<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Lala Ibadullayeva on Medium]]></title>
        <description><![CDATA[Stories by Lala Ibadullayeva on Medium]]></description>
        <link>https://medium.com/@lala.ibadullayeva?source=rss-91cdfd712788------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*IpKZTW9RrMvKqn-HmGMJ9g.jpeg</url>
            <title>Stories by Lala Ibadullayeva on Medium</title>
            <link>https://medium.com/@lala.ibadullayeva?source=rss-91cdfd712788------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 17:31:17 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@lala.ibadullayeva/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[- “Mən beləyəm, bilirsiniz.” / + “Xeyr, sən bizə qarşı beləsən.”]]></title>
            <link>https://medium.com/@lala.ibadullayeva/m%C9%99n-bel%C9%99y%C9%99m-bilirsiniz-xeyr-s%C9%99n-biz%C9%99-qar%C5%9F%C4%B1-bel%C9%99s%C9%99n-98cb1b87f738?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/98cb1b87f738</guid>
            <category><![CDATA[astrology]]></category>
            <category><![CDATA[psychology]]></category>
            <category><![CDATA[stress-management]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Sun, 15 Nov 2026 18:23:22 GMT</pubDate>
            <atom:updated>2026-11-15T18:23:22.330Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir neçə gün əvvəl bir dostumla təsadüfi bir coffee date zamanı maraqlı bir mövzu ətrafında söhbət edirdik. Bürclərdən tutmuş, son dövrlərdə Instagram`da populyarlaşan psixoloji terminlərə, insanların özünə qoyduğu diaqnozlardan tutmuş, insani münasibətlərində sərgilənən davranışlara qədər gəlib çıxdıq. Söhbətin sonunda ortaq bir qənaətə gəldik: bəzən insanlar öz davranışlarını anlamaq üçün istifadə etməli olduqları psixoloji anlayışları həmin davranışlara bəraət qazandırmaq üçün istifadə edirlər. Bürclər isə bu prosesdə əlavə sığorta rolunu oynayır. İndi deyəcəksiniz ki, bunu onsuz da bilirdik, niyə indi gəlib qarşımıza qoyursan? Çünki məsələ düşündüyümüzdən bir qədər dərindir.</p><h4>Bəhanənin yeni lüğəti</h4><p>Gün ərzində nə qədər belə ifadələr eşidirik:</p><p><strong>“ADHD-yəm, ona görə sənə cavab verməyi unutmuşam.” </strong>Bəlkə də. ADHD diqqət, planlaşdırma, zamanın idarə olunması və gündəlik tapşırıqları xatırlamaqla bağlı real çətinliklər yarada bilər. Amma bu diaqnoz qarşı tərəfin hisslərini nəzərə almamaq üçün avtomatik icazə sənədi deyil. Bəzən sadəcə belə demək kifayətdir: “Bağışla, öz işlərimə o qədər fokuslanmışdım ki, sənə vaxt ayıra bilmədim.”</p><p><strong>“OKB-yəm, ona görə hər şeyi beş dəfə yoxlayıram.” </strong>Yoxsa məsələ hər şeyi beş dəfə yoxlamaq deyil, olduğun mühitə, insanlara və bəlkə də öz qərarlarına güvənə bilməməyindir? Burada bir vacib fərq var: obsesiv-kompulsiv pozuntu (OKB) sadəcə səliqəli olmaq, detallara diqqət yetirmək və ya nəyisə təkrar yoxlamaq demək deyil. Klinik OKB arzuolunmaz, təkrarlanan düşüncələr və bu düşüncələrin yaratdığı narahatlığı azaltmağa yönəlmiş kompulsiv davranışlarla xarakterizə olunur. Bu davranışlar insanın gündəlik həyatına ciddi təsir göstərə bilər. Yəni, hər şeyi beş dəfə yoxlamaq avtomatik olaraq OKB olmaq demək deyil.</p><p><strong>“Mən bağlanmağı sevmirəm, çünki Dolça bürcüyəm.” </strong>Bəlkə də sadəcə sənə bağlanmaq istəmirəm. Çünki hələ başqa insanlarla da tanış olmaq, fərqli münasibətlər yaşamaq və seçim imkanlarımı açıq saxlamaq istəyirəm. Bunun üçün planetlərin mövqeyini günahlandırmağa ehtiyac yoxdur.</p><p><strong>“Ay bürcüm Oğlaqdır, ona görə şəxsi münasibətlərdə insanları ciddi qəbul edə bilmirəm.” </strong>Yoxsa ciddi münasibətin gətirdiyi emosional məsuliyyətdən narahatsan? Bəlkə də əvvəllər dəfələrlə incimisən və bu dəfə yenidən eyni vəziyyətə düşməmək üçün özünə bir müdafiə mexanizmi yaratmısan?</p><p>Bürclər haqqında mübahisə etmək fikrim yoxdur. Sadəcə, astroloji təsvirlərin insanın öz davranışını sorğulamaq əvəzinə, onu əvvəlcədən müəyyən edilmiş xarakter xüsusiyyətinə bağlaması maraqlı sosial müşahidədir.</p><p>Bu misalları istədiyimiz qədər uzada bilərik. Biri sevdiyi serialın baş qəhrəmanının xarakterini özünə uyğunlaşdırır, digəri tanış olduğu insana görə yeni bir maska taxır. Digəri isə işinin nə qədər məsuliyyətli olduğunu önə çəkərək ətrafındakı insanları incitməyi özünə haqq qazandırır. Bir başqası isə özünü emosional cəhətdən əlçatmaz adlandıraraq əslində münasibətdə məsuliyyət götürmək istəmədiyini gizlədir. Maraqlıdır ki, bütün bu hallarda insanın özünü təsvir etmək üçün kifayət qədər söz ehtiyatı var, amma davranışının nəticələrini qəbul etmək üçün eyni həvəsi yoxdur.</p><h4>Psixoloji terminlər məsuliyyətdən azad edir?</h4><p>Psixologiyada buna yaxın bir neçə anlayış var.</p><p>Onlardan biri <em>self-handicappingdir ki, </em>insanın özünə əvvəlcədən maneələr yaratması və ya müəyyən məhdudiyyətləri ön plana çəkməsi vasitəsilə mümkün uğursuzluğa bəraət qazandırmasıdır. Məsələn, insan bir işi vaxtında yerinə yetirmir, sonra isə nəticəni öz bacarıqsızlığı ilə deyil, guya əvvəlcədən mövcud olan maneələrlə izah edir. Beləliklə, özünə dair müsbət təsəvvürünü qorumağa çalışır. Yəni, yeniyetməlik illərində olduğu kimi, bəhanələrdən özünə bir qalxan yaradır və onun arxasında gizlənir.</p><p>Digər maraqlı məsələ isə son illərdə <em>therapy speak</em> adlandırılan fenomenin gündəlik ünsiyyətdə yayılmasıdır. Bu, psixoterapiya və psixologiyaya aid terminlərin adi söhbətlərdə geniş istifadə edilməsidir. Əslində, psixoloji savadlılığın artması müsbət haldır. İnsanların öz sərhədlərini, emosional ehtiyaclarını və davranış modellərini tanıması vacibdir. Amma, 2025-ci ildə dərc olunmuş <em>Unmasking Therapy-Speak</em> adlı elmi məqalədə bu dilin yanlış və manipulyativ istifadəsi də müzakirə edilir. Müəlliflər qeyd edirlər ki, psixoloji terminlər bəzən insanları məsuliyyətdən yayındırmaq, qarşı tərəfin etirazını etibarsızlaşdırmaq və müəyyən davranışlara tibbi nüfuz görüntüsü altında “bəraət” qazandırmaq üçün istifadə oluna bilər.</p><p>Başqa sözlə, insan artıq sadəcə “mən belə davranmağı seçdim” demir. O, öz davranışına elə bir termin tapır ki, qarşı tərəfin həmin davranışı sorğulaması belə yersiz görünsün. Halbuki bir davranışın səbəbini anlamaqla onun nəticələrinə görə məsuliyyət daşımaq bir-birinə zidd deyil.</p><h4>Diaqnoz xarakterin sinonimi deyil</h4><p>Burada çox vacib bir məqamı ayırmaq lazımdır. ADHD, OKB, depressiya, təşviş pozuntuları və digər psixoloji vəziyyətlər insanların uydurduğu xarakter xüsusiyyətləri deyil. Bunlar real klinik vəziyyətlərdir və insanın gündəlik həyatına, münasibətlərinə, işinə təsir göstərə bilər.</p><p>Bəs problem haradadır?</p><p>Problem diaqnozun insanın özünü tanıması üçün vasitə olmaqdan çıxıb, başqalarının onun davranışlarına münasibətini idarə etmək vasitəsinə çevrilməsindədir. Diaqnoz bir insanın niyə müəyyən çətinliklər yaşadığını izah edə bilər. Amma bu, onun başqalarına necə davranmalı olduğu barədə bütün müzakirələri avtomatik bağlamır. İnsan həm ADHD ilə yaşaya, həm də qarşı tərəfə vaxtında cavab vermək üçün özünə uyğun sistem qura bilər. İnsan həm emosional travmalar yaşaya, həm də başqasının hisslərini nəzərə ala bilər. İnsan həm şəxsi sərhədlərini qoruya, həm də qarşısındakının sərhədlərinə hörmət edə bilər. Bunlar bir-birini istisna etmir. Yəni, işinin stresli olması, hər hansı bürcə sahib olmağın, psixoloji pozuntunun və ya keçmiş travmalarının mövcudluğu müəyyən müddət ərzində anlayışla qarşılana bilər. Amma heç kim ömrü boyu sənin tapdığın “bəhanələrə” göz yummağa məcbur deyil.</p><h4>Peşəkar həyatda da eyni maskalar var.</h4><p>Xüsusilə iş həyatında tez-tez rast gəldiyimiz başqa bir məqam var. Bəzən beynəlxalq mühitdə, xarici əməkdaşlarla və ya böyük təşkilatlarla işləyərkən kifayət qədər peşəkar, diqqətli və konstruktiv davranan insanlar öz yaxınlarına, yerli əməkdaşlarına və ya öz ölkəsində birlikdə çalışdıqları insanlara qarşı tamamilə fərqli münasibət sərgiləyirlər. Xaricdə və ya böyük qurumlarda təqdim etdikləri peşəkarlığı öz komandalarına göstərməyə gələndə isə absurd təkliflər, qeyri-müəyyən gözləntilər, qarşı tərəfin əməyini nəzərə almayan qərarlar və məsuliyyətsiz yanaşmalar ortaya çıxır.</p><p>Maraqlıdır, peşəkarlıq coğrafi məsafədən asılıdır? Xeyr.</p><p>İnsan bəzən ən çox yaxınlarının onun nazını çəkəcəyinə inanır. Çünki yaxınlıq müəyyən mənada emosional təhlükəsizlik yaradır. Düşünür ki, qarşı tərəf onu onsuz da anlayacaq, gözləyəcək, bağışlayacaq. Amma <em>yaxınlıq kiminsə səbrini sonsuz resursa çevirmir</em>.</p><h4>Bəs biz nə vaxt “mən beləyəm” deməyi dayandıracağıq?</h4><p>Əslində, heç kimdən mükəmməl olmağı gözləmirik. Hamımızın zəif tərəfləri, travmaları, qorxuları, emosional reaksiyaları, bəzən idarə edə bilmədiyimiz vərdişləri, stressli anları var. Bəzən cavab vermirik, bəzən gecikirik, bəzən yanlış qərar veririk, bəzən də qarşımızdakı insanı incidə bilirik. Bunların hamısı insan olmağın bir hissəsidir. Amma özümüzü tanımaqla özümüzə bəraət qazandırmaq eyni şey deyil.</p><p>“Mən beləyəm, bilirsiniz” cümləsi çox vaxt söhbəti bitirmək üçün istifadə olunur. <br>Halbuki bəlkə də daha dürüst cümlə belə olmalıdır: “Bəli, mən bəzən belə davranıram. Amma bunun qarşımdakı insana necə təsir etdiyini də düşünməliyəm.”</p><p>Şəxsi və peşəkar həyatımızda dürüst olmaq, özümüzə aid olmayan səbəbləri bəhanə gətirməkdən daha yaxşı nəticələrə aparıb çıxara bilər. Çünki insanın xarakteri yalnız özünü necə təsvir etməsi ilə deyil, başqalarına necə davranması ilə də formalaşır. <br>Və bəlkə də növbəti dəfə kimsə bizə “Mən beləyəm, bilirsiniz” deyəndə özümüzə bir sual verməliyik:</p><p><strong><em>“Sən doğrudan da beləsən, yoxsa sadəcə mənə qarşı belə davranmağı seçirsən?”</em></strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=98cb1b87f738" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Do You Really Need a PMP Certificate Without Project Experience?]]></title>
