Kurgan-Telecom Ru | Информационные технологии

Как я собираю ГИГАХРУЩ: survival horror / ARPG в браузере без Unity, Phaser и ассет‑пайплайна. WebGL/canvas raycasting, procedural textures/sprites/sound, A‑Life, самосбор как мутация мира и миллиарды LLM‑токенов, которые всё равно не компилируются.

Еще несколько лет назад искусственный интеллект воспринимался как экзотический инструмент для крупных корпораций, исследовательских лабораторий и энтузиастов машинного обучения.

Сегодня ситуация выглядит совершенно иначе.

Практически каждую неделю появляются новые AI-сервисы, AI-агенты, корпоративные помощники, инструменты автоматизации и специализированные модели для бизнеса. Многие компании уже используют десятки различных AI-инструментов одновременно, зачастую даже не осознавая масштаб происходящих изменений. Если посмотреть на происходящее со стороны, можно заметить интересную закономерность: компании активно внедряют искусственный интеллект, но почти не думают о его управлении.

Это напоминает ситуацию начала двухтысячных годов, когда организации стремительно подключали компьютеры к сети, не уделяя достаточного внимания вопросам информационной безопасности. Сначала появлялись технологии. Только потом появлялись политики, процессы и инструменты управления.

С искусственным интеллектом происходит примерно то же самое. Сегодня во многих компаниях можно встретить следующую картину - маркетинг использует собственные AI-сервисы. Разработка использует другой набор моделей. Отдел продаж работает через третьи инструменты, HR использует свои решения. Отдельные сотрудники подключают публичные модели напрямую, зачастую без какого-либо контроля со стороны компании.

На первый взгляд это выглядит как нормальная адаптация новых технологий. Но если посмотреть глубже, возникает интересный вопрос. Кто на самом деле управляет всем этим? Кто может ответить на вопрос, какие именно AI-системы используются внутри организации? Кто контролирует, какие данные передаются внешним моделям? Кто может объяснить, почему AI принял то или иное решение? Кто способен быстро остановить действия интеллектуального агента, если он начинает работать некорректно?

Смотрели итоги прошедшего ICLR? Меня заинтересовала довольно провокационная статья от Эплов — ParaRNN. Казалось бы, параллельность РНН — это их главный недостаток, благодаря которому их заменили трансформеры (в большинстве задач).

Разбираю кейс, в котором оценка компетенций, экспертная интерпретация и ИИ помогли не только точнее понять профиль руководителя отдела продаж, но и пересобрать развитие команды, увидеть слабые рабочие связки и усилить саму воронку найма. Главное в этой истории — не «магия нейросети», а то, как она работает поверх качественных данных, а не вместо них.

Недавно я заглянул в гости в фотоателье к приятелю и вышел с неожиданным подарком — фотообъективом для уже вымершего байонета 4/3 (не микро). В разговоре выяснилось, что у него есть два таких объектива с идентичной поломкой. Один его, второй, который достался мне, от другого фотографа. Он уверял, что оба они объективы не роняли, и сломались они в режиме обычной эксплуатации. Как он описал: «нарушается фокусировка и появляется трещина у байонета». Я с большой благодарностью принял это чудо фотоиндустрии и поспешил его поставить на свой Olympus через переходник, как тут же выяснилась суть проблемы — заметный перекос байонета.

Привет, Хабр! На связи Артем Колесников, Product Marketing Manager в Garage Eight. Сегодня хочу поговорить с вами про фокус‑группы, а точнее про один из их вариантов.

Обычно фокус-группы — это дорого, долго и почти всегда они работают с опозданием: вы зовете людей, когда уже сверстали лендинги, выпустили фичи и согласовали продвижение. Но с помощью современных LLM можно создать синтетическую фокус-группу, чтобы тестировать идеи, УТП, фичи, цены как после релиза, так и до релиза.

