
diff --git a/Pages/Blog/Post.cshtml b/Pages/Blog/Post.cshtml
index c389741..ff28c6e 100644
--- a/Pages/Blog/Post.cshtml
+++ b/Pages/Blog/Post.cshtml
@@ -1,48 +1,32 @@
@page "/blog/{slug}"
@model SoroushAsadi.Pages.Blog.PostModel
@{
- ViewData["Title"] = Model.Title + " — Soroush Asadi";
+ ViewData["Title"] = Model.Title + " - Soroush Asadi";
var fa = Model.IsFa;
}
-@post.Title
+@post.Excerpt
-
-
-
+
-
-
+
+
-
-@section Scripts {
-
-}
diff --git a/Pages/Index.cshtml b/Pages/Index.cshtml
index 7676f69..1cff18f 100644
--- a/Pages/Index.cshtml
+++ b/Pages/Index.cshtml
@@ -5,239 +5,117 @@
var locale = Model.Locale;
}
-
-
+
+
@(fa ? "بازگشت به بلاگ" : "Back to blog")
@if (Model.PostNotFound)
{
-
+ @Model.Category
+
-
+
@Html.Raw(Model.BodyHtml)
}
@(fa ? "مقاله پیدا نشد." : "Post not found.")
+@(fa ? "مقاله پیدا نشد." : "Post not found.")
} else { -
- @Model.Category
-
+ @Model.Title
-@Model.ReadTime @(fa ? "دقیقه مطالعه" : "min read")
-@Model.Title
+@Model.ReadTime @(fa ? "دقیقه مطالعه" : "min read")
+
-
-
-
+
+
+
@(fa ? "مهندس هوش مصنوعی، مشاور، معمار راهکار" : "AI Engineer, Consultant, Solution Architect")
- - - -
-
-
-
+
-
-
-
-
-
-
- @(fa ? "پذیرش پروژههای منتخب فصل سوم ۲۰۲۶" : "Available for select Q3 2026 engagements")
-
-
-
-
- - - @(fa ? "مهندس هوش مصنوعی · مشاور · معمار راهکار" : "AI Engineer · Consultant · Solution Architect") - -
- - -
+
@(fa ? "سروش اسعدی" : "Soroush Asadi")
-
-
- @(fa ? "طراحی سامانههای" : "Architecting") - @(fa ? "هوش مصنوعی" : "production-grade AI") - @(fa ? "در مقیاس سازمانی." : "for the enterprise.") -
- - -
-
-
-
-
-
-
-
- +
@(fa - ? "از راهبرد تا تولید — ساخت پایپلاینهای LLM، عاملهای خودکار، و معماریهای ابری که در میلیونها رویداد در روز پایدار میمانند." - : "From strategy to deployment — building LLM pipelines, autonomous agents, and cloud architectures that hold up at millions of events per day.") + ? "طراحی و استقرار سامانههای هوش مصنوعی در مقیاس سازمانی؛ از نخستین جلسهی راهبرد تا استقرار در تولید." + : "I design and ship production-grade AI systems for the enterprise, from the first strategy session to live deployment.")
- -
-
- @(fa ? "رزرو جلسه مشاوره" : "Book a consultation")
-
-
- @(fa ? "مشاهده خدمات" : "View services")
+
-
-
-
-
-
- @{
- var metrics = fa
- ? new[]{ ("۱۸+","مدل هوش مصنوعی مستقر","text-electric"), ("۴۰+","میکروسرویس تولید","text-violet"), ("۱۲ms","تأخیر استنتاج","text-magenta"), ("۹۹٪","پایداری SLA","text-emerald") }
- : new[]{ ("18+","AI models in production","text-electric"), ("40+","microservices shipped","text-violet"), ("12ms","inference latency","text-magenta"), ("99%","SLA uptime","text-emerald") };
- }
- @foreach (var (val, label, color) in metrics)
- {
-
-
-
-
- @(fa ? "اسکرول" : "Scroll")
-
-
-
-
-
-
- }
- @val
- @label
-
-
-
+
@(fa ? "خدمات" : "Services")
- @(fa ? "شش حوزه تخصصی" : "Six areas of practice")
-@(fa ? "از اولین جلسهی راهبرد تا استقرار تولید — یک شریک مهندسی برای کل چرخهی عمر هوش مصنوعی شما." : "From the first strategy session to production rollout — one engineering partner for the full AI lifecycle.")
+ +
+
+
- @(fa ? "شش حوزهی تخصص" : "Six areas of practice")
+@(fa ? "از نخستین جلسهی راهبرد تا استقرار تولید؛ یک شریک مهندسی برای کل چرخهی عمر هوش مصنوعی." : "From the first strategy session to production rollout, one engineering partner for the full AI lifecycle.")