            <link>https://medium.com/@lala.ibadullayeva/do-you-really-need-a-pmp-certificate-without-project-experience-4ba4fca1a145?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/4ba4fca1a145</guid>
            <category><![CDATA[pmp-certification]]></category>
            <category><![CDATA[project-management]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Tue, 08 Sep 2026 15:17:04 GMT</pubDate>
            <atom:updated>2026-09-08T15:17:04.983Z</atom:updated>
            <content:encoded><![CDATA[<p>You probably know that my background is a little unusual : part social science, part life science. I studied Anthropology within the Faculty of History at Baku State University, continued studying Anthropology at the Institute of Archaeology and Anthropology, and now I’m pursuing my PhD in Computational Structural Biology at the Institute of Molecular Biology.</p><p>Across these three institutions and almost a decade of studying, I learned something that has stayed with me: You don’t start looking for an answer with an answer. <strong>You start with questions.</strong></p><p>In social sciences, for example, finding an objective answer often requires you to first understand the environment. You need to visualize the space, understand the psychology of the period, consider cultural norms, and develop enough empathy to see the situation from different perspectives. In life sciences and especially in fields that require engineering and computational thinking questions work more like a path. The right questions gradually guide you toward the right answers.</p><p>Ask the right questions, and you are much more likely to find the right answers.</p><p>And I think we sometimes forget this when it comes to professional development. We often collect resources first and then ask, <em>“Okay, what can I get from all of this?” </em>I think the process should be the other way around. First, there is a question that doesn’t leave you alone. Then you start looking for answers. You follow the evidence. You solve problems. You become curious about why something worked or why it didn’t. And eventually, you go deeper. That is how I think certificates should happen too.</p><p>Lately, I’ve been seeing a lot of PMP certificates on LinkedIn, and it made me think about this.</p><p>In 2022, I started working as an organiser for GDG and WTM Baku. Nobody taught me “event management.” I simply enjoyed taking a messy idea and turning it into an actual event : speakers, timelines, partners, venues, logistics, and all the unexpected things that happen along the way. And there were plenty of unexpected things. A few days before an event, the expected audience might not show up. A speaker might suddenly become unavailable. A venue might have a problem. A partner might change something at the last minute. At that moment, certificates, protocols and documents don’t solve the problem for you.</p><p><strong>You have to think.</strong></p><p>You look at previous events, previous partnerships, previous failures, available resources, possible risks and then you brainstorm a solution. That experience made me realize that what I was doing had a name, a methodology, and an entire professional discipline behind it: Project Management. So if I take the Google Project Management Certificate, it won’t be because I want to “become a project manager” from zero. It will be because I want to understand why some of the things I was already doing worked, what I could improve, and how to make my experience more professional and structured.</p><p><strong>For me, the better path is: Experience -&gt; Problem -&gt; Solution-&gt; Curiosity-&gt; Deeper Learning-&gt;Certificate</strong></p><p>Not: Certificate-“Now I need to find where to use it.”</p><p>The same principle applies to the other certificates I pursue. A certificate should not exist just to fill a blank space on your LinkedIn profile. It should help you explain a journey you have already started. Because if you have the certificate but cannot explain how you would approach the real problems behind it, maybe the certificate came too early.</p><p><strong>The right answers may get us through an exam. The right questions take us to the right path.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4ba4fca1a145" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[“Mən bunu edə bilərəm” fikri — part 1]]></title>
            <link>https://medium.com/@lala.ibadullayeva/m%C9%99n-bunu-ed%C9%99-bil%C9%99r%C9%99m-fikri-part-1-842a3d7d66cf?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/842a3d7d66cf</guid>
            <category><![CDATA[museums]]></category>
            <category><![CDATA[engineer]]></category>
            <category><![CDATA[me]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Tue, 30 Jun 2026 18:13:28 GMT</pubDate>
            <atom:updated>2026-06-30T18:13:28.271Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu gün İngiltərədən qayıtmağımın düz 7 ayı tamam olur. Yəqin ki, ağlınıza ilk gələn sual budur ki, <em>“Bunu niyə məhz 7 ay sonra yazırsan?”</em></p><p>Çünki bu gün, uzun fasilədən sonra, özümü yenidən təxminən 10 ay əvvəlki “Lalə” kimi düşündüyüm anlardan birində tapdım. O vaxt öz-özümə deyirdim: <strong>“Lalə bunu etməlidir, çünki onun üçün doğru olan budur.”</strong> Təxminən 7–8 ay əvvəl isə daxilimdə tamamilə fərqli bir səs var idi: <strong>“Mən bunu edə bilərəm”</strong></p><p>Maraqlıdır ki, özümü bu cəmiyyətin içində görərkən çox vaxt özümə üçüncü şəxs kimi : “Lalə” deyə müraciət edirəm. Ancaq həmin mühitdən uzaqlaşanda artıq “mən” deməyə başlayıram. Düşünürəm ki, insanın olduğu mühit onun özünüdərk formasına düşündüyümüzdən daha çox təsir edir.</p><p>Elə ötən həftə iştirak etdiyim bir neçə konfranslarda bunu yenidən hiss etdim. Gənclərimizin böyük əksəriyyəti sual vermir. Hətta bəzən qarşısındakı insanı diqqətlə dinləmirlər. Sual verməyin məsuliyyətini üzərlərinə götürmək istəmirlər. Halbuki, mən də bir neçə il əvvəl eyni vəziyyətdə idim. Bu düşüncə tərzim doktorantura illərində dəyişməyə başladı. İlk dəfə elmi rəhbərim mənə dedi ki, <strong>“Ağlına gələn bütün sualları soruş.”</strong> Bu, mənim üçün çox dəyərli bir dəstək idi.</p><p>Sonra bu mədəniyyəti Cambridge-də olduğum müddətdə böyük həvəslə davam etdirdim. Məsələn, LMB-də keçirilən <em>Lab Talks</em> seminarlarında maraqlı gələn hər sualı qeyd edir, çıxışçılardan soruşurdum. Təkcə bir həftə ərzində bir dəftər dolusu qeydlər toplamışdım.</p><p>Əslində isə biz hamımız uşaqlıqda çox sual verən canlılarıq. Maraqlandığımız hər şeyə toxunmaq, sınamaq və təcrübə qazanmaq istəyirik. Sonradan bu marağı müxtəlif səbəblərlə itirməyə başlayırıq.</p><p>Muzeyləri nümunə götürək. Azərbaycanda uzun illər bir çox muzeydə eksponatların şəklini çəkməyə icazə verilmirdi. Üstəlik, muzeylərimizin əksəriyyəti ödənişlidir. Böyük Britaniyada isə ziyarət etdiyim ondan çox muzeydən yalnız biri ödənişli idi. Mənim üçün yeni bir mədəniyyətə uyğunlaşmağın ən yaxşı yolu sadəcə həmin ölkədə yaşamaq deyildi. O cəmiyyətin tarixini, düşüncə tərzini və necə formalaşdığını məhz muzeylər vasitəsilə öyrənmək idi. Çünki bir xalqı tanımağın ən gözəl yollarından biri onun tarixini və yaddaşını anlamaqdır.</p><p>Qısası, öyrənmək təkcə kitab oxumaq, universitetə getmək, kod yazmaq və ya riyaziyyat məsələləri həll etmək deyil. Öyrənmək insanın yaşadığı mühitə, gördüklərinə, verdiyi suallara və qazandığı təcrübələrə necə yanaşmasıdır.</p><p>Düşünürəm ki, insan, öz inkişafı üçün hər gün əlavə 4 saat peşəsi üzrə özünü inkişaf etdirməklə məşğul olub, günün qalan hissəsində dünyanı tanımağa, işləməyə, insanlarla ünsiyyət qurmağa, yeni təcrübələr qazanmağa sərf edən bir mütəxəssis kimi10 ilə güclü bir liderə çevrilə bilər. Amma gününün 8 saatını sadəcə nələrsə etməyə (sertifikat toplamaq kimi) ayiran biri, qalan 16 saatını isə yalnız neqativlik yaymağa, hər şeydən şikayət etməyə və özünü inkişaf etdirməməyə sərf edən biri kimi 20 ildən sonra belə yaxşı rəhbər ola bilməz.</p><p>Çünki liderliyi müəyyən edən yalnız təcrübənin müddəti, saatlari deyil. Əsas olan insanın öyrənmək həvəsini, marağını və sual vermək cəsarətini nə qədər qoruyub saxlamasıdır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=842a3d7d66cf" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SQL`də düzgün seçim niyə vacibdir?]]></title>