● Минэкономразвития России продлило экспериментальный правовой режим для сельскохозяйственных беспилотных авиационных систем до 26 сентября 2029 года

● Минсельхоз России ввел для регионов план по увеличению использования воздушных беспилотников

● «Сбер» представил мультиагентную ИИ-систему «Маркус» для команд маркетинга

● В Институте искусственного интеллекта AIRI разработали iJKOnet — метод обучения ИИ-модели для восстановления пропущенных стадий динамики сложных систем

● В МАИ представили прототип программы на базе ИИ для восстановления траектории спутника при потере сигнала

● В Московском Политехе создадут робота-консультанта «Полли» в виде черепахи для сопровождения абитуриентов в ходе приемной кампании

● «Сколтех» и Циндаоский университет науки и технологий (Китай) учредили совместную международную лабораторию по ИИ для промышленности

● Разработчик Perplexity открыл исходный код внутреннего инструмента Bumblebee — сканера для проверки машин разработчиков на опасные конфигурации ИИ-инструментов

● В Microsoft PowerPoint добавлена ИИ-функция для создания и редактирования презентаций с помощью ChatGPT

● В Huawei выпустили комплексное инфраструктурное решение для дата-центров, которые используются для ИИ

● Ученые Чжэцзянского университета, компании Meituan и Университета Цинхуа (Китай) разработали SDAR — метод обучения ИИ-агентов сложным многошаговым задачам

● Исследовательская группа Nous Research представила метод Token Superposition Training для ускорения предобучения языковых моделей без изменения архитектуры, оптимизатора и данных

Когда я начал строить свой умный дом, мне пришла в голову простая мысль: а насколько он вообще умный?

Возможность включить свет с телефона или голосом — это удобно, но назвать такое освещение по-настоящему умным можно лишь с большой натяжкой. На мой взгляд, умное освещение должно самостоятельно понимать, когда его нужно включить, а когда выключить, не требуя участия человека.

Самым очевидным местом для экспериментов оказалась ванная комната.

Если вопрос с вытяжкой решился довольно быстро — я установил датчик влажности, подобрал пороги включения и выключения и практически забыл о его существовании, — то с автоматизацией света всё оказалось намного интереснее.

Мы слышали про фотографическую память (вот интересная статья на habr) со школьных лет, знаем о существовании учеников, которым не надо было учить правила русского языка, а достаточно было просто один раз прочитать что‑то в книжке и они получали суперспособосность без ошибок писать диктанты. Мы видели в разных супершпионских кино как главный герой буквально бросив взгляд на какого‑то человека за доли секунд сопоставляет, копаясь в своей памяти, его образ с базой данных разыскиваемых преступников. И конечно многие помнят игру, в которой надо посмотрев на разложенные карточки, которые потом перевернут, искать пары.

Словом, мне стало интересно и в продолжении серии своих публикаций про память и мозг, решил поделится оценкой механики связи движения глаз и процесса запоминания. В том числе отправной точной стала недавняя статья в Nature Neuroscience

Индустрия искусственного интеллекта застряла в так называемой «стохастической петле». Мы тратим тысячи часов, пытаясь «уговорить» языковые модели выдать верный результат. Мы пишем огромные «промпты-простыни», применяем шаманские лайфхаки из интернета, но раз за разом сталкиваемся с галлюцинациями, потерей логики, сикофансией и деградацией внимания нейросети.

Когда мы работаем в чате, это терпимо. Но как только мы выходим в зону промышленной эксплуатации, одиночный промпт, даже самый идеальный, начинает фатально давать сбои. Монолитный запрос пытается быть одновременно и извлекателем данных, и аналитиком, и строгим критиком. В результате модель тратит драгоценное контекстное окно на то, чтобы просто не запутаться в ваших инструкциях.

Представляемая мной книга — не сборник очередных «10 лучших трюков для ChatGPT». Это жесткий инженерный протокол, перенесенный из классической советской школы проектирования сложных программных систем в сферу ИИ. В ней разобрано практически пошагово как уйти от ремесленничества к конвейерному производству смыслов и построить детерминированную систему вокруг любой, даже самой капризной LLM.

