Kurgan-Telecom Ru | Информационные технологии

Привет, Хаброжители! Более десяти миллиардов строк кода C++ в настоящее время используется в реальных проектах, и 98 % разработчиков ежедневно находят и исправляют в них ошибки. Даже в критически важных приложениях встречаются баги, проблемы с производительностью и читаемостью. Эта книга поможет выявить их в коде, который вы поддерживаете, и избежать — в коде, который вы пишете.

«Самые прекрасные решения, основанные на анализе огромного количества данных и обещающие миллионы рублей экономии, будут бесполезны, если клиент или его бизнес не будут способны их внедрить».

Такой вывод мы сделали после анализа нескольких проектов, которые так и не вышли на финишную прямую. Ниже — детальная история одного из них. Она началась с публичного скандала, продолжилась подписанием трёхстороннего договора на бесплатные работы, а закончилась чувством облегчения от провала.

Если у вас пет-проект или небольшой стартап на GitLab.com, рано или поздно вы упрётесь в потолок бесплатного тарифа: 400 минут пайплайнов в месяц и общая очередь раннеров. Покупка дополнительных минут стоит денег и не решает вторую проблему: общие раннеры GitLab обслуживают миллионы проектов, и в часы пик ваша джоба может провисеть в очереди 10-20 минут.

Решение — свой GitLab Runner на VPS: без чужих джоб, под полным контролем. Такой раннер не имеет лимитов по времени, кроме ресурсов самого сервера. В статье за вечер собираем такой раннер с нуля на Ubuntu 24.04 LTS, поднимаем пайплайн на три стадии (тесты, сборка Docker-образов, пуш в GitLab Container Registry), добавляем кэширование, безопасность и автообновление.

Привет, Хабр! Меня зовут Татьяна Козленко, я координатор по технологиям цифрового моделирования в команде девелопера ПИК. 

Хочу рассказать про автоматизированную параметризацию в Revit с помощью инструмента «Склеить параметры». Также освоим три сценария подготовки модели к экспертизе ЦИМ и настроим параметры в семействах кабельных лотков. 

Работа с параметрами в Revit часто превращается в рутину. Особенно остро это чувствуется на финальной стадии выполнения проекта. Этап экспертизы и выпуск спецификаций требуют идеального порядка в данных. Но модель живет своей жизнью: семейства от разных производителей, данные записаны во множество различных параметров или вовсе отсутствуют. Ручное наведение порядка отнимает десятки часов и не гарантирует отсутствия ошибок.

В этой статье мы поделимся опытом, как инструмент «Склеить параметры» из набора PikTools.Общее решает эти задачи. Мы разберем три ключевых сценария подготовки модели для экспертизы цифровой информационной модели (ЦИМ) и покажем, как упорядочить многообразие семейств от производителей на примере кабельных лотков и шинопроводов.

Ранее мы уже рассказывали об инструменте в статье «Склейка как помощник в проектировании» и на вебинаре «Как ускорить проектирование с помощью Склейки». Подробное описание синтаксиса формул, логики фильтров и алгоритмов записи значений доступно в инструкции «Склеить параметры». Во всех примерах используются те же правила фильтрации и синтаксис формул, что описаны в перечисленных материалах.

Пока лента обсуждает LLM и агентов, а инвесторы спорят про окупаемость GenAI, «скучный» классический ML тихо зарабатывает реальные деньги. Я Senior Data Scientist в финтехе, выступаю с лекциями по карьере и ML в ИТМО и ВШЭ. Разберем в статье на цифрах пять компаний из четырех разных областей и почему классику рано списывать со счетов.

Для многих обывателей, да и инженеров, которые не углублялись в тему, работа с LLM выглядит как работа с обычным сервисом: мы просто кидаем запросы по нужному endpoint и получаем JSON с ответом. Но на деле появляется много вопросов: как здесь работает кэш? От чего зависит время ответа? Что делать с огромным контекстным окном? И если у нас один GPU-сервер, на котором происходят все вычисления, то это не так и важно. Но что делать с масштабными распределёнными системами? Обычный Kubernetes не понимает, как устроен запрос языковой модели. Однако за последний год платформенные инженеры очень хорошо продвинулись в этом вопросе. И в этой статье я хочу подробно разобрать, как именно строится K8s-кластер под высоконагруженные LLM.

Важный пост, который, на мой взгляд, возвращает разговор об ИИ из мира воздушных замков в реальность, опубликовал Дэвид Гётте — CEO и управляющий директор компании, занимающейся автоматизацией продаж с помощью искусственного интеллекта.

Очевидно, его откровенно раздражают бесконечные посты в духе: «Я заменил весь свой отдел продаж Claude». По его словам, практически каждая такая история — либо откровенная ложь, либо полуправда, упакованная в эффектный кейс о цифровой трансформации.

