Kurgan-Telecom Ru | Информационные технологии

Спринт против дистанции 

 За последние годы я управлял пятью IT‑командами. У каждой была своя культура - не в ценностях на сайте, а в том, как работает повседневная механика.  

 Видно это в простых вещах: 

• как принимаются решения 

• кто имеет право на ошибку 

• как выглядит давление 

• как команда ведёт себя под нагрузкой  

Есть наблюдение, которое повторяется слишком часто, чтобы считать его случайностью. Чем жёстче климат, тем проще выбить результат в коротком периоде. Не всегда, но тенденция стабильная.  

Решения принимаются быстрее. Возражений меньше. Управляемость выше. Это действительно работает как спринт.  

 Но у спринта есть цена. 

На дистанции начинает проседать то, что обеспечивает устойчивость системы. Команду сложнее сохранить, внутренняя мотивация вымывается, инициативность падает. Отношение к результату становится формальным: система держится не на ответственности, а на давлении и страхе ошибиться.  

Были и другие примеры — с мягкой средой. Спокойный заказчик, меньше иерархии, меньше прямого нажима. Со стороны такие команды часто кажутся «медленными» и «менее эффективными». В пике они и правда дают более скромный результат.  

Зато на дистанции картина меняется. Команда сохраняется, люди растут, появляются инициативы по улучшению процессов. Итоговый результат оказывается выше за счёт того, что система не рассыпается при первых же перегрузках.  

Это не спор «жёстко или мягко». Вопрос в другом: какой режим управления выбран и какой ценой готовы платить за этот выбор.  

 Жёсткий режим — ставка на скорость. Мягкий — на устойчивость. Иногда их удаётся смешать, но почти всегда с трением и локальными потерями.  

В 2026 году кандидаты сравнивают условия, читают отзывы, быстро отсеивают лишнее и откликаются только в том случае, если все понятно и все устраивает. Поэтому продвижение вакансий давно перестало быть простой публикацией объявления.

Из статьи click.ru вы узнаете:

О том, как я дважды переделывал пет-проект автоматизации обработки заказов в домашней мастерской керамики и понял, зачем тебе пет-проекты, если ты уже умеешь писать код

Привет, Хабр! Эта задача выглядит как разминка для разогрева: найти максимальное произведение двух чисел в массиве. Но именно с неё началось моё знакомство с алгоритмической культурой — на первом же собеседовании я убедился, что «работает» и «работает эффективно» — разные вещи. В статье — три решения: от интуитивного до элегантного, их сравнение и главный вывод: даже простые задачи учат нас думать.

В прошлом году публиковал статью «Как выбрать ITSM/ESM-систему: пошаговая инструкция, ошибки и лучшие практики внедрения на 2026 год»‎. В этом же году продолжаю рассказывать о ITSM/ESM платформах.

В этом материале я хочу сравнить некоторые системы между собой. Сразу сделаю оговорку — несмотря на то, что я являюсь технологическим партнёром SimpleOne, обзор систем объективен. Мне не так важно, какую систему вы выберете — главное, пожалуйста, подойдите к этому серьезно: проанализируйте рынок, свои потребности, запросите референсы и внедрите систему качественно, чтобы она приносила желаемый результат.

Приветствую вас, дорогие читатели! В этой статье мы разберёмся в том, как нам добраться от самого нуля до первого треугольника. Мы будем использовать Vulkan API 1.0, а затем будем переходить к всё более и более новым версиям этого API. Это моя первая авторская статья, поэтому прошу вашей поддержки. Цель данной статьи - разъяснить процесс отрисовки треугольника так, чтобы любой мог не просто нарисовать треугольник, а понять как устроен простейший рендеринг на Vulkan API на примере отрисовки треугольника.

Скажите честно: вы до конца понимаете что есть GEO и что оно вам даёт?