«Зелёный коридор» (ЗК) — проект перестроения культуры потребления ресурсов в масштабах «цифрового государства». Чтобы вы понимали масштаб инфраструктуры, которой мы управляем:

8 000 000 физических ядер;

1,2 экзабайта данных в хранилищах;

Почти 600 000 серверов, считая виртуальные машины.

Когда работаешь с такими объёмами, даже микроскопическая погрешность в 1% лишней аллокации превращается в гору «мёртвого железа», на котором можно было бы запустить ещё один банк средних размеров. В начале наше фактическое потребление ресурсов находилось в районе 27%.

Что стоит за вопросом «это писал человек или нейросеть» — и почему разговор об авторстве уже упирается в SIP, DR и MAP.

AI-инструменты уже давно перестали быть просто «умными чатами». Сегодня Claude Code, Codex и другие агенты постепенно превращаются в полноценную инженерную инфраструĸтуру: с памятью, workflow, sub-agentʼами, orchestration и reusable праĸтиĸами.

В этой статье команда разработки СВОЙ Тех собрала праĸтиĸи, ĸоторые реально помогают использовать Claude Code эффеĸтивно. Дисклеймер: будет много списков — не обессудьте и, надеемся, вам так же, как и автору, легче усваивать информацию.

Привет, Хабр! На связи Анастасия Шулакова и Георгий Геймбух, аналитики поддержки Авито. Мы помогаем командам развивать внутренние инструменты для специалистов так, чтобы пользователи получали ответы быстрее, а поддержка оставалась управляемой по качеству и стоимости.

Недавно мы переработали один из самых нагруженных блоков админки — страницы пользователя и объявления, с которыми ежедневно работают поддержка, модерация и другие линии. Это был не косметический редизайн, а замена ключевого операционного контура. И главный вопрос, на который нужно было ответить перед решением о масштабировании: не ухудшает ли новый интерфейс AHT (среднее время обработки обращения)  — нашу ключевую метрику эффективности?

По задумке это выглядит как классическая задача для A/B-теста. Но в реальности дизайн сложнее: единица воздействия здесь — специалист, а не обращение, выборка маленькая, дисперсия большая, и обычный рандомный сплит даёт слишком высокий MDE.
В этой статье расскажем, как мы собирали группы генетическим алгоритмом, балансировали ковариаты, проверяли баланс после старта и считали итоговый эффект через CUPED — этот метод доступен из коробки в нашей внутренней A/B-платформе Trisigma, поэтому нам не пришлось писать расчёт с нуля, и мы сосредоточились на дизайне теста и выборе ковариат.

Нейросети не заменяют живых сотрудников, а помогают им решать задачи эффективнее и быстрее. Главное, написать качественный промпт. Специалисты click.ru рассказывают:

Премиальных загородных поселков в Подмосковье десятки. На сайтах их не различить, у всех один и тот же набор: лес, озеро, единый стиль, охрана, спортивная инфраструктура. По рендерам и маркетинговым текстам не отличишь поселок 2010 года, где всё построено и заселено, от стройплощадки с одним КПП и полем.

Здравствуйте, меня зовут Максим Серяков, я владелец Группы MDI. Мы строим коттеджные посёлки бизнес и премиум-класса. Ключевой наш проект называется Ели Estate.

Прошлая моя статья была о том, как обезопасить себя при покупке участка в коттеджном поселке.

Следующий шаг — сравнить между собой проекты, которые этот фильтр прошли.

В обзоре 16 поселков. Это круг, в котором сегодня выбирает покупатель премиального загородного дома в Подмосковье. Я знаю их все изнутри, это те поселки, которые клиенты постоянно называют нам на показах. Кто-то из них дороже нас в разы, кто-то ближе по бюджету. Все поселки сравнил по одинаковым параметрам. Так сразу видно, чем они реально отличаются, и можно оставить два-три проекта, которые стоит изучить детальнее.