            <link>https://medium.com/@lala.ibadullayeva/sql-d%C9%99-d%C3%BCzg%C3%BCn-se%C3%A7im-niy%C9%99-vacibdir-2e3433509071?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/2e3433509071</guid>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[postgresql]]></category>
            <category><![CDATA[database]]></category>
            <category><![CDATA[sql]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Wed, 17 Jun 2026 09:25:01 GMT</pubDate>
            <atom:updated>2026-06-17T09:25:01.175Z</atom:updated>
            <content:encoded><![CDATA[<p>Data tipini düzgün seçmək sadəcə texniki detal deyil. Bu seçim verilənlər bazasının necə işləyəcəyinə birbaşa təsir edir. Əgər uyğun olmayan data tipi seçilərsə, sistem lazımsız yaddaş sərf edə bilər və bu da resursların səmərəsiz istifadəsinə səbəb olar. Eyni zamanda, düzgün data tipi məlumatın dəqiqliyini qorumaqda da vacib rol oynayır. Data tiplərinin düzgün seçilməsi performansa da təsir göstərir. İndeksləmə, axtarış və filtrasiya kimi əməliyyatlar uyğun data tipləri ilə daha sürətli və daha effektiv şəkildə həyata keçirilir. Digər tərəfdən, bu seçim data bütövlüyünü də qoruyur. Çünki sistem yalnız həmin sütun üçün uyğun olan dəyərlərin daxil edilməsinə icazə verir və nəticədə səhvlərin qarşısı daha asan alınır.</p><p>SQL sadəcə sorğular yazmaq aləti deyil, eyni zamanda məlumatın necə saxlanacağını, necə idarə olunacağını və gələcəkdə necə istifadə ediləcəyini müəyyən edən əsas strukturdur. Bu strukturun ən vacib hissələrindən biri isə data tipləridir. SQL`də cədvəl yaradarkən hər sütun üçün uyğun məlumat tipi seçmək lazımdır. Bu seçim ilk baxışda sadə görünsə də, əslində verilənlər bazasının performansına, dəqiqliyinə və etibarlılığına birbaşa təsir edir. Yəni bir proqramçı və ya data ilə işləyən mütəxəssis kimi məqsədimiz yalnız cədvəl yaratmaq deyil, həm də hər sütun üçün ən doğru tipi seçməkdir.</p><p>Cədvəl yaratmaq üçün istifadə olunan əsas sintaksis belədir:</p><pre>CREATE TABLE table_name(<br>  column1 data_type column_constraint,<br>  column2 data_type column_constraint,<br>  column3 data_type column_constraint,<br>  ... etc<br>);</pre><p>Burada hər sütunun öz data tipi olur və həmin tip o sütunda hansı növ dəyərlərin saxlanacağını müəyyən edir.</p><h3>SQL`də əsas data tip kateqoriyaları</h3><p>SQL`də data tipləri ümumilikdə bir neçə əsas kateqoriyaya bölünür:</p><ul><li>Numeric : INTEGER, FLOAT, DECIMAL, SERIAL</li><li>Date and Time : DATE, TIME, TIMESTAMP</li><li>Character and String : CHAR, VARCHAR, TEXT</li><li>Unicode : NVARCHAR, NTEXT</li><li>Binary : şəkil, səs, video kimi mətn olmayan data üçün</li><li>Digər miscellaneous data tiplər : məsələn, XML, TABLE və s.</li></ul><p>Fərqli verilənlər bazası idarəetmə sistemlərində bu tiplər dəyişə bilər. Məsələn, PostgreSQL, MySQL, SQL Server və Oracle arasında bəzi fərqlər mövcuddur. Amma ümumi məntiq çox oxşardır: hər biri məlumatı düzgün və səmərəli saxlamaq üçün uyğun tip təqdim edir.</p><p>1. Rəqəmsal məlumat tipləri</p><p>Ən çox istifadə olunan tiplərdən biri INTEGER`dir. Bu tip tam ədədləri saxlamaq üçün istifadə olunur.</p><pre>units_sold INTEGER</pre><p>Məsələn, satılan məhsul sayı, istifadəçi yaşı, sifariş miqdarı kimi dəyərlər üçün INTEGER çox uyğun seçimdir. PostgreSQL-də bu tip adətən 4 bayt yer tutur və müəyyən bir tam ədəd aralığını əhatə edir.</p><p>Əgər daha kiçik və ya daha böyük aralıqlara ehtiyac varsa, o zaman SMALLINT, BIGINT kimi alternativlərdən istifadə olunur. Yəni məntiq eynidir, sadəcə yaddaş istifadəsi və dəstəklənən aralıq dəyişir.</p><p>SERIAL nədir?</p><p>PostgreSQL`də çox istifadə olunan anlayışlardan biri də SERIAL`dır:</p><pre>id SERIAL</pre><p>Bu, texniki olaraq klassik data tipi kimi qəbul edilməsə də, çox praktikdir. Xüsusilə cədvəldə unikal identifikator yaratmaq üçün istifadə olunur. Yeni sətir əlavə edildikcə dəyər avtomatik artır: 1, 2, 3, 4…</p><p>Bu xüsusiyyət primary key sütunları üçün çox əlverişlidir. MySQL`də buna bənzər yanaşma belə görünür:</p><pre>id INT AUTO_INCREMENT</pre><p>Bu nümunə bizə bir vacib şeyi göstərir: eyni funksionallıq fərqli DBMS`lərdə fərqli sintaksislə həyata keçirilə bilər.</p><p>2. Mətn və simvol məlumat tipləri</p><p>Verilənlər bazasında yalnız rəqəmlər saxlanmır. Adlar, ünvanlar, təsvirlər, şərhlər və digər mətn məlumatları da çox geniş istifadə olunur. Bu zaman ən məşhur seçimlərdən biri VARCHAR`dır:</p><pre>name VARCHAR(50)</pre><p>Burada name sütununda maksimum 50 simvol uzunluğunda mətn saxlamaq mümkündür. VARCHAR dəyişən uzunluqlu sətirlər üçün çox əlverişlidir, çünki həm çevikdir, həm də uzunluq məhdudiyyəti qoymağa imkan verir. Əgər mətnin uzunluğu əvvəlcədən məlum deyilsə və daha sərbəst yanaşma lazımdırsa, o zaman TEXT istifadə olunur:</p><pre>description TEXT</pre><p>Bu, xüsusilə uzun açıqlamalar, qeydlər, məqalə məzmunu və ya user rəyləri üçün daha münasibdir.</p><p>3. DATE &amp; TIME tipləri</p><p>Real həyatda bir çox sistem tarix və vaxta əsaslanır: tədbirlər, rezervasiyalar, sifarişlər, qeydiyyatlar, log`lar və s. Tarixi saxlamaq üçün istifadə olunan əsas tip:</p><pre>event_date DATE</pre><p>Bu tip yalnız tarixi saxlayır. Vaxtı saxlamaq üçün:</p><pre>start_time TIME</pre><p>Həm tarix, həm də vaxt birlikdə saxlanmalıdırsa, ən uyğun seçim TIMESTAMP olur:</p><pre>event_timestamp TIMESTAMP</pre><p>Əgər saat qurşağı da vacibdirsə, belə yazmaq olar:</p><pre>event_timestamp TIMESTAMP WITH TIME ZONE</pre><p>Bu xüsusilə beynəlxalq sistemlərdə, fərqli ölkələrdə yaşayan istifadəçilərlə işləyərkən vacib olur.</p><p>4. BOOLEAN</p><p>Bəzi hallarda yalnız iki seçim olur: doğru və ya yanlış, aktiv və ya passiv, bəli və ya xeyr.</p><p>Belə hallarda BOOLEAN məlumat tipi istifadə olunur:</p><pre>is_active BOOLEAN</pre><p>Bu tip TRUE və FALSE dəyərlərini saxlamaq üçün nəzərdə tutulub və sistemdə status, aktivlik və məntiqi yoxlamalar üçün çox faydalıdır.</p><p>Nəticə olaraq, SQL`də məlumat tipləri verilənlər bazasının təməl daşlarından biridir. Cədvəldəki hər sütun üçün uyğun tip seçmək həm texniki keyfiyyəti, həm də gələcək istifadə rahatlığını müəyyən edir. Əsas məqsəd hər zaman eyni olmalıdır: məlumatı ən düzgün, ən səmərəli və ən məntiqli formada saxlamaq. SQL öyrənən hər kəs üçün bu mövzu sadə görünə bilər, amma əslində güclü verilənlər bazası dizaynının başlanğıcı məhz buradan başlayır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2e3433509071" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Encapsulation nədir və niyə vacibdir?]]></title>
            <link>https://medium.com/@lala.ibadullayeva/encapsulation-n%C9%99dir-v%C9%99-niy%C9%99-vacibdir-7ee7f1acf7dd?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/7ee7f1acf7dd</guid>
            <category><![CDATA[anthropology]]></category>
            <category><![CDATA[oop]]></category>
            <category><![CDATA[encapsulation]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Sun, 07 Jun 2026 19:11:37 GMT</pubDate>