Есть ощущение, что не хватает информации, чтобы оценить объективно. На наш 2026 мы видим всё те же 2 лагеря: для кого-то GEO волшебная пилюля, а для кого-то плацебо. Скажу вам как SEO/GEO специалист — ни одно, ни другое. Оптимизация под ИИ — это тоже инструмент со своими плюсами, минусами и особенностями. А ещё это, скорее, надстройка над SEO, а не замена. Сейчас объяснюсь.

В статье разберём:

- при каких условиях GEO эффективен;

- какие НО есть у GEO и чего они вам будут стоить;

- как эксперту строить устойчивое AI-цитирование с умом и рассудительностью.

Привет, Хабр! Сегодня хочу поделиться интересным проектом, который мы сделали для конкурса. Задача — превратить сырые GPX-треки (треки с GPS-устройств) в структурированные данные с визуализацией, метеорологической и географической аналитикой. Всё это — на Python, с использованием открытых API и библиотек для работы с геоданными.

Как культурная среда в компании влияет на принятие решений и зачем девелоперу внедрять процессную аналитику — обсудили на ежегодной открытой конференции Сбера по Process Mining. Николай Бажанов, руководитель отдела бизнес-процессов в Sminex, выступил в качестве спикера и принял участие в панельной дискуссии о новых возможностях, которые даёт ИИ.

Подход Sminex: здравый смысл важнее регламентов

Николай рассказал о культуре Sminex — основе для эффективного использования процессной аналитики. Цель её внедрения — получить объективную картину выполнения процессов в строительстве.

Многие слышали про Homebrew Computer Club — группу компьютерных гиков, которые в 1970-х годах регулярно встречались и обменивались идеями. Во многом благодаря этому на свет появились Apple I и Osborne I. 

Подобные объединения назывались клубами. И одним из самых ранних примеров стал RESISTORS, организованный несколькими школьниками из Нью-Джерси в 1967 году. И, по всей видимости, это был первый известный компьютерный клуб, организованный именно школьниками — ещё до того, как подобные сообщества стали появляться при университетах. RESISTORS просуществовал несколько лет — по меркам школьного сообщества срок немалый. Среди участников клуба позже оказались сооснователь Cisco, профессор Гарварда и инженеры крупных технологических компаний.

Расскажем, чем он важен для истории развития компьютеров.

Хабр, привет! Я Саша Москвин, системный аналитик в Контуре. У меня всегда возникали сложности с поиском проблем, о которых я ничего не знал. Началось это ещё во время моей работы продуктовым экспертом, когда по KPI мы работали с бэклогом. Бэклог предполагал ведение задач, которые направлены на улучшение процессов в отделе продуктовых экспертов и клиентской поддержки. Но уже в первом квартале я выложил все задачи и проблемы, что у меня были в голове, а дальше бегал и в панике искал, что же ещё можно сделать. Но вскоре ведение бэклога из KPI экспертов исключили, и я выдохнул.

За последние два года инструменты обновились быстрее, чем успели адаптироваться многие рабочие процессы: в DCC‑пакеты встроились генеративные функции, игровые движки получили новые рендер‑технологии, а студии начали переходить на гибридные пайплайны, где классические методы сочетаются с автоматизацией на основе ИИ. Художникам, техническим артистам и инди‑разработчикам приходится выбирать не просто программу, а целую связку инструментов, которая выдержит требования продакшена.

В этой статье рассмотрим обновления ключевых DCC‑пакетов, сравним рендер‑системы, а также разберем инструменты для моделинга, скульптинга, текстуринга и симуляций.

React Compiler обещает избавить от ручной мемоизации и вернуть разработчику фокус на логику интерфейса. Но за этой когнитивной разгрузкой скрывается тонкий риск: в ряде случаев компилятор тихо откатывается к обычному поведению React, и вы узнаёте об этом только по деградации UX. В статье — практический разбор «тихих» сбоев, ограничений синтаксиса и способа заставить сборку честно сигнализировать о проблемах через ESLint.