Гётте много лет профессионально разрабатывает ИИ-инструменты для продаж и хорошо понимает реальные возможности таких систем. Поэтому он уверенно утверждает: сегодня никто не заменяет полноценный отдел продаж искусственным интеллектом.

Что на самом деле скрывается за подобными заявлениями?

Предприниматель, который пишет: «Я заменил свой отдел продаж», зачастую сам работает продавцом по 60 часов в неделю и называет это автоматизацией. Компания, рассказывающая об исходящих продажах «без единого человека», раньше имела одного координатора продаж, а теперь ИИ выполняет часть его функций. А за громкими заявлениями вроде «ИИ теперь закрывает сделки за нас» нередко стоят компании с падающей выручкой — просто об этом в последующих публикациях уже не рассказывают.

Такие посты становятся вирусными, потому что обещают именно то, что многие хотят услышать: дешевле, быстрее, эффективнее и без неудобного человеческого фактора. Увольняем отдел продаж — и поручаем всё искусственному интеллекту.

Проблема в том, что подобные публикации подталкивают руководителей и владельцев бизнеса к ошибочным выводам. Успешные и вполне рациональные люди начинают думать: «А может, действительно просто заменить людей ИИ?» Отдел продаж начинает восприниматься как расходная статья, которую можно и нужно автоматизировать и сократить. Решения о людях всё чаще принимаются под влиянием хайпа и кликбейтных заголовков.

Привет, Хабр! Я Дмитрий Клепиков из команды Modus. 

После прошлой статьи захотелось взять тот же стек — ИИ-агента и пару MCP-серверов — и собрать через него в нашем BI-портале DQ-шаблон. DQ здесь — это Data Quality, то есть проверка качества данных: полнота, корректность, уникальность, согласованность, актуальность и всё то, из чего потом складывается доверие к данным.

Шаблон получился не универсальным в духе «подставь любую таблицу, и всё само поймётся». Скорее универсальным оказался каркас: одни и те же этапы, одна таблица результатов, один набор отчётов, история запусков и каталог правил. А вот сами правила остаются доменными. В адресном реестре это КЛАДР, ФИАС, ГКН, кадастровые номера и нюансы вроде «ё» в названиях улиц. Для контрагентов будут ИНН, КПП и ОГРН, для продаж — совсем другой набор проверок.

В качестве тестового датасета я взял открытый Реестр адресов Москвы. Задача была такая: агент через postgres-mcp смотрит схему, выбирает проверки из каталога правил, запускает SQL, пишет результаты в dq_snapshots, а потом через modusbi-mcp собирает отчёты в портале. Ниже расскажу, как именно он шёл, что получилось на выходе и почему после такого эксперимента агенту всё равно нельзя просто верить на слово.

ИИ-агенты уже не такое далекое будущее. Бизнес быстро понял, что обычный чат-бот отвечает на вопрос, а агент может сам пройти цепочку действий — найти данные, подготовить документ, создать задачу, проверить статус и вернуться с отчетом.

Но есть загвоздка. Компании часто ждут от ИИ-агента «цифрового сотрудника», который заменит сотрудника: сам разберется процессах, поговорит с клиентом, отправит письмо. Так не работает. Агент хорошо автоматизирует рутину, но плохо справляется с ответственностью, политикой внутри команды, конфликтными решениями и задачами, где цена ошибки выше сэкономленного времени.

Пока обсуждают, имеет ли смысл задавать домашку, если её решает нейросеть, часть подростков нашла ИИ другое применение — как собеседника на несколько часов в день. Собрала ключевые цифры и выводы из недавних исследований на эту тему.

Разбор применения метода DREM (Dynamic Regressor Extension and Mixing) для обучения линейного перцептрона. Рассматривается алгоритм декомпозиции многопараметрической задачи на набор независимых скалярных регрессий. В ходе экспериментальной апробации на синтетических и реальных данных оценено влияние различных параметров на величину MSE и время выполнения, а также проведен сравнительный анализ со стандартными оптимизаторами (SGD, ADAM).

Сборщик мусора в Go обычно воспринимается как что-то, что просто работает. И это, в общем, хорошо: большую часть времени о нём действительно не хочется думать.

Ровно до того момента, когда под нагрузкой сервис начинает тормозить, растут задержки и потребление памяти. В такой момент проверяешь всё подряд: CPU, метрики, сеть, pprof. И среди всего этого про сборщик мусора обычно даже не вспоминают - хотя он вполне может быть причиной просадок производительности.

В Go есть встроенные инструменты, чтобы заглянуть в его работу. Проблема в том, что в реальном запуске это быстро превращается в поток строк и чисел, из которого крайне сложно понять общую картину: стал ли GC вызываться чаще, появились ли долгие паузы, растёт ли потребление памяти.