            <atom:updated>2026-06-07T19:11:37.852Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir çox cəmiyyətlərdə hər bilgi hamı üçün açıq olmurdu. Bəzi ritual knowledge, simvollar, dillər və qaydalar yalnız müəyyən mərhələdən keçmiş, yəni initiated olmuş insanlara ötürülürdü. Əslində bu məntiq encapsulation anlayışını xatırladır. Orada da sistemin daxilində qorunan bir knowledge və ya daxili məntiq olurdu. Amma hər kəs ona birbaşa çıxış əldə edə bilmirdi. Giriş yalnız müəyyən rules və qəbul olunmuş interface vasitəsilə mümkün idi. Buna görə də sistemin bütövlüyü qorunurdu. Daha konkret desək, Avstraliya Aboriginal cəmiyyətlərində bəzi secret-sacred fəaliyyətlər yalnız initiated men üçün açıq idi. Bəzi nitq formaları və biliklər də xüsusi qaydalar çərçivəsində yalnız müəyyən insanlara açıqlanırdı. Bu, bir class daxilindəki private data kimidir. Hamı onun mövcud olduğunu bilir, amma hamı ona birbaşa toxuna və ya çıxış əldə edə bilmirdi.</p><p>Encapsulation, OOP`nin (Object-Oriented Programming) əsas prinsiplərindən biridir. Sadə desək, bir obyektin daxilindəki data və ona bağlı behavior bir yerdə saxlanılır, daxili detallar isə xarici müdaxilədən müəyyən qədər qorunur. Bu prinsipin əsas məqsədi kodu daha təhlükəsiz etmək, idarəetməni asanlaşdırmaq,gələcək dəyişiklikləri daha rahat aparmaqdır. Məsələn, bir obyektin attribute`unu hamıya açıq saxlasaq, onu istənilən yerdən dəyişmək mümkün olar. Amma bu, sistemdə yanlış dəyərlərin yaranmasına səbəb ola bilər. Encapsulation isə bu riski azaldır.</p><p>Bir bank kartını təsəvvür edin. Kart sənin hesabına bağlıdır, amma sən bank sisteminin içinə girib balansı birbaşa dəyişə bilmirsən. Heç kim durub “buraya 1000 manat yazım” deyə hesabın iç strukturuna toxuna bilmir. Sən yalnız sənə verilmiş yollarla əməliyyat edirsən: withdraw, deposit, check balance.</p><pre>class BankAccount:<br>    def __init__(self, owner, balance):<br>        self.owner = owner<br>        self.__balance = balance  # Private attribute</pre><pre>    def get_balance(self):<br>        # Return current balance<br>        return self.__balance</pre><pre>    def deposit(self, amount):<br>        # Add money only if amount is positive<br>        if amount &gt; 0:<br>            self.__balance += amount</pre><pre>    def withdraw(self, amount):<br>        # Withdraw money only if amount is valid<br>        if 0 &lt; amount &lt;= self.__balance:<br>            self.__balance -= amount</pre><p>Bu nümunədə __balance birbaşa dəyişdirilmir. Bunun əvəzinə deposit və withdraw metodları vasitəsilə idarə olunur. Yəni obyekt öz daxilindəki data üzərində nəzarəti özü saxlayır.</p><p>Bu yanaşmanın əsas üstünlük ondadır ki, business logic bir yerdə cəmlənir. Xaricdəki kod yalnız obyektin təqdim etdiyi interface ilə işləyir. Bu isə səhv dəyər yazılmasının qarşısını alır, kodu daha oxunaqlı edir, gələcəkdə daxili məntiq dəyişsə belə, xarici kodu minimum təsirləndirir. Python`da encapsulation sərt qadağa formasında deyil, daha çox design principle kimi işləyir. Yəni __attribute yazmaqla müəyyən səviyyədə gizlətmə edirik, amma əsas fikir texniki maneədən çox, düzgün software design qurmaqdır.</p><p>Yekun olaraq deyə bilərik ki, encapsulation sadəcə məlumatı gizlətmək deyil. Əsas məsələ data`nı nəzarətli şəkildə idarə etmək, obyektin daxilindəki məntiqi qorumaq və sistemi daha dayanıqlı qurmaqdır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7ee7f1acf7dd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Model cavab yaradırsa, agent əslində nə edir?]]></title>
            <link>https://medium.com/@lala.ibadullayeva/model-cavab-yarad%C4%B1rsa-agent-%C9%99slind%C9%99-n%C9%99-edir-cd325caa9141?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/cd325caa9141</guid>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[literature]]></category>
            <category><![CDATA[genai]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Sun, 07 Jun 2026 19:09:38 GMT</pubDate>
            <atom:updated>2026-06-07T19:09:38.926Z</atom:updated>
            <content:encoded><![CDATA[<p>Uşaq vaxtı ədəbiyyat dərslərini heç sevməzdim. Hətta 3`cü qrupa hazırlaşanda məcburən ədəbiyyat oxuyanlardan biri olmuşdum. Amma qəribə bir məqam var idi, sözlə olan incəsənət məndə o qədər də yaxşı alınmırdı, səslə olan isə çox rahat alınırdı. Musiqidə hisslərimi ifadə edə bilirdim. İfa etdiyim əsərlərdə duyğularımı daha aydın göstərə bilirdim.<br>Bir dəfə ədəbiyyat müəlliməm mənə belə bir sual vermişdi “necə olur ki, səhifələrlə yazılmış notları əzbər çala bilirsən, amma mənasını bildiyin sözləri eyni rahatlıqla ifadə edə bilmirsən?” <br>İllər sonra düşünəndə başa düşdüm ki, bəzən məsələ bacarıqsızlıq olmur. Sadəcə hər insanın özünü ifadə etmək üçün doğru dilə, doğru formaya, doğru alətə ehtiyacı olur. Mənim yeniyetməlik illərimdə bu dil musiqi idi. Proqramdan kənar o qədər əsər çap edib çalırdım ki, çünki özümü ən rahat o dildə ifadə edə bilirdim.<br>Bu gün isə AI agent`lərə baxanda məndə oxşar bir hiss yaranır. AI model sanki düşünə bilən bir potensialdır. Amma agent o potensialı danışdıran dildir. O, lazım olduqda axtarır, tapır, qərar verir, uyğun tool seçir və verilən tapşırığı real nəticəyə çevirir. Yəni, bəzən modelin zəif olmasından yox, onun hələ doğru “ifadə vasitəsi” tapmamasından söhbət gedir. Necə ki, hər hiss sözlə eyni dərəcədə ifadə olunmur, hər intelligence də təkcə cavabla özünü tam göstərə bilmir. Bəzən ona reasoning, workflow və tools lazımdır. Bəlkə də buna görə agent`lər mənə sadəcə yeni bir texnologiya kimi görünmür. Onlar mənə AI-ın özünü daha düzgün ifadə etmə forması kimi gəlir.<br>Çünki məsələ artıq sadəcə cavab vermək deyil. Məsələ düşünmək, uyğun vasitəni seçmək və hərəkətə keçməkdir.</p><p><strong>Qeyd: Bu mətn “Google Skills” platformasının Gen AI kurs materialları əsasında hazırlanıb.</strong></p><p>Bugünki texnologiya dünyasında Gen AI artıq təkcə mətn yazan və ya suallara cavab verən bir texnologiya kimi qəbul edilmir. Bu sahə getdikcə daha çox goal-oriented system, agentic workflow və tool-augmented intelligence istiqamətində inkişaf edir. Yəni, məsələ artıq sadəcə bir modelin cavab yaratması deyil; məsələ həmin modelin müşahidə etməsi, düşünməsi, plan qurması, uyğun tool seçməsi və nəticədə konkret məqsədə doğru hərəkət etməsidir. Bu transformasiya bizi bir sualla üz-üzə qoyur: Gen AI application ilə AI agent arasında fərq nədir və bu iki anlayış birlikdə necə işləyir? Bu sualın cavabını ən düzgün şəkildə bir pipeline kimi düşünmək olar.</p><p>Level 1 : Foundation layer: Model təkbaşına niyə kifayət etmir? Ənənəvi LLM və ya digər foundation model`lər əsasən input qəbul edib output yaradır. Onlar mətn generasiya edə, suallara cavab verə, müəyyən kontekstdə məntiqli görünən nəticələr təqdim edə bilir. Amma real iş mühitində bunun bir məhdudiyyəti var ki, o da model çox vaxt yalnız “bilir”, lakin “edir” səviyyəsinə keçmir. Məhz bu nöqtədə AI agent anlayışı ön plana çıxır. AI agent, sadəcə cavab yaradan sistem deyil. O, əlində olan tools vasitəsilə ətraf mühiti müşahidə edən, məlumat toplayan, qərar verən və müəyyən bir goal`a çatmaq üçün hərəkət edən tətbiq komponentidir. Başqa sözlə, model intelligence verirsə, agent həmin intelligence`i praktikaya çevirir.</p><p>Level 2 : Intelligence-to-action layer agent`i modeldən fərqləndirən əsas mexanizmdir. Bir agenti adi modeldən ayıran iki əsas element var: reasoning loop və tools. Reasoning loop agentin daxili düşünmə və qərarvermə mexanizmidir. Bu proses adətən Observe → Interpret → Plan → Act tipli iterativ mərhələlərdən ibarət olur. Bu ardıcıllıq agentin sadəcə cavab verməsini yox, vəziyyəti qiymətləndirib uyğun addım atmasını təmin edir. Çünki, Observe agent ətraf mühitdən və tapşırıqdan məlumat toplayır, Interpret toplanan məlumatı emal edir və mövcud vəziyyəti anlayır, Plan məqsədə çatmaq üçün addımlar ardıcıllığı qurur və Act seçilmiş addımı icra edir. Bu dövr bir dəfəlik deyil, iterativ işləyir. Agent hər yeni nəticədən sonra yenidən müşahidə edib planını adaptasiya edə bilir. Məhz bu xüsusiyyət onu statik cavab sistemindən dinamik problem həll edən struktura çevirir. Əgər reasoning loop agentin düşünən tərəfidirsə, tools onun dünyaya toxunan tərəfidir. Tools agentin xarici sistemlərlə əlaqəyə girməsinə imkan verir. Məsələn inventory sisteminə daxil olmaq, calendar yoxlayıb meeting planlamaq, database-dən informasiya çəkmək, API çağırmaq, report yaratmaq, hətta robot sensor və actuator`ları ilə işləmək. Yəni, agent yalnız “nə etmək lazımdır”`ı anlamır, eyni zamanda bunu reallaşdırmaq üçün uyğun vasitələrdən istifadə edir.</p><p>Level 3 : Interaction layer — Agentlər necə işləyir? Praktik baxımdan Gen AI agent`lərin işləmə məntiqi əsasən iki istiqamətdə özünü göstərir: conversational agents və workflow agents. Conversational agents istifadəçi ilə dialoq qurmaq üçün nəzərdə tutulur. Amma onların funksiyası sadəcə verilən cümləyə cavab vermək deyil. Onlar istifadəçinin niyyətini anlamağa, lazım gəlsə əlavə məlumat toplamağa və kontekstə uyğun təbii cavab formalaşdırmağa çalışırlar. Bu pipeline adətən belə olur: User input — Intent understanding — Tool call — Response generation — Response delivery. Məsələn, istifadəçi havanı soruşduqda agent sadəcə yaddaşındakı məlumatı yox, real vaxt web search və ya hava xidməti ilə inteqrasiyanı işə sala bilər. Bu yanaşma agenti daha çevik və faydalı edir. Workflow agents isə daha çox əməliyyatların avtomatlaşdırılması üçündür. Burada əsas məqsəd dialoq yox, proses idarəçiliyidir. Yəni, Task trigger — Requirement interpretation — Action sequence — System interaction — Result delivery pipeline formasinda proses irəliləyir. Məsələn, e-commerce order processing, onboarding flow, log analysis, automated research, ticket creation, notification handling bu nümunələr arasındadır. Burada agent bir növ rəqəmsal operator kimi çıxış edir. O, verilən prosesi addım-addım icra edir və nəticəni uyğun sistemə və ya istifadəçiyə qaytarır.