+
+
-
@{
var services = fa ? new[]{
- ("strategy","راهبرد و نقشه راه هوش مصنوعی","ارزیابی بلوغ سازمانی، شناسایی موارد کاربری با بیشترین بازده، و طراحی نقشه راه ۱۲–۱۸ ماهه با KPIهای روشن.","electric",new[]{"Discovery","ROI Mapping","Roadmap"}),
- ("automation","اتوماسیون هوش مصنوعی","ساخت عاملهای خودکار و گردشکارهای n8n که فرایندهای دستی را به سامانههای قابل ممیزی تبدیل میکنند.","violet",new[]{"n8n","Agents","Workflows"}),
- ("llm-rag","مهندسی LLM و RAG","طراحی pipelineهای RAG با پایگاههای برداری، evaluation framework، و سرویسدهی با تأخیر زیر ۵۰ میلیثانیه.","magenta",new[]{"RAG","Vector DB","Eval"}),
- ("architecture","معماری راهکار","طراحی سامانههای توزیعشده روی Kubernetes با میکروسرویسها، event streaming، و الگوهای پایداری در مقیاس بالا.","emerald",new[]{"K8s","Microservices","Event-Driven"}),
- ("mobile","اپلیکیشنهای موبایل هوش مصنوعی","برنامههای Flutter، Swift و Kotlin با on-device inference، استریم LLM و تجربهی کاربری بومی.","electric",new[]{"Flutter","Swift","Kotlin"}),
- ("google-stack","تخصص استک گوگل","استقرار روی Vertex AI، GKE و Gemini با بهینهسازی هزینه و الگوهای امنیتی سطح enterprise.","cyan",new[]{"Vertex AI","GKE","Gemini"}),
+ ("strategy","راهبرد و نقشه راه هوش مصنوعی","ارزیابی بلوغ سازمانی، شناسایی موارد کاربری با بیشترین بازده، و طراحی نقشه راه ۱۲ تا ۱۸ ماهه با KPIهای روشن.",new[]{"Discovery","ROI Mapping","Roadmap"}),
+ ("automation","اتوماسیون هوش مصنوعی","ساخت عاملهای خودکار و گردشکارهای n8n که فرایندهای دستی را به سامانههای قابل ممیزی تبدیل میکنند.",new[]{"n8n","Agents","Workflows"}),
+ ("llm-rag","مهندسی LLM و RAG","طراحی pipelineهای RAG با پایگاههای برداری، evaluation framework، و سرویسدهی با تأخیر زیر ۵۰ میلیثانیه.",new[]{"RAG","Vector DB","Eval"}),
+ ("architecture","معماری راهکار","طراحی سامانههای توزیعشده روی Kubernetes با میکروسرویسها، event streaming، و الگوهای پایداری در مقیاس بالا.",new[]{"K8s","Microservices","Event-Driven"}),
+ ("mobile","اپلیکیشنهای موبایل هوش مصنوعی","برنامههای Flutter، Swift و Kotlin با on-device inference، استریم LLM و تجربهی کاربری بومی.",new[]{"Flutter","Swift","Kotlin"}),
+ ("google-stack","تخصص استک گوگل","استقرار روی Vertex AI، GKE و Gemini با بهینهسازی هزینه و الگوهای امنیتی سطح enterprise.",new[]{"Vertex AI","GKE","Gemini"}),
} : new[]{
- ("strategy","AI Strategy & Roadmap","Maturity assessment, highest-ROI use-case discovery, and a 12–18 month roadmap with measurable KPIs.","electric",new[]{"Discovery","ROI Mapping","Roadmap"}),
- ("automation","AI Automation","Autonomous agents and n8n workflows that turn manual processes into auditable, observable systems.","violet",new[]{"n8n","Agents","Workflows"}),
- ("llm-rag","LLM & RAG Engineering","Production RAG pipelines with vector stores, evaluation frameworks, and sub-50ms serving.","magenta",new[]{"RAG","Vector DB","Eval"}),
- ("architecture","Solution Architecture","Distributed systems on Kubernetes — microservices, event streaming, and resilience patterns at scale.","emerald",new[]{"K8s","Microservices","Event-Driven"}),
- ("mobile","Mobile AI Apps","Flutter, Swift, and Kotlin apps with on-device inference, streaming LLM UX, and native polish.","electric",new[]{"Flutter","Swift","Kotlin"}),
- ("google-stack","Google Stack Specialist","Vertex AI, GKE, and Gemini deployments with cost optimization and enterprise security patterns.","cyan",new[]{"Vertex AI","GKE","Gemini"}),
+ ("strategy","AI Strategy and Roadmap","Maturity assessment, highest-ROI use-case discovery, and a 12 to 18 month roadmap with measurable KPIs.",new[]{"Discovery","ROI Mapping","Roadmap"}),
+ ("automation","AI Automation","Autonomous agents and n8n workflows that turn manual processes into auditable, observable systems.",new[]{"n8n","Agents","Workflows"}),
+ ("llm-rag","LLM and RAG Engineering","Production RAG pipelines with vector stores, evaluation frameworks, and sub-50ms serving.",new[]{"RAG","Vector DB","Eval"}),
+ ("architecture","Solution Architecture","Distributed systems on Kubernetes: microservices, event streaming, and resilience patterns at scale.",new[]{"K8s","Microservices","Event-Driven"}),
+ ("mobile","Mobile AI Apps","Flutter, Swift, and Kotlin apps with on-device inference, streaming LLM UX, and native polish.",new[]{"Flutter","Swift","Kotlin"}),
+ ("google-stack","Google Stack Specialist","Vertex AI, GKE, and Gemini deployments with cost optimization and enterprise security patterns.",new[]{"Vertex AI","GKE","Gemini"}),