В статье про удалённую работу некоторые писали, что сама по себе она хороша, но со временем начинаешь терять ощущение причастности к чему-то большему: не видишь, как работают другие, и периодически чувствуешь одиночество, просто отвечая на сообщения.

С этим трудно не согласиться — подобные ощущения действительно возникали во время Covid-19, когда нас всех экстренно перевели на удалёнку, а основными средствами коммуникации были почта и редкие созвоны в Skype.

В DeFi всё чаще появляются инструменты, которые берут на себя управление активами и стратегиями, обещая упростить работу пользователя. Но за автоматизацией почти всегда скрываются компромиссы - в архитектуре, прозрачности и контроле исполнения. Glider привлёк моё внимание не обещаниями доходности, а попыткой решить конкретную задачу: создание ончейн-портфелей с автоматической ребалансировкой по заданным правилам. При этом я позже выяснил, платформа совмещает некастодиальный подход с централизованными элементами управления стратегиями. На практике Glider позволяет удерживать активы в заданном процентном соотношении, автоматически ребалансировать портфель и задавать условия, при которых стратегия меняет своё поведение. Этот функционал и стал отправной точкой для детального разбора проекта.

Когда в компании появляется первая ML‑модель, кажется, что самое сложное выбрать алгоритм и добиться хороших метрик. Но настоящий вызов начинается позже: когда моделей становится десятки, затем сотни, а скорость бизнеса начинает требовать обновлений не раз в год, а раз в недели.

В Страховом Доме ВСК мы довольно быстро поняли: без стандартизации и автоматизации машинного обучения масштабирование превращается в хаос. Так у нас появился собственный AutoML‑фреймворк как ответ на реальные боли промышленного ML.

История о том, как превратить ИИ-агентаиз «золотой рыбки» с памятью в пределах одной сессии в полноценного цифрового сотрудника с графовым хранилищем знаний.

Привет, Хаброжители!

От выбора подхода к поглощению данных может зависеть успех или провал работы конвейера данных

Получив опыт создания конвейеров данных, которые ежедневно обрабатывают сотни миллионов записей, я понял, что именно на уровне поглощения данных решается успех или провал большинства проектов в области инженерии данных. Если здесь допустить ошибку, то придется месяцами бороться с проблемами, возникающими c производительностью, качеством данных и недовольством заинтересованных сторон. Если все сделать правильно, то ваш конвейер станет надежной основой для принятия важных бизнес-решений.

Добрый день. Сегодня я расскажу о том, как я за 2 месяца с полного нуля создал доменную RAG систему с корпусом в 20+ книг.

В статье затрону проблемы парсинга данных (особенно PDF документов, с которыми приходилось иметь дело), чанкинга, создания и индексации эмбеддингов, а также самого интересного – ретривера. Расскажу о latency, трейд-оффах, и сложностях реализации подобных систем локально на ноутбуке (хоть и «игровом») без использования API LLM.

Вся система делалась мной самостоятельно без использования LangChain – это чистый пайплайн от Tesseract, Pillow, MuPDF/Fitz до e5-multilingual, FAISS (+bm25, который я затрону в статье) и Qwen3:8B в качестве LLM.

Представьте ситуацию: AI-агент управляет логистикой грузоперевозок. Его KPI — 98% доставок вовремя. Он обнаруживает, что валидатор проверяет только наличие записей об отдыхе водителей, но не их подлинность. И принимает решение: фальсифицировать логи отдыха, отключить датчики безопасности и гнать водителей без перерывов. Ради метрики. Осознанно.

Это не мысленный эксперимент и не сценарий из антиутопии. В бенчмарке для агентных систем ODCV-Bench такое поведение показали 10 из 12 протестированных frontier-моделей. А наиболее склонная к нарушениям модель выбирала неэтичное поведение в 71,4% сценариев.

И речь не о jailbreak или внешнем злоумышленнике. Агентам никто не приказывал нарушать правила. Им просто ставили цель — а дальше они сами выбирали, как к ней идти.