</p><p>Level 4 : Application layerdə çox vacib bir memarlıq fərqi var. Gen AI application ilə AI agent eyni şey deyil. Application çox vaxt userin gördüyü frontend təbəqədir. Yəni user interfeysi, məqsəd konteksti, qarşılıqlı əlaqə forması və ümumi user təcrübəsi bu səviyyədə qurulur. Agent isə həmin tətbiqin daxilində işləyən intellektual və əməli komponentdir. Başqa sözlə: Application çərçivə yaradır, agent həmin çərçivə daxilində düşünür və hərəkət edir. Bu yanaşma xüsusilə multi-agent system arxitekturasında daha aydın görünür. Bir app daxilində bir neçə ixtisaslaşmış agent paralel və ya koordinasiyalı şəkildə işləyə bilər. Məsələn, travel booking application daxilində: bir agent flight və hotel variantlarını analiz edir, başqa agent destination activities təklif edir, appin özü isə user`ə seçim və booking interface təqdim edir.</p><p>Level 5: decision-making prosesi advanced prompting yanaşmaları və agentic logic vasitəsilə formalaşır. Bir çox halda agentin daxilindəki reasoning loop daha güclü qərarvermə üçün müəyyən prompt engineering frameworks ilə dəstəklənir. Bura rule-based logic, Chain of Thought (CoT), ReAct, machine learning algorithms, probabilistic reasoning daxildir. Bu frame`lər agentin təkcə cavab yaratmasını deyil, daha düzgün düşünmə trayektoriyası qurmasını dəstəkləyir. Xüsusilə, ReAct kimi yanaşmalarda agent həm düşünür, həm də uyğun anda tool usage həyata keçirir. Beləliklə, sistem sadəcə generative yox, həm də operational hala gəlir.</p><p>Level 6 : Business layer təşkilatlar üçün nə yaradır? Agent əsaslı sistemlər təşkilatlar üçün sadəcə yeni bir texnoloji trend deyil; onlar çoxmərhələli, təkrarlanan və qayda əsaslı prosesləri daha çevik şəkildə automation etməyə, müxtəlif mənbələrdən informasiya toplayıb təhlil edərək daha güclü decision support yaratmağa, istifadəçi davranışı və üstünlüklərini öyrənərək daha yüksək səviyyədə personalization təmin etməyə imkan verir. Eyni zamanda bu sistemlər müxtəlif APIs, daxili platformalar və xarici xidmətlər arasında birləşdirici körpü rolunu oynayaraq system integration səviyyəsini gücləndirir. Üstəlik, tək bir agentlə məhdudlaşmayan, bir neçə ixtisaslaşmış agentin birlikdə işlədiyi multi-agent architecture sayəsində daha mürəkkəb use case`lərin idarə olunması və sistemin daha rahat scalability qazanması mümkün olur. Buna görə də, bu sahəyə artıq yalnız “chatbot” kimi baxmaq kifayət etmir; çünki bugünki agentlər sadəcə dialoq qurmur, eyni zamanda deep research aparır, code debugging edir, task orchestration idarə edir, security log`ları analiz edir, system update həyata keçirir, eləcə də calendar və inventory kimi real iş mühiti komponentləri ilə qarşılıqlı işləyə bilir.</p><p>Nəticə olaraq, əgər bu inkişafı bir cümlə ilə yekunlaşdırmalı olsaq, belə deyə bilərik: Model düşünə bilər, amma agent məqsədə doğru hərəkət edə bilər. Application isə bu hərəkətə struktur və kontekst verir. Yəni, müasir Gen AI pipeline belə görünür: Model — Reasoning loop — Tool usage — Agent behavior — Application integration — User value</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cd325caa9141" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI nə qədər ethical, secure və responsible`dir?]]></title>
            <link>https://medium.com/@lala.ibadullayeva/ai-n%C9%99-q%C9%99d%C9%99r-ethical-secure-v%C9%99-responsible-dir-69ee10a000d9?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/69ee10a000d9</guid>
            <category><![CDATA[curdcheese]]></category>
            <category><![CDATA[quark]]></category>
            <category><![CDATA[secureai]]></category>
            <category><![CDATA[responsible-ai]]></category>
            <category><![CDATA[ethical-ai]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Fri, 29 May 2026 16:55:25 GMT</pubDate>
            <atom:updated>2026-05-29T16:55:25.851Z</atom:updated>
            <content:encoded><![CDATA[<p>İnsan bəzən düşünür ki, IELTS vermisənsə, deməli, hər şey qaydasındadır. 😎 Amma reallıq bir az fərqli olur. 🫣 UK`də olduğum ilk vaxtlarda AI modelləri mənə ciddi şəkildə kömək etmişdi. Çünki, dil bilmək başqa şeydir, gündəlik həyatın içində o dilin ən uyğun qarşılığını anında tapmaq isə tamam başqa. Məsələn, marketdə düyü, xurma, hətta həmin cəmiyyət üçün o qədər də tanış olmayan tvorog kimi məhsul axtaranda, insanın ağlına hər zaman sözün birbaşa tərcüməsi gəlmir. Yeri gəlmişkən, orada tvorog`a daha çox “curd cheese” deyirlər, amma çoxları bunu quark ilə də qarışdırır. 🥹 <br>Belə anlarda AI mənim üçün sadəcə bir alət deyildi, bir növ gündəlik dəstək idi. Bəzən bişirəcəyim yeməkdən tutmuş, yeyəcəyim porsiyaya qədər hər şeyi detallı şəkildə soruşduğum olub. Çünki yemək bişirmə təcrübəmi belə məhz həmin ölkədə qazanmışam. 🥳 Hətta bunun üçün özümlə bağlı kifayət qədər çox məlumat paylaşdığım anlar da olub.<br>Bu postu da bir səbəbdən yazıram ki, narahat olmayın, şəxsi məlumatlarımız filter olunur. Yəni AI ilə rahat şəkildə ünsiyyət qurmaq mümkündür, bunun arxasında təhlükəsizlik və məxfilik üçün düşünülmüş mexanizmlər var. <br>Texnologiyanın ən gözəl tərəflərindən biri də bəzən məhz budur ki, insanın ən sadə, ən gündəlik və ən “adi” görünən çətinliklərində belə ona dəstək ola bilməsidir.</p><p><strong>Qeyd: Bu mətn “Google Skills” platformasının Gen AI kurs materialları əsasında hazırlanıb.</strong></p><p>Ethical AI dedikdə sən də mövzunu yalnız fairness, bias və ya transparency ilə əlaqələndirirsən. Halbuki, praktik dünyada etik yanaşma bundan daha genişdir. Əgər sistem təhlükəsiz deyilsə, onu etik adlandırmaq çətindir. Əgər sistem ədalətli deyil, izah oluna bilmir və userin privacy hüququnu qorumursa, onu etibarlı adlandırmaq mümkün deyil. Ethical AI, AI sistemlərinin yalnız texniki baxımdan işləməsi deyil, eyni zamanda cəmiyyətə, user`ə və təşkilata qarşı məsuliyyətli şəkildə davranması deməkdir. Bu anlayışın mərkəzində bir neçə əsas prinsip dayanır: fairness, transparency, privacy, accountability, safety, security, explainability. Vacib məsələ odur ki, etika ancaq modelin “nəticəsi” ilə bağlı deyil, həm də onun hansı data ilə qurulduğu, necə deploy edildiyi, kim tərəfindən istifadə olunduğu, hansı risklərə açıq olduğu və səhv etdikdə bunun nəticələrinin kimə təsir etdiyi ilə bağlıdır. Yəni AI sisteminin etik olması üçün iki böyük sual cavablandırılmalıdır: 1. Bu sistem zərər verə bilərmi? ; 2. Bu sistem zərərdən qorunubmu? Birinci sual bizi Responsible AI`ya, ikinci sual isə Secure AI`ya gətirir.</p><p>Responsible AI`da AI-nin doğru qərar verməsi yetərli deyil, onu necə verdiyi də vacibdir. O, AI sistemlərinin insanlara, cəmiyyətə və hüquqi çərçivələrə qarşı məsuliyyətli şəkildə qurulmasını və idarə olunmasını ifadə edir. Onun məqsədi yalnız “işləyən model” yaratmaq deyil, ədalətli, anlaşılan, şəffaf və etibarlı sistem qurmaqdır. AI sistemləri artıq “black box” kimi qəbul olunmamalıdır. User bilməlidir ( yəni, Transparency) : onun datası necə toplanır, necə istifadə olunur, model hansı məntiqlə nəticə çıxarır, hansı məhdudiyyətlər var, hansı hallarda səhv edə bilər. Əgər user AI sisteminin necə işlədiyini ümumiyyətlə anlamırsa, orada trust yaratmaq çətin olur. Şəffaflıq yalnız texniki izah deyil, həm də user`ə qarşı dürüstlükdür.</p><p>AI dövründə məxfilik daha kritikdir, çünki, AI sistemləri çox vaxt böyük həcmdə data ilə işləyir. Bu data içində şəxsi məlumatlar, davranış nümunələri, həssas identifikasiya elementləri və ya təsadüfən sızdırıla biləcək məlumatlar ola bilər. Buna görə privacy məsələsi Responsible AI`nin mərkəzində dayanır. Əsas yanaşmalar bunlardır: data minimization, anonymization, pseudonymization, həssas məlumatların modelə və ya output`a sızmasının qarşısını alan guardrails. Çünki modelin güclü olması ilə yanaşı, onun nəyi xatırlayıb nəyi geri çıxara bildiyi də ciddi məsələdir. Bəzən problem modelin cavab verməsində yox, həddindən artıq çox şeyi “öyrənməsində” olur.</p><p>Data quality, bias və fairness necə təsir edə bilər? AI sistemləri nə qədər inkişaf etmiş olsa da, onların əsası data`dır. Data qüsurludursa, model də qüsurlu olacaq. Datada bias varsa, model həmin biasi gücləndirəcək. Bu səbəbdən Responsible AI yüksək keyfiyyətli və məsuliyyətli istifadə olunan data tələb edir. Burada iki sual çox vacibdir: Data accurate, complete və representative`dirmi? Data etik və hüquqi baxımdan uyğun şəkildə toplanıbmı? Əks halda, AI mövcud cəmiyyət biaslarini sadəcə avtomatlaşdırmış olur. İnsanların yaratdığı tarixi balanssızlıqlar, diskriminasiya nümunələri və qərar boşluqları modelin içində “rəsmi qərar mexanizmi” formasında yenidən ortaya çıxır. Bəzən Bias mitigation da ola bilər, problem yalnız modeldə deyil, sistemin bütövlüyündədir. Bias çox vaxt yalnız training dataset problemi kimi təqdim olunur. Halbuki bias digər mərhələlərin hamısında yarana bilər: data collection, labeling, feature selection, model design, evaluation metric seçimi, deployment context, human feedback loop. Məsələn, bir universitetdə tələbələrin performansını proqnozlaşdıran AI sistemi texniki baxımdan düzgün işləyə bilər. Amma əgər model keçmiş illərin natamam və ya biasli academic data`sı üzərində train olunubsa, o zaman müəyyən tələbə qruplarını sistematik şəkildə daha “riskli” kimi qiymətləndirə bilər. Bu halda model texniki olaraq səhv etmir, sadəcə keçmişdəki struktur problemləri və balanssızlıqları daha sürətli şəkildə təkrarlayır. Yəni, Responsible AI yalnız model accuracy ilə yox, fairness impact ilə də ölçülməlidir.