};
- int si = 0;
}
- @foreach (var (id, title, desc, color, tags) in services)
+ @foreach (var (id, title, desc, tags) in services)
{
- var (ringCls, glowCls, textCls, chipCls) = color switch {
- "violet" => ("group-hover:border-violet/50", "group-hover:shadow-glow-violet", "text-violet", "border-violet/30 bg-violet/5 text-violet/90"),
- "magenta" => ("group-hover:border-magenta/50", "group-hover:shadow-glow-magenta", "text-magenta", "border-magenta/30 bg-magenta/5 text-magenta/90"),
- "emerald" => ("group-hover:border-emerald/50", "group-hover:shadow-glow-emerald", "text-emerald", "border-emerald/30 bg-emerald/5 text-emerald/90"),
- "cyan" => ("group-hover:border-cyan/50", "group-hover:shadow-glow-electric","text-cyan", "border-cyan/30 bg-cyan/5 text-cyan/90"),
- _ => ("group-hover:border-electric/50","group-hover:shadow-glow-electric","text-electric","border-electric/30 bg-electric/5 text-electric/90"),
- };
-
-
-
-
- @((si + 1).ToString("D2"))
-
- @Html.Raw(ServiceIcon(id))
-
+
+
+
- si++;
}
@title
+@desc
+
+ @foreach (var tag in tags) { @tag }
- @title
-@desc
-
- @foreach (var tag in tags)
- {
- @tag
- }
-
-
-
-
+
-
-
-
@(fa ? "پایپلاین" : "Pipeline")
- @(fa ? "از سند خام تا پاسخ قابل اتکا" : "From raw document to trustworthy answer")
-@(fa ? "مسیری که هر پرسش در یک سامانهی RAG تولیدی طی میکند — هر مرحله قابل اندازهگیری، قابل ممیزی و بهینهشده برای تأخیر." : "The path every query takes through a production RAG system — each stage measurable, auditable, and tuned for latency.")
+ +
+
+
-
- @(fa ? "از سند خام تا پاسخ قابل اتکا" : "From raw document to a trustworthy answer")
+@(fa ? "مسیری که هر پرسش در یک سامانهی RAG تولیدی طی میکند. هر مرحله قابل اندازهگیری، قابل ممیزی و بهینهشده برای تأخیر." : "The path every query takes through a production RAG system. Each stage is measurable, auditable, and tuned for latency.")
-
-
- @{
- var nodes = fa ? new[]{
- ("ingest","دریافت","نرمالسازی، قطعهبندی و پاکسازی اسناد منبع","electric"),
- ("embed","برداریسازی","تولید embedding و نمایهسازی در پایگاه برداری","violet"),
- ("retrieve","بازیابی","جستجوی ترکیبی معنایی و کلیدواژهای","cyan"),
- ("rerank","بازرتبهبندی","مرتبسازی مجدد نامزدها با cross-encoder","magenta"),
- ("generate","تولید","پاسخ مستند با ارجاع به منبع","emerald"),
- } : new[]{
- ("ingest","Ingest","Normalize, chunk, and clean source documents","electric"),
- ("embed","Embed","Generate embeddings and index in vector store","violet"),
- ("retrieve","Retrieve","Hybrid semantic + keyword search","cyan"),
- ("rerank","Rerank","Re-order candidates with a cross-encoder","magenta"),
- ("generate","Generate","Grounded answer with source citations","emerald"),
- };
- var colorMap2 = new Dictionary{
- ["electric"] = ("border-electric/40","text-electric","bg-electric/10"),
- ["violet"] = ("border-violet/40", "text-violet", "bg-violet/10"),
- ["cyan"] = ("border-cyan/40", "text-cyan", "bg-cyan/10"),
- ["magenta"] = ("border-magenta/40", "text-magenta", "bg-magenta/10"),
- ["emerald"] = ("border-emerald/40", "text-emerald", "bg-emerald/10"),
- };
- }
- @for (int ni = 0; ni < nodes.Length; ni++)
- {
- var (nid, nlabel, ndesc, naccent) = nodes[ni];
- var (nborder, ntext, nbg) = colorMap2[naccent];
-
-
-
- if (ni < nodes.Length - 1)
- {
-
- @nlabel
-
- @ndesc
-
-
-
- }
- }
- @(fa ? "تأخیر سرتاسری زیر ۵۰ میلیثانیه · هر مرحله مشاهدهپذیر" : "Sub-50ms end-to-end · every stage observable")
+ +-
+ @{
+ var nodes = fa ? new[]{
+ ("دریافت","نرمالسازی، قطعهبندی و پاکسازی اسناد منبع"),
+ ("برداریسازی","تولید embedding و نمایهسازی در پایگاه برداری"),
+ ("بازیابی","جستجوی ترکیبی معنایی و کلیدواژهای"),
+ ("بازرتبهبندی","مرتبسازی مجدد نامزدها با cross-encoder"),
+ ("تولید","پاسخ مستند با ارجاع به منبع"),
+ } : new[]{
+ ("Ingest","Normalize, chunk, and clean source documents"),
+ ("Embed","Generate embeddings and index in the vector store"),
+ ("Retrieve","Hybrid semantic and keyword search"),
+ ("Rerank","Re-order candidates with a cross-encoder"),
+ ("Generate","Grounded answer with source citations"),
+ };
+ int stepN = 0;
+ }
+ @foreach (var (nlabel, ndesc) in nodes)
+ {
+ stepN++;
+
-
+ @stepN.ToString("D2")
+
@nlabel
+@ndesc
+
+ }
+
@(fa ? "تأخیر سرتاسری زیر ۵۰ میلیثانیه؛ هر مرحله مشاهدهپذیر." : "Sub-50ms end-to-end, every stage observable.")