Я написал gcscope — терминальный визуализатор сборщика мусора для Go. Он показывает, как ведёт себя GC в реальном времени: насколько часто он запускается, как меняется потребление памяти, есть ли моменты, когда паузы становятся заметно длиннее обычного. Работает с любым Go-приложением без правок в коде, и вы сразу видите наглядные графики вместо потока логов. А ещё можно сравнивать поведение своего сервиса до и после изменений.

Привет, Хабр! Меня зовут Максим, в YADRO я разрабатываю методики тестирования аппаратных средств. В этой статье я подробно опишу, как процессоры обмениваются данными в многопроцессорных системах Intel. Расскажу, как здесь выбирать процессор с учетом количества линков UPI (Ultra Path Interconnect) и почему иногда даже мощные серверные процессоры не спасают от тормозов запущенного на них софта.

В материале я буду объяснять базовые понятия, так что он вполне сгодится даже для первого знакомства с темой — аппаратных инженеров, программистов, сисадминов и всех, кому интересна компьютерная архитектура.

В 1982 году Philips и Sony выпустили компакт-диск, и музыкальная индустрия получила самый доходный физический носитель вплоть до наступления эпохи стриминга. В пиковом 1999 году CD-продажи в США принесли около $12,8 млрд из общих $14,6 млрд отраслевой выручки. Совсем скоро эта же технология стала главным врагом индустрии и запустила ожесточенную битву за авторские права. Расскажем об этом подробнее в нашем материале. 

1 июня 2026 года на Computex в Тайпее Дженсен Хуанг объявил NVIDIA Isaac GR00T Reference Humanoid Robot. На сцене он сказал буквально: «Шесть футов, 150 фунтов — прямо как я». Партнёром по железу выбрана китайская Unitree Robotics.

Разберём, что это за платформа, почему NVIDIA выбрала именно Unitree и что это меняет для тех, кто работает с гуманоидами в исследованиях и разработке.

Привет! Меня зовут Янина. В ИТ у меня 5+ лет коммерческого опыта в Delivery, Discovery, Growth, Data Analytics и я постоянно улучшаю свои харды и смотрю, что делают коллеги из других компаний. Хочу поделиться своим мнением и практическими инсайтами с онлайн-конференции Podlodka Product Crew с теми, у кого не было возможности присоединиться.

После выхода Windows 11 пользователи больше всего спорили не о новом дизайне, а о том, что система лишилась части привычных настроек. Многие возможности, которые годами были доступны в Windows, исчезли или оказались сильно урезаны. Особенно много претензий вызывали панель задач и меню «Пуск», где свободы стало заметно меньше.

Похоже, Microsoft постепенно пересматривает некоторые решения первых версий Windows 11. В новых сборках компания возвращает дополнительные настройки интерфейса и одновременно пытается решить другую старую проблему — сбои после установки драйверов через Windows Update. В результате система получает больше возможностей для настройки, а риск столкнуться с неудачным обновлением должен стать ниже. Давайте разберемся, что именно изменилось и как будут работать новые механизмы Windows 11.

Представим, что после очередного сканирования инфраструктуры сертифицированным сканером вы получили красивый HTML- или PDF-отчет на сотни страниц. Его можно открыть, пролистать, даже отправить кому-нибудь на почту, но вот встроить результаты такого сканирования в рабочий процесс обработки уязвимостей уже сложнее. Особенно если речь идет о сертифицированных решениях, которые чаще всего не поддерживают передачу результатов в удобном формате для дальнейшей автоматизации. В итоге данные живут порознь: сканер отдельно, Jira отдельно, DefectDojo отдельно, а аналитики продолжают искать нужные CVE в огромных отчетах.

Под катом не будет слов про домашнюю безопасность или очередной «пентест за 15 минут». Материал рассчитан на специалистов по информационной безопасности, DevSecOps-инженеров и администраторов, которым нужно встроить результаты сетевого сканирования, выполненного сертифицированным сканером, в существующие процессы управления уязвимостями и не переплачивать за платные конвертеры. Разберем, как превратить HTML-отчеты «Сканер-ВС» в структурированный JSON, автоматически загружать результаты в DefectDojo и при необходимости написать собственный парсер для более глубокой интеграции.

В предыдущих своих работах я писал, что анонимную сеть Hidden Lake можно внедрить в любую систему, где существует возможность отправления и получения сообщений. За счёт такой имплементации появляется возможность использовать выбранную систему для генерации анонимного трафика и скрывать свои действия в ней же. В этой статье мы попробуем внедрить Hidden Lake в радиомодуль Meshtastic/LoRa.

Всем привет, меня зовут Илья и я хочу вам рассказать как я после небольшой правки в тераформ я потерял все мастера в кластере Elasticsearch. ЧатГПТ и гугл уже принесли мне лопату чтобы похоронить эти сервера, но начальство сказало: "Может что нибудь придумаешь?". В итоге 6 часов работ и кластер снова живой и зеленый. Хотите знать больше?