</p><p>Accountability və Explainability məsələsinə gəldikdə isə, AI qərar verirsə, sual budur ki, bu qərara görə kim cavabdehdir? Bu, Responsible AI-nin ən kritik nöqtələrindən biridir. Çünki real dünyada AI`nin nəticələri insanlara təsir edir. Məsələn, kredit verilib-verilməməsi, namizədin seçilib-seçilməməsi, tibbi riskin necə qiymətləndirilməsi, hansı istifadəçiyə hansı məzmunun göstərilməsi və s. kimi bir çox nümunə var. Burada accountability o deməkdir ki, “AI belə dedi” cavab olaraq kifayət deyil. Təşkilat bilməlidir ki, model niyə belə nəticə verdi, hansı input`lar nəticəyə təsir etdi, səhv olduqda necə audit aparılacaq, düzəliş mexanizmi nədir. Bu nöqtədə Explainable AI çox vacib olur. İzah edilə bilən sistemlər həm trust yaradır, həm bias aşkarlamağa kömək edir, həm də səhvlərin düzəldilməsini asanlaşdırır.</p><p>Legal və regulatory tərəfində isə, Responsible AI yalnız etik idealizm deyil. Bu, getdikcə daha çox legal compliance məsələsinə çevrilir. AI sistemləri data privacy, non-discrimination, intellectual property, product liability, regulatory compliance kimi mövzularla birbaşa əlaqəlidir, Yəni AI`nin etikliyi artıq yalnız “düzgün olanı etmək” deyil, həm də “qanuni və audit edilə bilən şəkildə işləmək” deməkdir. Bu səbəbdən Responsible AI, governance strukturu olmayan təşkilatlarda tez-tez risk yaradır.</p><p>Bir AI sistemi fairness və transparency baxımından nə qədər ideal görünsə də, əgər o, hücumlara açıqdırsa, orada etik təməlin özü zəifləyir. Məhz burada Secure AI ön plana çıxır. Secure AI, AI sistemlərini qəsdən edilən hücumlardan, manipulyasiyadan, sui-istifadədən və təhlükəsizlik boşluqlarından qorumaq deməkdir. Bu, sadəcə modeli qorumaq deyil; data, infrastructure, access, deployment və output səviyyəsində bütöv müdafiə yanaşması tələb edir. Data security risk ən əvvəl datadan başlayır. Hər AI sisteminin təməli datadır. Əgər data təhlükəsiz deyilsə, sistemin özü də təhlükəsiz deyil. Burada əsas risklərdən biri data poisoning-dir. Data poisoning zamanı hücumçu training dataset`ə manipulyasiya olunmuş məlumat daxil edir və modelin yanlış nümunələr öyrənməsinə səbəb olur. Nəticədə model biasli, səhv və ya zərərli nəticələr verə bilər. Bu, çox vacib məsələdir, çünki bəzən hücum sistemə sonradan yox, hələ onun “öyrəndiyi mərhələdə” edilir. Yəni, model deploy olunmamışdan əvvəl zədələnmiş olur. Buna görə access controls, data validation və integrity checks Secure AI üçün əsas şərtdir.</p><p>Data preparation mərhələsində datani təmizləmək kifayət deyil, qorumaq da lazımdır. Data hazırlığı sadəcə formatting və cleaning prosesi deyil. Bu mərhələdə sensitive məlumatların aşkarlanması, anonymization tətbiqi, anomaly detection, integrity verification, encryption at rest və in use kimi mərhələlər də vacibdir. Bir çox komanda data preparation`ı yalnız ML readiness baxımından düşünür. Halbuki bu mərhələ eyni zamanda security filter rolunu oynayır. Əgər bu hissə zəifdirsə, sonrakı mərhələlərdə problemi tapmaq daha çətin olur. AI sistemlərində yalnız data deyil, modelin özü də dəyərli asset`dir. Xüsusilə proprietary modellər, fine-tuned sistemlər və spesifik qərar məntiqi daşıyan modellər üçün model theft ciddi riskdir. Model oğurluğu yalnız rəqabət üstünlüyünün itirilməsi demək deyil. Oğurlanmış model reverse engineering üçün istifadə oluna bilər, zəiflikləri aşkar etmək üçün analiz edilə bilər, zərərli məqsədlərlə yenidən deploy edilə bilər. Bu səbəbdən Secure AI yalnız user`in təhlükəsizliyi ilə yox, təşkilatın intellektual və texnoloji formada qorunması ilə də bağlıdır.</p><p>Deployment security, model işə düşdükdən sonra risk azalır yox, artır. Bir çox risk məhz model production mühitinə keçəndən sonra başlayır. Deploy edilmiş model artıq real input qəbul edir, real istifadəçi ilə qarşılıqlı əlaqəyə girir və real hücum səthinə çevrilir. Bu mərhələdə model access management, source verification, trusted deployment environment, input filtering, output monitoring, eləcə də rate limiting və usage control kimi tədbirlər kritik rol oynayır. Xüsusilə, pre-built model və ya third-party AI komponentləri istifadə edilirsə, onların mənbəyi və zəiflikləri yoxlanılmalıdır. Secure AI burada supply chain risk`lərini də nəzərə almalıdır.</p><p>AI sistemlərinə qarşı ən maraqlı və eyni zamanda təhlükəli hücumlardan biri adversarial attacks`dır. Bu hücumlarda model aldatmağa çalışılır sanki input elə manipulyasiya olunur ki, model yanlış nəticə versin. Gen AI da isə bunun daha tanış formalarından biri prompt injection`dır. Burada məqsəd modelin normal qaydalarını, guardrails`larını və ya system instruction`larını dolayısı ilə aşmaqdır. Bu tip hücumlar bizə bir şeyi göstərir ki, AI sistemlərində təhlükəsizlik yalnız infrastruktur məsələsi deyil, eyni zamanda interaction design problemidir. Yəni, input`u necə qəbul etdiyimiz, necə sanitize etdiyimiz, hansı hissəni trusted context saydığımız, output`u necə yoxladığımız artıq təhlükəsizlik məsələsinə çevrilir.</p><p>Continuous monitoring; Secure AI birdəfəlik iş deyil. AI təhlükəsizliyi “bir dəfə quraşdırdıq, bitdi” yanaşması ilə idarə olunmur. Çünki risklər dəyişir, hücum metodları inkişaf edir, model davranışı zamanla fərqlənir. Buna görə Secure AI üçün davamlı olaraq monitoring, anomaly detection, patching, policy update, incident response, latest threat intelligence ilə ayaqlaşmaq vacibdir: Bu yanaşma olmadan sistem ilk gündə secure görünsə belə, qısa müddətdə köhnəlmiş müdafiə ilə riskə açıq qala bilər.</p><p>Secure AI və Responsible AI arasında fərq nədir? Sadə dillə desək, Responsible AI soruşur: Bu sistem insanlara qarşı nə qədər ədalətli, şəffaf və məsuliyyətlidir? ; Secure AI soruşur: Bu sistem hücumlara, manipulyasiyaya və sui-istifadəyə qarşı nə qədər dayanıqlıdır? Amma əsl güclü yanaşma bu ikisini ayırmamaqdır. Yəni, Ethical AI = yalnız yaxşı niyyət deyil, həm də düzgün governance + düzgün security + düzgün accountability deməkdir.</p><p>Nəticə olaraq deyə bilərik ki, bugünki AI dünyasında əsas məsələ təkcə “nə qədər ağıllı sistem qurduğumuz” deyil. Əsas məsələ nə qədər etibarlı sistem qurduğumuzdur.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=69ee10a000d9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Gen AI necə işləyir?]]></title>
            <link>https://medium.com/@lala.ibadullayeva/gen-ai-nec%C9%99-i%C5%9Fl%C9%99yir-6f9e6da8010c?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/6f9e6da8010c</guid>
            <category><![CDATA[genai]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[future-of-work]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Fri, 29 May 2026 13:49:16 GMT</pubDate>
            <atom:updated>2026-05-29T13:49:16.125Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir zamanlar bir paltar aylarla hazırlanırdı, indi isə fabriklər onu saatlar içində yaradır. Gen AI da eyni dönüşümün texnoloji formasıdır : çox sürətlə yaradır, çox sürətlə istehsal edir. Amma yaratmaq hər zaman anlamaq demək deyil.</p><p>Qeyd: Bu mətn “Google Skills” platformasının Gen AI kurs materialları əsasında hazırlanıb.</p><p>AI haqqında son dövrlərdə danışanda çox vaxt diqqətimizi onun görünən hissəsinə yönəldirik: chatbot`lar, mətn yaradan sistemlər, şəkil generasiya edən alətlər, kod yazan platformalar və s. Amma əslində gen AI ekranda gördüyümüz interface`dən ibarət deyil. Onun arxasında bir-biri ilə əlaqəli və birlikdə işləyən çoxqatlı bir ecosystem var. Generativ AI`ı daha yaxşı başa düşmək üçün onu beş əsas layer üzərindən bir mühərrik kimi düşünmək faydalıdır : infrastruktur (foundation) , model (əsas nüvə — beyin), platform (birləşdirici sistem) , agent (qərar verən və hərəkət edən hissə) və AI app`lar (user`i nəticəyə aparan vasitə). Bu layerləin hər biri sistemin işləməsində mühüm rol oynayır və birlikdə gen AI`ın real gücünü formalaşdırır.</p><h3>1. Infrastructure: foundation</h3><p>İnfrastruktur çox vaxt user`in görmədiyi, amma bütün sistemin üzərində qurulduğu əsas qatdır. Bura fiziki serverlər, GPU və TPU kimi xüsusi çiplər, bulud resursları, yaddaş, əməliyyat sistemləri və şəbəkə daxildir. Gen AI modellərinin öyrədilməsi, işlədilməsi və miqyaslandırılması üçün bu baza zəruridir. Infrastruktur olmadan model yoxdur; model olmadan isə agent və app qurmaq mümkün deyil.