-
-
+
@(fa ? "استک" : "Stack")
- @(fa ? "ابزارهای روزانه" : "Daily tooling")
-@(fa ? "هر چه ساخته میشود از این پایهها بیرون میآید — انتخابشده برای عمر طولانی، نه ترند روز." : "Everything I ship sits on this foundation — chosen for longevity, not hype cycles.")
+ +
+
+
- @(fa ? "ابزار روزمره" : "Daily tooling")
+@(fa ? "هر چه میسازم بر این پایهها استوار است؛ انتخابشده برای دوام، نه چرخههای هیجان." : "Everything I ship sits on this foundation, chosen for longevity, not hype cycles.")
+
+
-
@{
var cats = fa ? new[]{
("زبانها", new[]{"Python","TypeScript","Go","Rust","SQL"}),
@@ -245,206 +123,152 @@
("زیرساخت", new[]{"Kubernetes","Terraform","Postgres","Redis","Kafka","NATS"}),
("هوش مصنوعی", new[]{"Vertex AI","Gemini","OpenAI","Anthropic","LangGraph","Pinecone","pgvector"}),
} : new[]{
- ("Languages", new[]{"Python","TypeScript","Go","Rust","SQL"}),
- ("Mobile", new[]{"Flutter","Swift / SwiftUI","Kotlin","React Native"}),
+ ("Languages", new[]{"Python","TypeScript","Go","Rust","SQL"}),
+ ("Mobile", new[]{"Flutter","Swift / SwiftUI","Kotlin","React Native"}),
("Infrastructure",new[]{"Kubernetes","Terraform","Postgres","Redis","Kafka","NATS"}),
- ("AI / ML", new[]{"Vertex AI","Gemini","OpenAI","Anthropic","LangGraph","Pinecone","pgvector"}),
+ ("AI / ML", new[]{"Vertex AI","Gemini","OpenAI","Anthropic","LangGraph","Pinecone","pgvector"}),
};
- string[] catColors = ["text-electric","text-violet","text-emerald","text-magenta"];
- int ci2 = 0;
}
@foreach (var (catLabel, items) in cats)
{
-
-
-
-
@catLabel
--
- @foreach (var item in items)
- {
-
- - - @item - - } -
+
- ci2++;
}
@catLabel
+
+ @foreach (var item in items) { @item }
+
-
-
+
@(fa ? "تخصص" : "Expertise")
- @(fa ? "اعدادی که اهمیت دارند" : "The numbers that matter")
-@(fa ? "سامانههایی که در میلیونها رویداد در روز پایدار میمانند — اینها معیارهایی هستند که اندازه میگیریم." : "Systems that survive millions of events per day — these are the metrics I optimize for.")
+ +
+
-
+
- @(fa ? "آنچه در آن عمیق میشوم" : "What I go deep on")
+@(fa ? "سامانههایی که میلیونها رویداد در روز را دوام میآورند. اینها حوزههاییاند که برایشان بهینه میکنم." : "Systems that survive millions of events per day. These are the areas I optimize for.")
+
+
-
--
@{
- var bars = fa ? new[]{
- ("مهندسی LLM و RAG", 95),
- ("معماری ابری و Kubernetes", 92),
- ("سیستمهای عاملمحور و اتوماسیون", 90),
- ("استک گوگل کلود (Vertex / GKE)", 88),
- ("موبایل بومی و cross-platform", 82),
+ var areas = fa ? new[]{
+ ("مهندسی LLM و RAG","پایپلاینهای بازیابی، ارزیابی و تولید مستند در محیط تولید."),
+ ("معماری ابری و Kubernetes","سرویسهای توزیعشده، مقیاس خودکار و پایداری در مقیاس بالا."),
+ ("سیستمهای عاملمحور و اتوماسیون","گردشکارهای خودکار قابل ممیزی با n8n و LangGraph."),
+ ("استک گوگل کلود (Vertex / GKE)","Vertex AI، GKE و Gemini با انضباط هزینه."),
+ ("موبایل بومی و cross-platform","Flutter، Swift و Kotlin با استنتاج روی دستگاه."),
} : new[]{
- ("LLM & RAG engineering", 95),
- ("Cloud architecture & Kubernetes", 92),
- ("Agentic systems & automation", 90),
- ("Google Cloud stack (Vertex / GKE)", 88),
- ("Native + cross-platform mobile", 82),
+ ("LLM and RAG engineering","Retrieval pipelines, evals, and grounded generation in production."),
+ ("Cloud architecture and Kubernetes","Distributed services, autoscaling, and resilience at scale."),
+ ("Agentic systems and automation","Auditable autonomous workflows with n8n and LangGraph."),
+ ("Google Cloud stack (Vertex / GKE)","Vertex AI, GKE, and Gemini with real cost discipline."),
+ ("Native and cross-platform mobile","Flutter, Swift, and Kotlin with on-device inference."),
};
- string[] barColors = ["bg-electric","bg-violet","bg-cyan","bg-magenta","bg-emerald"];
- int bi = 0;
}
- @foreach (var (blabel, bval) in bars)
+ @foreach (var (alabel, adesc) in areas)
{
-
- @alabel +
- @adesc
-
+
- @blabel
- @bval%
-
-
+
+
- bi++;
}
-
-
-
+
@(fa ? "نمونهکارها" : "Selected work")
- @(fa ? "سامانههایی که در تولید کار میکنند" : "Systems that run in production")
-@(fa ? "گزیدهای از پروژههای واقعی. روی هر کارت بزنید تا جزئیات معماری را ببینید." : "A selection of real engagements. Tap any card for the gallery and architecture details.")
