Publicada a edição 27 do Thoughtworks Radar

A principal característica é visualizar e explicar as tendências mais recentes nas áreas de técnicas/ferramentas/plataformas/linguagens de programação e frameworks em 4 estágios: Hold/Assess/Trial/Adopt

A popularização do machine learning

• O ML já foi algo que só podia ser usado por quem tinha ferramentas e recursos, mas está se tornando mainstream com o aumento da capacidade dos dispositivos e o surgimento do open source
• Tecnologias como Federated ML tornam possíveis modelos de ML que oferecem privacidade para informações sensíveis
• TinyML move a capacidade de inferência para a edge, permitindo que modelos rodem em dispositivos com recursos limitados e melhorando a segurança de dados sensíveis
• Feature Store oferece benefícios semelhantes ao padrão de design MVC no desenvolvimento de apps, separando claramente os problemas entre curadoria de dados, treinamento de modelos e inferência
• Modelos abertos como Stable Diffusion destacam tanto as capacidades impressionantes do ML quanto as preocupações com dados de origem e ética
• Componentes de ML estão mais fáceis do que nunca de conectar entre si, permitindo criar diversas experiências e soluções de ML por meio de modelos de negócio e modelos genéricos de alto desempenho

O poder de "Platform as a Product"

• A palavra 'plataforma' é usada demais: plataforma de negócio ou centrada no domínio, infraestrutura, plataforma de experiência do desenvolvedor etc.
• Basicamente, a causa raiz de muitos problemas e frustrações que organizações enfrentam com plataformas é "não tratar adequadamente a plataforma como um produto"
  • Por exemplo, em plataformas para desenvolvedores, faltam pesquisa com usuários e análise de contexto no nível esperado de outros tipos de produto
  • Os donos da plataforma precisam validar suposições sobre as necessidades dos desenvolvedores e responder aos padrões reais de uso
  • Como qualquer bom produto, plataformas também precisam de suporte contínuo. Elas devem evoluir e se adaptar de acordo com as necessidades em mudança dos desenvolvedores
• A metáfora "Platform as a Product" só é eficaz quando é totalmente aceita não como uma phrase, mas como uma practice

A posse dos dados vai para a edge

• Toda centralização abre espaço para constriction, gargalos e exposição desnecessária
• Tecnologias de software/aplicações local-first baseadas em CRDT, que viabilizam aplicações de dados sem DB centralizado, fazem pensar sobre a construção de dados P2P
• Levar a posse dos dados para a edge permite que desenvolvedores aproveitem capacidades aprimoradas em dispositivos individuais
• Por exemplo, muitos recursos como reconhecimento facial podem ser processados somente na edge, permitindo manter os dados permanentemente apenas no dispositivo

Mobile também precisa ser modular

• À medida que apps mobile amadurecem, crescem em tamanho e número de serviços e evoluem para os chamados superapps, que podem ser vistos como plataformas em si
• Mesmo apps não tão grandes, mas que acumularam muitas funcionalidades ao longo dos anos, podem ser decompostos em módulos, e as empresas estão percebendo que apps mobile também se beneficiam da modularização
• Apps modularizados têm muitas vantagens porque podem ser desenvolvidos por várias equipes
• O mais complexo é que eles precisam ser distribuídos via app store e dar suporte a versões nativas de iOS/Android e à versão web, exigindo pequenas mudanças para acomodar cada uma
• Apesar desses benefícios, ainda há dificuldades para adotar uma abordagem modular no desenvolvimento mobile, mas veremos frameworks cada vez melhores

[ Techniques ]

Adopt

1. Path-to-production mapping
2. Team cognitive load
3. Threat modeling

Trial

4. BERT
5. Component visual regression testing
6. Design tokens
7. Fake SMTP server to test mail-sending
8. Federated machine learning
9. Incremental developer platform
10. Micro frontends for mobile
11. Observability for CI/CD pipelines
12. SLSA
13. Software Bill of Materials

Assess

14. Carbon efficiency as an architectural characteristic
15. CUPID
16. GitHub push protection
17. Local-first application
18. Metrics store
19. Server-driven UI
20. SLIs and SLOs as code
21. Synthetic data for testing models
22. TinyML
23. Verifiable credentials

Hold

24. Satellite workers without “remote native”
25. SPA by default
26. Superficial cloud native

[ Platforms ]

Adopt

27. Backstage
28. Delta Lake

Trial

29. AWS Database Migration Service
30. Colima
31. Databricks Photon
32. DataHub
33. DataOps.live
34. eBPF
35. Feast
36. Monte Carlo
37. Retool
38. Seldon Core
39. Teleport
40. VictoriaMetrics

Assess

41. Bun
42. Databricks Unity Catalog
43. Dragonfly
44. Edge Impulse
45. GCP Vertex AI
46. Gradient
47. IAM Roles Anywhere
48. Keptn
49. OpenMetadata
50. OrioleDB

[ Tools ]

Adopt

51. Great Expectations
52. k6

Trial

53. Apache Superset
54. AWS Backup Vault Lock
55. AWS Control Tower
56. Clumio Protect
57. Cruft
58. Excalidraw
59. Hadolint
60. Kaniko
61. Kusto Query Language
62. Spectral
63. Styra Declarative Authorization Service
64. xbar for build monitoring

Assess

65. Clasp
66. Databricks Overwatch
67. dbtvault
68. git-together
69. Harness Cloud Cost Management
70. Infracost
71. Karpenter
72. Mizu
73. Soda Core
74. Teller
75. Xcode Cloud
    ##Hold
76. Online services for formatting or parsing code

[ Languages and Frameworks ]

Adopt

77. io-ts
78. Kotest
79. NestJS
80. React Query
81. Swift Package Manager
82. Yjs

Trial

83. Azure Bicep
84. Camunda
85. Gradle Kotlin DSL
86. Jetpack Media3
87. Ladle
88. Moshi
89. Svelte

Assess

90. Aleph.js
91. Astro
92. BentoML
93. Carbon Aware SDK
94. Cloudscape
95. Connect
96. Cross device SDK
97. Cypress Component Testing
98. JobRunr
99. Million
100. Soketi
101. Stable Diffusion
102. Synthetic Data Vault

Hold

103. Carbon

[xguru]

Thoughtworks Radar 26ª edição
ThoughtWorks Radar 24ª edição
A partir da 24, eu tinha pensado em traduzir e trazer os temas principais, mas acabei pulando a 25.. buá