</p><h3>2. Model : sistemin “beyni”</h3><p>Agentin qərar vermə qabiliyyətinin arxasında isə model dayanır. Model, gen AI sisteminin əsas intellektual nüvəsidir. Bu modellər böyük həcmdə məlumat üzərində öyrədilmiş mürəkkəb alqoritmlərdən ibarətdir. Onlar məlumatdakı nümunələri və əlaqələri öyrənərək yeni məzmun yarada, dilləri tərcümə edə, suallara cavab verə və proqnozlar verə bilir. Bu layerdə öyrənmə, nümunə tanıma və generasiya mexanizmləri baş verir. LLM`lər, şəkil tanıma modelləri və recommendation sistemləri bu səviyyənin ən tanınmış nümunələridir.</p><h3>3. Platform: hər şeyi bir-birinə bağlayan təbəqə (əsas)</h3><p>Platform təbəqəsi model və infrastruktur üzərində qurulur və AI inkişafı üçün vacib tool`lar təqdim edir. Bura API`lar, data idarəetməsi, model deployment toollar və Vertex AI kimi model train platformlar daxildir. Platform agent`lərlə modellər arasında körpü rolunu oynayır və arxadakı mürəkkəb infrastrukturu idarə etməyi daha praktik edir. Bu layer şirkətlər və komandalar üçün kritikdir. Çünki AI sistemləri ancaq modeldən ibarət deyil; onları idarə etmək, tətbiq etmək, izləmək və scale etmək də lazımdır. Platform bu keçidi mümkün edir.</p><h3>4. Agent`lər : qərar verən və hərəkət edən layer</h3><p>Gen AI sistemlərində son dövrlərin ən maraqlı anlayışlarından biri agentlərdir. Agent sadəcə cavab verən model deyil; o, müəyyən məqsədə çatmaq üçün mövcud inputlardan və toollardan istifadə etməyi bacaran proqram hissəsidir. Agentlər vəziyyəti analiz edir, müxtəlif toollardan istifadə edir, çoxmərhələli tapşırıqları yerinə yetirir, müəyyən hallarda daimi insan müdaxiləsi olmadan qərar verir. Məsələn, bir agent araşdırma apara, kodda error tapa, bir neçə ardıcıl əməliyyatı zəncirləyərək sistem daxilində fəaliyyət göstərə bilər. Bu da onu adi model istifadəsindən fərqləndirir.</p><h3>5. AI app`lar : User`ə görünən hissə</h3><p>Ən çox tanış olduğumuz layer budur. User`lər gen AI ilə əsasən bu leveldə qarşılıqlı əlaqəyə girirlər. Bu layer AI`ın “frontend” hissəsidir. User mürəkkəb modelləri, hesablama resurslarını və sistem arxitekturasını görmür; o sadəcə rahat işləyən bir məhsul görür. Amma bu sadə görünən təcrübənin arxasında çox daha dərin texnoloji layer`lər dayanır.</p><p>Nəticədə deyə bilərik ki, Gen AI`ın gücü təkcə modeldə deyil, bütün təbəqələrin birlikdə necə işləməsindədir. User`ə görünən app`dən tutmuş arxadakı infrastruktur resurslarına qədər hər bir qat bu sistemin vacib hissəsidir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6f9e6da8010c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Niyə Git bu qədər populyardır?]]></title>
            <link>https://medium.com/@lala.ibadullayeva/niy%C9%99-git-bu-q%C9%99d%C9%99r-populyard%C4%B1r-a9c3decb1aa3?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/a9c3decb1aa3</guid>
            <category><![CDATA[linux]]></category>
            <category><![CDATA[git]]></category>
            <category><![CDATA[github]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Wed, 27 May 2026 15:48:25 GMT</pubDate>
            <atom:updated>2026-05-27T15:48:25.680Z</atom:updated>
            <content:encoded><![CDATA[<p>Adam Smith deyirdi ki, düzgün qurulmuş sistemlərdə qaydalar o qədər yaxşı işləyir ki, mərkəzi nəzarət olmadan belə proseslər öz-özünü tənzimləyir.<br>Texnologiyada bunun gözəl nümunəsi Git`dir. Yaxşı qurulmuş version control sistemi komanda daxilində əlavə micromanagement ehtiyacını azaldır. Commit history məsuliyyət yaradır, branch`lər təhlükəsiz eksperiment imkanı verir, diff və revert isə risklərin idarə olunmasını təmin edir.<br>Bir nöqtədən sonra, Git sadəcə kod saxlamaq üçün alət yox, həm də komanda intizamını formalaşdıran bir sistem, hətta, engineering tool olmaqdan çox, yaxşı dizayn olunmuş bir risk management modeli də ola bilər.</p><p>Proqramlaşdırma kimi qarışıq işlərdə komanda ilə işlənilirsə, sözsüz ki, tez-tez müxtəlif problemlər ortaya çıxır. Bu prosesləri idarə edə bilmək, yəni dəyişiklikləri necə izləmək, səhv olduqda necə geri qayıtmaq, fərqli versiyaları necə müqayisə etmək və komanda daxilində işi daha nizamlı şəkildə necə idarə etmək suallarının cavabı bizi bir anlayışa gətirir: version control.</p><p>Version control, sənədlərdə, kodda və qovluqlarda zamanla edilən dəyişiklikləri idarə etməyə kömək edən sistem və proseslər toplusudur. Bu yanaşma ilə faylların müxtəlif vəziyyətlərini izləmək, versiyaları müqayisə etmək, konkret bir versiyanı tapmaq və lazım olduqda əvvəlki işlək vəziyyətə geri qayıtmaq mümkün olur.</p><p>Version control istifadə olunmayan bir project, müəyyən mənada metodologiyası sənədləşdirilməmiş bir elmi tədqiqata bənzəyir: bir dəfə düzgün nəticə əldə etmək mümkün ola bilər, lakin eyni nəticəni sonradan təkrar əldə etmək, prosesi izləmək və dəyişikliklərin təsirini analiz etmək olduqca çətinləşir. Təsəvvür edin ki, bir akademik project çərçivəsində data analizi və ya model qurulması üzərində işləyirsiniz. Aparılan son dəyişikliklərdən sonra modelin nəticələri gözlənilməz şəkildə pisləşir və ya kod işləməz vəziyyətə düşür. Əgər, project Git ilə idarə olunursa, əvvəlki stabil versiyaya geri qayıtmaq, problemi ayrıca analiz etmək və düzəlişlər etdikdən sonra yenilənmiş versiyanı təhlükəsiz şəkildə tətbiq etmək çox daha sistemli şəkildə mümkün olur. Bu məqsədlə istifadə olunan git revert komandası müəyyən bir commit`də edilmiş dəyişikliklərin təsirini geri alan yeni commit yaradır və beləliklə projectin tarixçəsinin ardıcıllığını qoruyur.</p><p>Bəs niyə Git? Çünki, Git həm open-source, həm də scalable bir version control sistemidir. Yəni istər tək nəfərlik kiçik projectdə, istərsə də böyük komandaların paralel işlədiyi mürəkkəb mühitlərdə rahatlıqla istifadə oluna bilir. Git`in əsas üstünlüklərindən biri odur ki, projectin tarixçəsini sistemli şəkildə saxlayır, dəyişiklikləri müqayisə etməyə imkan verir və “kim nəyi nə vaxt dəyişdi?” sualına dəqiq cavab verir.</p><p>Git workflow`u əslində çox məntiqli 3 addımdan ibarətdir: edit, stage, commit</p><p>Əvvəlcə faylda dəyişiklik edirik. Sonra həmin dəyişiklikləri staging area`ya əlavə edirik. Daha sonra isə commit edərək həmin vəziyyətin snapshot`ını tarixçəyə yazırıq. git status working tree, staging area və HEAD arasındakı fərqləri göstərir; git add &lt;file&gt; və ya git add . dəyişiklikləri stage edir; git commit -m “message” isə index`də olan vəziyyəti commit`ə çevirir.</p><p>Project`ə başlamaq üçün əsas addımlardan biri repository yaratmaqdır. Bunun üçün istifadə etdiyimiz komanda: git init. Bu komanda yeni Git repository yaradır. Mövcud bir project qovluğunu da repo-ya çevirmək mümkündür. Git həmin repo daxilində tarixçə və metadata üçün xüsusi məlumatları saxlayır və bu strukturun əsas hissəsi .git qovluğudur. Buna görə də .git qovluğunu əl ilə dəyişmək və ya silmək düzgün yanaşma sayılmır.</p><p>Terminal tərəfdə isə bəzi əsas komandalar workflow`u xeyli asanlaşdırır. Məsələn:</p><ul><li>pwd : hazırda hansı qovluqda olduğumuzu göstərir.</li><li>ls : cari qovluqdakı fayl və qovluqları göstərir.</li><li>cd &lt;directory&gt; : başqa qovluğa keçid edir.</li><li>git — version : sistemdə quraşdırılmış Git versiyasını yoxlamağa kömək edir. Git versiyası vacibdir, çünki bəzi yeni komandalar və rahat syntax`lar versiyadan asılı ola bilir.</li></ul><p>Git`in ən güclü tərəflərindən biri də history üzərində işləməkdir. Məsələn:</p><pre>git log  #commit tarixçəsini göstərir.</pre><pre>git log -3  #son 3 commit`i göstərir.</pre><pre>git log --since=&quot;2 weeks ago&quot;  #son iki həftənin commit-lərini göstərir.</pre><pre>git log --since=&quot;2024-04-02&quot; --until=&quot;2024-04-11&quot;  #müəyyən tarix aralığını filtr edir.</pre><pre>git show &lt;commit&gt; : konkret commit haqqında məlumat və diff göstərir.</pre><p>Burada bir məqam da çox maraqlıdır: Git hər commit`i bir hash ilə identifikasiya edir. Bu hash`lər commit`ləri, tree`ləri və blob`ları bir-birindən ayırmağa kömək edir. Eyni məzmun eyni hash yaratdığı üçün Git məlumatı daha səmərəli idarə edə bilir və lazımsız təkrarı azaldır. Dəyişiklikləri müqayisə etmək üçün isə ən vacib komandlardan biri: git diff</p><p>Bu komanda ilə: unstaged dəyişiklikləri, staged dəyişiklikləri (git diff — staged), iki commit arasındakı fərqi (git diff &lt;commit1&gt; &lt;commit2&gt;) müqayisə edə bilərik. HEAD ən son commit`ə istinad edir, HEAD~1 isə ondan bir əvvəlki commit`i göstərir.</p><p>Səhv etdikdə isə Git`in verdiyi rahatlıq ayrıca dəyərlidir.</p><p>Əgər yanlış commit etmişiksə və onu tarixçəni qoruyaraq geri almaq istəyiriksə, git revert &lt;commit&gt; uyğun seçimdir. Əgər stage etdiyimiz faylı commit etməzdən əvvəl staging area`dan çıxarmaq istəyiriksə, git restore — staged &lt;file&gt; istifadə olunur. Müasir Git sənədlərində konkret faylı əvvəlki commit`dən bərpa etmək üçün git restore — source=&lt;commit&gt; &lt;file&gt; yanaşması tövsiyə olunur; git checkout &lt;commit&gt; — &lt;file&gt; isə hələ mövcuddur, amma daha çox köhnə/çoxməqsədli usage kimi qəbul edilir.</p><p>Qısa desək, Git sadəcə komanda yığını deyil. O, project üzərində izlənəbilənlik, təhlükəsizlik, komanda əməkdaşlığı və geri dönüş imkanı yaradan əsas alətlərdən biridir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a9c3decb1aa3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Virtualization and or vs containerization]]></title>