+ +
+
+
@(fa ? "نمونهکارهای منتخب" : "Selected work")
+@(fa ? "گزیدهای از پروژههای واقعی در حوزهی هوش مصنوعی، داده و موبایل." : "A selection of real engagements across AI, data, and mobile.")
@{
var projects = fa ? new[]{
- ("atlas-rag","اطلس — پلتفرم RAG سازمانی","بانک ردیفاول","مهندس ارشد هوش مصنوعی","۲۰۲۵","دستیار دانش روی بیش از ۴ میلیون سند داخلی؛ بازیابی ترکیبی با pgvector و reranker.","electric",new[]{"RAG","pgvector","Vertex AI","Eval"},new[]{("۴M+","سند نمایهشده"),("۳۸ms","تأخیر p95"),("۹۲٪","دقت پاسخ")},"/portfolio/atlas-rag/cover.svg",new[]{"/portfolio/atlas-rag/01.svg","/portfolio/atlas-rag/02.svg","/portfolio/atlas-rag/03.svg"}),
- ("sentinel-agents","Sentinel — اتوماسیون Ops عاملمحور","SaaS scale-up","معمار راهکار","۲۰۲۵","پاسخ خودکار به حوادث با ترکیب n8n و LangGraph — عاملهای قابل ممیزی که alert تریاژ میکنند.","violet",new[]{"n8n","LangGraph","Agents"},new[]{("۷۰٪","کاهش MTTR"),("۲۴/۷","پوشش on-call"),("۱۵۰+","جریان خودکار")},"/portfolio/sentinel-agents/cover.svg",new[]{"/portfolio/sentinel-agents/01.svg","/portfolio/sentinel-agents/02.svg","/portfolio/sentinel-agents/03.svg"}),
- ("vertex-vision","Vertex Vision — استنتاج بینایی بلادرنگ","زنجیره خردهفروشی","مهندس هوش مصنوعی","۲۰۲۴","استنتاج بینایی بلادرنگ روی GKE با Triton و Vertex AI برای تحلیل قفسه و جریان مشتری.","cyan",new[]{"Vertex AI","GKE","Triton"},new[]{("۱.۲B","استنتاج ماهانه"),("۳۰۰+","فروشگاه"),("۶۰٪","کاهش هزینه GPU")},"/portfolio/vertex-vision/cover.svg",new[]{"/portfolio/vertex-vision/01.svg","/portfolio/vertex-vision/02.svg","/portfolio/vertex-vision/03.svg"}),
- ("mirage-mobile","Mirage — مجموعه هوش مصنوعی on-device","محصول مصرفی","رهبر موبایل + هوش مصنوعی","۲۰۲۴","اپلیکیشن Flutter با استنتاج کاملاً آفلاین با Gemini Nano و LiteRT.","magenta",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("۰","وابستگی شبکه"),("<80ms","پاسخ"),("۴.۸★","امتیاز کاربران")},"/portfolio/mirage-mobile/cover.svg",new[]{"/portfolio/mirage-mobile/01.svg","/portfolio/mirage-mobile/02.svg","/portfolio/mirage-mobile/03.svg"}),
- ("flux-stream","Flux — مش داده رویدادمحور","پلتفرم لجستیک","معمار پلتفرم","۲۰۲۳","ستون استریمینگ روی Kafka و NATS روی Kubernetes — ۴۰+ میکروسرویس با الگوهای پایداری.","emerald",new[]{"Kafka","NATS","Kubernetes","Go"},new[]{("۴۰+","میکروسرویس"),("۲M/s","رویداد در ثانیه"),("۹۹.۹٪","uptime")},"/portfolio/flux-stream/cover.svg",new[]{"/portfolio/flux-stream/01.svg","/portfolio/flux-stream/02.svg","/portfolio/flux-stream/03.svg"}),
- ("oracle-forecast","Oracle — موتور پیشبینی تقاضا","زنجیره تامین","مهندس ML","۲۰۲۳","پایپلاین پیشبینی سری زمانی روی BigQuery و dbt با بازآموزی خودکار.","electric",new[]{"Forecasting","BigQuery","dbt","MLOps"},new[]{("۲۳٪","کاهش ضایعات"),("۸۹٪","دقت پیشبینی"),("روزانه","بازآموزی")},"/portfolio/oracle-forecast/cover.svg",new[]{"/portfolio/oracle-forecast/01.svg","/portfolio/oracle-forecast/02.svg","/portfolio/oracle-forecast/03.svg"}),
+ ("atlas-rag","اطلس - پلتفرم RAG سازمانی","بانک ردیفاول","۲۰۲۵","دستیار دانش روی بیش از ۴ میلیون سند داخلی؛ بازیابی ترکیبی با pgvector و reranker.",new[]{"RAG","pgvector","Vertex AI"},new[]{("۴M+","سند نمایهشده"),("۳۸ms","تأخیر p95"),("۹۲٪","دقت پاسخ")}),
+ ("sentinel-agents","Sentinel - اتوماسیون Ops عاملمحور","SaaS scale-up","۲۰۲۵","پاسخ خودکار به حوادث با ترکیب n8n و LangGraph؛ عاملهای قابل ممیزی که alert تریاژ میکنند.",new[]{"n8n","LangGraph","Agents"},new[]{("۷۰٪","کاهش MTTR"),("۲۴/۷","پوشش on-call"),("۱۵۰+","جریان خودکار")}),