Если абстрагироваться от технического исполнения, 007 First Light получилась совершенно замечательным приключенческим боевиком в духе Hitman: Absolution и местами Uncharted 4. Новинку от IO Interactive хорошо приняли как профессиональные критики, так и простые игроки. Игра рассказывает захватывающую историю, отлично дополняющую кинофраншизу — прямо как недавняя Indiana Jones and the Great Circle.

Однако в плане графики не все так однозначно. С одной стороны, заметна эволюция относительно Hitman 3 2021 года — особенно в анимациях и спецэффектах. С другой, местами картинка едва дотягивает до Uncharted 4 десятилетней давности… При том, что в последнюю пару лет проекты на проприетарных движках приучили нас к прорывному визуалу (The Last of Us 2, Alan Wake 2, Doom: The Dark Ages и др.).

В этой статье постараемся разобраться, в чем тут дело.

Около месяца назад я решил испытать один интересный технический сценарий организации кабельного скоростного канала передачи данных между двумя компьютерами/ноутбуками. Речь о штатной возможности Thunderbolt 3/4/5 портов работать в так называемом режиме Thunderbolt Networking. Суть этого способа кабельной передачи в следующем:

Друзья, всем привет. Это моя проба пера на Хабре. Меня зовут Максим Талалаев, я достаточно давно управляю людьми. Вот теперь занимаюсь этим в сфере IT. Делаю с командой проект по созданию и развитию платформы временной (гибкой) занятости.

Пишем на PHP. Используем Laravel и Lifewire с Filament. Базы на PostgreSQL. Приложения писали на Flutter, хотя в первое время нас здорово выручал самописный mini‑App в телеграм. В общем все, как у всех.

И вот недавно встал вопрос в загрузке приложений на известные всем площадки: GooglePlay, RuStore. На «десерт» мы оставили AppStore, так как мифов о нем ходило гораздо больше, чем о двух вышеупомянутых источниках. Я не буду подробно останавливаться на самой процедуре, по которой написано немыслимое количество статей и материалов,а сразу перейду к моментам, на которые лично у меня ушло больше всего душевных и временных терзаний, а также управленчески неэффективно потраченного времени (ну, это уже по завершении всех этапов так можно сказать. Конечно, когда я был в процессе, мне так не казалось.). Естественно, я прошел все стадии, начиная от «Создать аккаунт разработчика на организацию в России сейчас невозможно» до «А ты попробуй найти специализированное бюро, которое тебе для Apple корректно сделает перевод на иностранный язык».

При видеокаротаже мы опускаем в скважину камеру и видим на экране обсадную трубу, фильтры, отложения и повреждения, застрявшие насосы и тд. Но есть проблема: на видео нет глубины. Ты видишь картинку, но не знаешь, на какой глубине находится камера. Можно конечно сделать метки на кабеле, условно, каждые 1 -2 метра, но это жутко не удобно и их нужно стоять и считать, вообще тот еще костыль. Раньше использовали вторую видео камеру, которая снимала механический счетчик с отображением метров, но тоже костыль. Нужно потом накладывать друг на друга картинку, что не самый удобный вариант.

А можно наложить глубину прямо на видеопоток в реальном времени. Это экономит часы расшифровки и исключает ошибки, а главное это отображение глубины и видео прямо тут и сейчас.

Вот как я это сделал. Начнем с железа :

Микроконтроллер: Arduino Nano
Почему? Простота и размер. Он маленький, дешёвый, легко программируется. Вставляется в разъём на плате OSD-модуля. В сети куча примеров по данной теме, решил использовать то, что уже было сделано другими.

Чип OSD: MAX7456
Этот чип умеет в реальном времени накладывать символы на аналоговый видеосигнал. Выпускается в готовых модулях — например, MinimOSD. Такие модули изначально делали для квадрокоптеров (F3/F4 flight controllers), но они отлично подходят для каротажа.

Почему не готовый видеорегистратор со встроенным OSD?