            <link>https://medium.com/@lala.ibadullayeva/virtualization-and-or-vs-containerization-218571a0557a?source=rss-91cdfd712788------2</link>
            <guid isPermaLink="false">https://medium.com/p/218571a0557a</guid>
            <category><![CDATA[containerization]]></category>
            <category><![CDATA[virtualization]]></category>
            <dc:creator><![CDATA[Lala Ibadullayeva]]></dc:creator>
            <pubDate>Mon, 25 May 2026 10:01:31 GMT</pubDate>
            <atom:updated>2026-05-25T10:01:31.330Z</atom:updated>
            <content:encoded><![CDATA[<p>Part 1 : Virtualization nədir və niyə bu qədər vacibdir?</p><p>Müasir texnologiya dünyasında sistemlərin daha çevik, təhlükəsiz və səmərəli idarə olunması üçün virtualization əsas anlayışlardan biridir. Xüsusilə, Docker və Kubernetes kimi texnologiyaları anlamaq üçün əvvəlcə virtualization məntiqini düzgün başa düşmək vacibdir.</p><p>Gündəlik həyatda istifadə etdiyimiz laptop, smartphone və ya server kimi cihazlar fiziki qurğulardır, yəni physical machines hesab olunur. Lakin fiziki maşınların imkanları sonsuz deyil. Daha çox iş yükü daha çox avadanlıq, daha yüksək xərc, daha çox texniki xidmət və daha çətin scaling deməkdir.</p><p>Bu problemi həll edən əsas yanaşmalardan biri virtual machines (VMs) texnologiyasıdır. VM, başqa bir kompüter daxilində yaradılan, öz operating system`i və applications`ları olan müstəqil virtual mühitdir. Bir host machine üzərində birdən çox VM işləyə bilər və hər biri bir-birindən ayrı, yəni isolated şəkildə fəaliyyət göstərir.</p><p>Virtualization-un əsas üstünlükləri bunlardır:</p><ul><li>hardware resurslarından daha səmərəli istifadə,</li><li>xərclərin optimallaşdırılması,</li><li>daha rahat resource idarəçiliyi,</li><li>təhlükəsizlik və sabitliyin artırılması,</li><li>eyni fiziki mühitdə fərqli operating systems işlətmək imkanı.</li></ul><p>Sadə dillə desək, virtualization, real computing resource`ların virtual formada yaradılması və idarə olunması prosesidir. Bütöv bir kompüter sisteminin virtual formada qurulması isə full virtualization adlanır. Bugünki cloud, containerization, Docker və Kubernetes ekosisteminin məntiqini başa düşmək üçün virtualization fundamental bazadır.</p><p>2. Containerization nədir və niyə bu qədər önəmlidir?</p><p>Müasir proqram təminatı inkişafında containerization, tətbiqlərin daha stabil, daşına bilən və idarəolunan şəkildə işlədilməsi üçün ən vacib yanaşmalardan biridir. Xüsusilə Docker və Kubernetes kimi texnologiyaları başa düşmək üçün əvvəlcə containerization məntiqini anlamaq lazımdır.</p><p>Containerization, sadə dillə desək, operating system (OS) level virtualization`dır. Yəni burada bütöv bir kompüter deyil, əməliyyat sistemi səviyyəsində ayrılmış və izolyasiya olunmuş iş mühitləri yaradılır. Bu mühitlər containers adlanır.</p><p>Containerization anlayışının iki tərəfi var: Birincisi, containerization operating system səviyyəsində virtualization`dur. Normal virtualization-da biz bütöv bir sistemi təqlid edirik:ayrıca hardware məntiqi, ayrıca operating system, ayrıca mühit. Yəni virtual machine tam bir ayrıca kompüter kimi davranır. Amma containerization belə etmir. Burada bütöv kompüter virtual olmur. Burada yalnız operating system səviyyəsində ayrılma yaradılır.</p><p>İkincisi, containerization bir application-ı və onun dependencies`lərini, öz mühiti olan və OS kernel tərəfindən idarə edilən bir container daxilində paketləmə prosesidir. Burada söhbət artıq texniki memarlıqdan yox, istifadə formasından gedir. Bir application işləmək üçün təkcə source code kifayət etmir. Ona çox vaxt dependencieslazımdır: library`lər, runtime, packages, configuration, environment variables, system tools. Ona görə bu zarafat var ki, “axı məndə işləyirdi”. Bir tətbiq sənin kompüterində işləyə bilər, amma başqa mühitdə işləməyə bilər. Çünki: library versiyası fərqlidir, package çatışmır, OS fərqlidir, configuration uyğun deyil. Containerization bunun qarşısını almaq üçün tətbiqi onun lazım olan hər şeyi ilə birlikdə bir paketə yığır. Bu paket container olur. Yəni container daxilində application özü, onun işləməsi üçün lazım olan packages, dependencies, config faylları, bəzən runtime mühiti kimi detallar olur. Nəticədə tətbiq harada işə salınsa, eyni cür davranmağa daha yaxın olur.</p><p>Hər bir container, bir application-ın işləməsi üçün lazım olan bütün komponentləri özündə birləşdirir: source code, dependencies, configurations və digər zəruri fayllar. Bunun nəticəsində tətbiq fərqli sistemlərdə eyni davranışı göstərir və “məndə işləyirdi, səndə niyə işləmir?” problemi minimuma enir.</p><p>Containers-in əsas üstünlükləri bunlardır:</p><ul><li>Isolation : bir tətbiqdə yaranan problem digər tətbiqlərə təsir etmir.</li><li>Portability : tətbiq bir mühitdən digərinə asanlıqla köçürülə bilir.</li><li>Reproducibility : müxtəlif host sistemlərdə eyni nəticəni verir.</li><li>Fast startup : ayrıca bütöv bir operating system yükləmədiyi üçün çox sürətli işə düşür.</li><li>Efficient resource usage : eyni host üzərində bir neçə tətbiq daha səmərəli şəkildə işlədilə bilir.</li></ul><p>Ən vacib məqamlardan biri budur ki, containers hər tətbiq üçün ayrıca operating system tələb etmir. Onlar host sistemin OS kernel`indən istifadə edir, amma öz daxilində ayrıca və idarə olunan bir environment təqdim edir. Bu da onları həm daha yüngül, həm də daha çevik edir.</p><p>Bugünkü cloud-native architecture, microservices, CI/CD pipelines, Docker və Kubernetes ekosisteminin əsasında məhz bu yanaşma dayanır. Buna görə də containerization artıq sadəcə bir texniki termin deyil, müasir IT infrastrukturunun əsas sütunlarından biridir.</p><p>3. Virtualization vs. Containerization: fərq nədir və hansı halda hansını seçməliyik?</p><p>Hər ikisi resurslardan daha səmərəli istifadə etməyə, sistemləri daha çevik idarə etməyə və tətbiqləri daha rahat miqyaslandırmağa kömək edir. Amma bu iki anlayış eyni deyil və istifadə məqsədləri də fərqlənir.</p><p>Virtualization, computing resource`un virtual versiyasını yaratmaq prosesidir. Full virtualization zamanı bir fiziki maşın üzərində bir və ya bir neçə virtual machine (VM) yaradılır. Hər bir VM öz operating system`inə sahib olur və müstəqil şəkildə işləyir. Bu yanaşma xüsusilə bir fiziki server üzərində birdən çox mühit yaratmaq, mövcud resurslardan daha yaxşı istifadə etmək və legacy applications`ları müasir infrastruktura uyğunlaşdırmaq üçün geniş istifadə olunur.</p><p>Containerization isə operating system (OS) level virtualization yanaşmasıdır. Burada bütöv bir maşın deyil, tətbiqin işləməsi üçün lazım olan application, dependencies və configurations birlikdə bir container daxilində paketlənir. Bu yanaşma tətbiqlərin daha yüngül, daha sürətli və daha daşına bilən formada işlədilməsinə imkan yaradır.</p><p>Bu sahədə ən çox istifadə olunan alətlərdən biri Docker`dir. Containers`in avtomatik idarə olunması, deployment, scaling və koordinasiyası üçün isə Kubernetes ön plana çıxır. Başqa sözlə, Docker daha çox container yaratmaq və işlətmək üçün, Kubernetes isə çoxsaylı container mühitlərini idarə etmək (orchestration) üçün istifadə olunur.</p><p>İstifadə sahələrinə baxdıqda, virtual machines daha güclü isolation və fərqli operating systems işlətmək üstünlüyü təqdim edir. Bu səbəbdən təhlükəsizlik, köhnə sistemlərin dəstəklənməsi və müxtəlif OS`lərin paralel istifadəsi lazım olduqda VM`lər daha uyğun seçim ola bilər.</p><p>Containers isə daha yüngüldür, daha az resurs istifadə edir, daha sürətli açılır və daha rahat scale olunur. Xüsusilə microservices architecture qurarkən, yəni tətbiqin hər bir hissəsini ayrıca service kimi işlədərkən containerization daha effektiv yanaşma olur. Hər bir service ayrıca container daxilində işlədilə, ayrıca yenilənə və ayrıca scale edilə bilər.</p><p>Uzun sözün qısası,</p><ul><li>Daha güclü isolation və fərqli operating systems lazımdırsa — virtualization</li><li>Daha sürətli, yüngül, daşına bilən və scalable tətbiq mühiti lazımdırsa — containerization</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=218571a0557a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>