+ ("vertex-vision","Vertex Vision - استنتاج بینایی بلادرنگ","زنجیره خردهفروشی","۲۰۲۴","استنتاج بینایی بلادرنگ روی GKE با Triton و Vertex AI برای تحلیل قفسه و جریان مشتری.",new[]{"Vertex AI","GKE","Triton"},new[]{("۱.۲B","استنتاج ماهانه"),("۳۰۰+","فروشگاه"),("۶۰٪","کاهش هزینه")}),
+ ("mirage-mobile","Mirage - مجموعه هوش مصنوعی on-device","محصول مصرفی","۲۰۲۴","اپلیکیشن Flutter با استنتاج کاملاً آفلاین با Gemini Nano و LiteRT.",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("۰","وابستگی شبکه"),("<80ms","پاسخ"),("۴.۸★","امتیاز کاربران")}),
+ ("flux-stream","Flux - مش داده رویدادمحور","پلتفرم لجستیک","۲۰۲۳","ستون استریمینگ روی Kafka و NATS روی Kubernetes؛ ۴۰+ میکروسرویس با الگوهای پایداری.",new[]{"Kafka","NATS","Go"},new[]{("۴۰+","میکروسرویس"),("۲M/s","رویداد بر ثانیه"),("۹۹.۹٪","uptime")}),
+ ("oracle-forecast","Oracle - موتور پیشبینی تقاضا","زنجیره تامین","۲۰۲۳","پایپلاین پیشبینی سری زمانی روی BigQuery و dbt با بازآموزی خودکار.",new[]{"BigQuery","dbt","MLOps"},new[]{("۲۳٪","کاهش ضایعات"),("۸۹٪","دقت پیشبینی"),("روزانه","بازآموزی")}),
} : new[]{
- ("atlas-rag","Atlas — Enterprise RAG Platform","Tier-1 bank","Lead AI Engineer","2025","A knowledge assistant over 4M+ internal documents — hybrid retrieval with pgvector and a reranker, sub-40ms serving on Vertex AI.","electric",new[]{"RAG","pgvector","Vertex AI","Eval"},new[]{("4M+","docs indexed"),("38ms","p95 latency"),("92%","answer accuracy")},"/portfolio/atlas-rag/cover.svg",new[]{"/portfolio/atlas-rag/01.svg","/portfolio/atlas-rag/02.svg","/portfolio/atlas-rag/03.svg"}),
- ("sentinel-agents","Sentinel — Agentic Ops Automation","SaaS scale-up","Solution Architect","2025","Autonomous incident response combining n8n and LangGraph — auditable agents that triage alerts and self-heal.","violet",new[]{"n8n","LangGraph","Agents"},new[]{("70%","MTTR reduction"),("24/7","on-call coverage"),("150+","automated flows")},"/portfolio/sentinel-agents/cover.svg",new[]{"/portfolio/sentinel-agents/01.svg","/portfolio/sentinel-agents/02.svg","/portfolio/sentinel-agents/03.svg"}),
- ("vertex-vision","Vertex Vision — Realtime Vision Inference","Retail chain","AI Engineer","2024","Real-time vision inference on GKE with Triton and Vertex AI for shelf analytics and customer flow across 300+ stores.","cyan",new[]{"Vertex AI","GKE","Triton"},new[]{("1.2B","inferences / mo"),("300+","stores"),("60%","GPU cost cut")},"/portfolio/vertex-vision/cover.svg",new[]{"/portfolio/vertex-vision/01.svg","/portfolio/vertex-vision/02.svg","/portfolio/vertex-vision/03.svg"}),
- ("mirage-mobile","Mirage — On-device AI Suite","Consumer product","Mobile + AI Lead","2024","A Flutter app with fully offline inference via Gemini Nano and LiteRT — streaming response UX with zero network dependency.","magenta",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("0","network deps"),("<80ms","response"),("4.8★","user rating")},"/portfolio/mirage-mobile/cover.svg",new[]{"/portfolio/mirage-mobile/01.svg","/portfolio/mirage-mobile/02.svg","/portfolio/mirage-mobile/03.svg"}),
- ("flux-stream","Flux — Event-Driven Data Mesh","Logistics platform","Platform Architect","2023","Streaming backbone on Kafka and NATS over Kubernetes — 40+ microservices with resilience patterns and exactly-once delivery.","emerald",new[]{"Kafka","NATS","Kubernetes","Go"},new[]{("40+","microservices"),("2M/s","events / sec"),("99.9%","uptime")},"/portfolio/flux-stream/cover.svg",new[]{"/portfolio/flux-stream/01.svg","/portfolio/flux-stream/02.svg","/portfolio/flux-stream/03.svg"}),
- ("oracle-forecast","Oracle — Demand Forecasting Engine","Supply chain","ML Engineer","2023","Time-series forecasting pipeline on BigQuery and dbt with automated retraining — reduced inventory waste significantly.","electric",new[]{"Forecasting","BigQuery","dbt","MLOps"},new[]{("23%","waste reduction"),("89%","forecast accuracy"),("daily","retraining")},"/portfolio/oracle-forecast/cover.svg",new[]{"/portfolio/oracle-forecast/01.svg","/portfolio/oracle-forecast/02.svg","/portfolio/oracle-forecast/03.svg"}),
+ ("atlas-rag","Atlas - Enterprise RAG Platform","Tier-1 bank","2025","A knowledge assistant over 4M+ internal documents. Hybrid retrieval with pgvector and a reranker, sub-40ms serving.",new[]{"RAG","pgvector","Vertex AI"},new[]{("4M+","docs indexed"),("38ms","p95 latency"),("92%","answer accuracy")}),
+ ("sentinel-agents","Sentinel - Agentic Ops Automation","SaaS scale-up","2025","Autonomous incident response combining n8n and LangGraph. Auditable agents that triage alerts and self-heal.",new[]{"n8n","LangGraph","Agents"},new[]{("70%","MTTR cut"),("24/7","on-call cover"),("150+","automated flows")}),
+ ("vertex-vision","Vertex Vision - Realtime Vision Inference","Retail chain","2024","Real-time vision inference on GKE with Triton and Vertex AI for shelf analytics and customer flow across 300+ stores.",new[]{"Vertex AI","GKE","Triton"},new[]{("1.2B","inferences / mo"),("300+","stores"),("60%","GPU cost cut")}),
+ ("mirage-mobile","Mirage - On-device AI Suite","Consumer product","2024","A Flutter app with fully offline inference via Gemini Nano and LiteRT. Streaming response UX with zero network dependency.",new[]{"Flutter","Gemini Nano","LiteRT"},new[]{("0","network deps"),("<80ms","response"),("4.8★","user rating")}),
+ ("flux-stream","Flux - Event-Driven Data Mesh","Logistics platform","2023","Streaming backbone on Kafka and NATS over Kubernetes. 40+ microservices with resilience and exactly-once delivery.",new[]{"Kafka","NATS","Go"},new[]{("40+","microservices"),("2M/s","events / sec"),("99.9%","uptime")}),
+ ("oracle-forecast","Oracle - Demand Forecasting Engine","Supply chain","2023","Time-series forecasting pipeline on BigQuery and dbt with automated retraining, reducing inventory waste significantly.",new[]{"BigQuery","dbt","MLOps"},new[]{("23%","waste cut"),("89%","forecast accuracy"),("daily","retraining")}),
};
}
- @foreach (var (pid, ptitle, pclient, prole, pyear, psummary, paccent, ptags, pmetrics, pcover, pgallery) in projects)
+ @foreach (var (pid, ptitle, pclient, pyear, psummary, ptags, pmetrics) in projects)
{
- var (pborder, ptext) = paccent switch {
- "violet" => ("border-violet/30", "text-violet"),
- "cyan" => ("border-cyan/30", "text-cyan"),
- "magenta" => ("border-magenta/30", "text-magenta"),
- "emerald" => ("border-emerald/30", "text-emerald"),
- _ => ("border-electric/30", "text-electric"),
- };
- var galleryJson = System.Text.Json.JsonSerializer.Serialize(pgallery);
-
-
-
-
-
-
-
-
-
+ var initial = char.ToUpperInvariant(pid[0]);
+
+
-
}
- @foreach (var tag in ptags)
- {
- @tag
- }
+
+
+
-
+ @foreach (var tag in ptags) { @tag }
+
+ @ptitle
+@pclient · @pyear
+@psummary
+
+ @foreach (var (mv, ml) in pmetrics)
+ {
+
+
+ }
+ @mv
+ @ml
+ @ptitle
-@pclient · @pyear
-
- @foreach (var (mv, ml) in pmetrics)
- {
-
-
-
- }
- @mv
- @ml
-
-
-
+
@(fa ? "بلاگ" : "Journal")
+
+
+
-
@(fa ? "یادداشتهای مهندسی" : "Engineering notes")
-@(fa ? "یافتهها از پروژههای واقعی — نه ترجمهی مقاله، نه فهرست hype." : "Findings from real engagements — not translated articles, not hype lists.")
+@(fa ? "یافتهها از پروژههای واقعی. نه ترجمهی مقاله، نه فهرست هیجان." : "Findings from real engagements. Not translated articles, not hype lists.")
+
+
@{
var posts = fa ? new[]{
- ("rag-eval-framework","LLM","چارچوب ارزیابی RAG که در تولید کار میکند","چرا BLEU و ROUGE برای RAG ناکافیاند، و معیارهایی که در پروژههای واقعی تصمیم میسازند.",8),
+ ("rag-eval-framework","LLM","چارچوب ارزیابی RAG که در تولید دوام میآورد","چرا BLEU و ROUGE برای RAG کافی نیستند، و معیارهایی که در پروژههای واقعی تصمیم میسازند.",8),
("agentic-n8n-patterns","Automation","الگوهای عاملمحور با n8n برای سازمان","چگونه n8n را با LangGraph ترکیب کنیم تا گردشکارهای قابل ممیزی بسازیم.",11),
("vertex-cost-control","Google Stack","کنترل هزینه روی Vertex AI در مقیاس بالا","سه ضدالگو که در ۸۰٪ پروژههای Vertex میبینم، و چگونه ۶۰٪ هزینه را کاهش دادیم.",6),
("k8s-llm-inference","Infra","استنتاج LLM روی Kubernetes با تأخیر زیر ۵۰ میلیثانیه","الگوی استقرار با KEDA، GPU sharing، و request hedging برای سرویسدهی پایدار.",14),
("flutter-on-device-ai","Mobile","هوش مصنوعی on-device در Flutter","استفاده از Gemini Nano و LiteRT برای استنتاج آفلاین در اپلیکیشنهای موبایل.",9),
- ("enterprise-ai-roadmap","Strategy","نقشه راه هوش مصنوعی سازمانی در ۹۰ روز","چارچوبی که برای CTOها میسازم — از کشف موارد کاربری تا اولین استقرار تولید.",7),
+ ("enterprise-ai-roadmap","Strategy","نقشه راه هوش مصنوعی سازمانی در ۹۰ روز","چارچوبی که برای CTOها میسازم؛ از کشف موارد کاربری تا اولین استقرار تولید.",7),
} : new[]{
("rag-eval-framework","LLM","A RAG evaluation framework that holds up in production","Why BLEU and ROUGE fall short for RAG, and the metrics that actually drive decisions in real projects.",8),
("agentic-n8n-patterns","Automation","Agentic patterns with n8n for the enterprise","How to combine n8n with LangGraph to build auditable, debuggable autonomous workflows.",11),
- ("vertex-cost-control","Google Stack","Vertex AI cost control at scale","Three anti-patterns I see in 80% of Vertex projects — and how we cut 60% of monthly spend.",6),
+ ("vertex-cost-control","Google Stack","Vertex AI cost control at scale","Three anti-patterns I see in 80% of Vertex projects, and how we cut 60% of monthly spend.",6),
("k8s-llm-inference","Infra","Sub-50ms LLM inference on Kubernetes","Deployment pattern with KEDA, GPU sharing, and request hedging for stable serving.",14),
("flutter-on-device-ai","Mobile","On-device AI in Flutter","Using Gemini Nano and LiteRT for offline inference inside mobile apps.",9),
- ("enterprise-ai-roadmap","Strategy","A 90-day enterprise AI roadmap","The framework I build for CTOs — from use-case discovery to first production deployment.",7),
+ ("enterprise-ai-roadmap","Strategy","A 90-day enterprise AI roadmap","The framework I build for CTOs, from use-case discovery to first production deployment.",7),
};
}
@foreach (var (slug, cat, btitle, excerpt, readTime) in posts)
{
-
- @cat
-
+
+
@btitle
-@excerpt
-
- @readTime @(fa ? "دقیقه" : "min") @(fa ? "ادامه" : "read")
-
+
+
-
-
+ @cat
+ @readTime @(fa ? "دقیقه" : "min")
+
+
+
}
@@ -452,37 +276,35 @@
@btitle
+@excerpt
-
-
-
-@(fa ? "تماس" : "Contact")
- @(fa ? "رزرو یک جلسه ۳۰ دقیقهای" : "Book a 30-minute call")
-@(fa ? "بدون هزینه، بدون تعهد. موارد کاربردی، محدودیتها و گام بعدی را با هم بررسی میکنیم." : "No cost, no commitment. We map the use case, the constraints, and the next step together.")
+
+
-
@(fa ? "رزرو یک جلسهی ۳۰ دقیقهای" : "Book a 30-minute call")
+@(fa ? "بدون هزینه، بدون تعهد. مورد کاربری، محدودیتها و گام بعدی را با هم مشخص میکنیم." : "No cost, no commitment. We map the use case, the constraints, and the next step together.")