Kurgan-Telecom Ru | Информационные технологии

Всем привет! На связи Сергей Козлов, директор Мегаплана — системы управления бизнесом для небольших команд. В сентябре 2025 года мы выпустили масштабное обновление продукта: улучшили интерфейс и пересобрали тарифы. Для нового старта нам не пришлось массово нанимать новых сотрудников. Сегодня расскажу о плюсах подхода «всё своими силами». А ещё дам 5 советов тем, кто тоже задумывается о глобальном изменении продукта, но пока по каким-то причинам на него не решается. 

В ходе одного из недавних собеседований, я столкнулся с нестандартной задачей. Вместо привычных вопросов о метриках, процедурах эскалации и методах решения инцидентов, мне предложили составить детальный план по формированию службы ИТ-поддержки в крупной компании, на первые шесть месяцев её существования.

Несмотря на то, что я обладаю практическим опытом создания технических команд с нуля, внедрения CMDB и разработки корпоративных регламентов, ранее эти процессы не были формализованы в виде единого стратегического плана. За 6,5 лет работы в холдинге FIBA Group, я глубоко изучил все этапы развития ИТ-команд и проектов изнутри. Данное тестовое задание стало для меня отличной возможностью систематизировать накопленные знания и представить их в виде структурированного документа.

Открыв свою любимую библиотеку ITIL 4, я начал обдумывать проект. У каждого проекта должны быть цели, а значит, и мне нужно их определить. Какими они могут быть для новой службы ИТ-поддержки? В первую очередь - достижение ключевых показателей эффективности (KPI).

Оптимизацию цен часто упрощают: учимся прогнозировать спрос, зная его при заданных ценах — оптимизируем цены, фиксируем прибыль.

И, казалось бы, данные о продажах в прошлом найти нетрудно, готовых фреймворков с алгоритмами оптимизации — десятки, осталось только немного «поиграть в kaggle», обучив хорошую модель для предсказания спроса и всё готово!

Но на практике всё намного сложнее. Почему модель, идеально прогнозирующая спрос, может предлагать цены, разоряющие бизнес? Может ли максимизация прибыли привести к потере покупателей в долгосрочной перспективе? Почему оптимизатор может считать, что яблоки должны продаваться по цене iPhone? В этой статье разберём эти и прочие «смертные грехи» ценообразования с помощью ML.

386 — редкий случай, когда топология кристалла напрямую пересекается с историей индустрии. В этой статье разберём, как переход x86 на 32 бита и смена NMOS на CMOS отразились на самом чипе: где живут тракт данных и ПЗУ микрокода, почему shrink с 1,5 до 1,0 мкм дал ~60% экономии площади, но потребовал переложить блоки и переосмыслить разводку. Посмотрим, чем DX отличается от SX на уровне бонд-площадок и шин, и почему у 386 SL транзисторов стало втрое больше — из-за интеграции контроллеров, SMM и логики управления питанием.

Это взгляд на 80386 через микрофотографии — и на эпоху, в которой Compaq перехватил архитектурное лидерство у IBM.

На связи Ульяна Айкович, UX-исследователь и адепт статистики из БКС Мир Инвестиций. Сегодня я расскажу, в каких случаях применять статистические тесты, как легко реализовать их в гугл-таблицах, а также, как интерпретировать результат этих тестов. Не бойтесь, будет много практики и совсем немного важной теории.

В статье детально расскажем, как и когда применять биноминальный и χ²-тесты на наших кейсах.

В данной работе мы доказали, что структура параметров в ECDSA является строго детерминированной и не зависит от случайности . Это свойство вытекает из линейного соотношения , которое формирует регулярную сетку параллельных линий на торе. Мы применили методы топологического анализа данных (Mapper, персистентная гомология) для визуализации этой структуры и показали её криптографические последствия.

В статье развенчивается распространённый миф о том, что ИИ в алгоритмической торговле является «волшебной таблеткой» для автоматической генерации прибыли. Автор утверждает, что успех возможен только на основе глубоких исследований, и выделяет два ключевых направления применения ИИ:

Для профессионалов: как инструмент для ускорения и масштабирования проверенных торговых систем.

Для новичков: как интеллектуальный помощник для снижения порога входа, обучения программированию и быстрого создания первых торговых алгоритмов.

В практической части на примере платформы AmiBroker демонстрируется, как с помощью ИИ (модели DeepSeek) можно написать код простой моментной стратегии для фьючерса на акции Сбербанка. Приводятся результаты бэктестирования стратегии, которые показывают её потенциальную доходность, но также и значительные просадки, что подтверждает тезис о необходимости дальнейшего анализа и доработки.

Основной вывод статьи: ИИ — это мощный инструмент, который не заменяет глубоких знаний, но значительно ускоряет процесс обучения и тестирования идей, особенно для начинающих трейдеров.

Все мы любим свои пет-проекты. И порой кажется, что они для чего угодно, но не для заработка денег. Их максимум — прокачаться, пощупать новое, закрыть рутину, нести добро в мир. А что, если я вам скажу, что это не так? Что ваши «питомцы», помимо всего перечисленного, могут (и должны) приносить прибыль.

Ваш AI-агент ведет себя как капризный стажер и доказывает, что 2+2=5? Или вы уже третью неделю пытаетесь дообучить модель, а она делает вид, что не понимает, чего вы от нее хотите?

Кажется, пора признать: классические подходы не работают. Пока одни AI-инженеры кропотливо готовят данные и тестируют их, другие непослушные инженеры открыли простую истину. Они всё делают наоборот: не тестируют агентов, кормят модель мусором и открывают ей полный доступ к конфиденциальным данным.

И знаете что? У них получаются самые незабываемые агенты!

Мы в команде Cloud.ru подумали: зачем бороться с этой гениальной стратегией? Гораздо эффективнее ее систематизировать: таким инженерам нужно давать не полезные, а вредные советы. Они все сделают наоборот, и получится как раз правильно.

В статье собрали вредные советы для идеального саботажа. Читайте и внедряйте.

Erlang-совместимые битовые строки в Go: создаём funbit

TL;DR: Мы перенесли битовый синтаксис Erlang в Go, чтобы парсить бинарные протоколы без боли. Получилась библиотека funbit — декларативный парсер с поддержкой не выровненных по байтам данных.

Предыстория

В процессе разработки funterm — мультиязыкового REPL, объединяющего Python, Lua, JavaScript и Go — мы столкнулись с необходимостью эффективной работы с бинарными данными. Нужно было парсить сетевые протоколы, обрабатывать структурированные данные и работать с битовыми полями на уровне отдельных битов.

Раньше люди думали, что свет - это луч, состоящий из частиц. Потом поняли, что волна. Потом увидели, что свет проявляет свойства и частицы и волны и придумали корпускулярно-волновой дуализм. Современные физики говорят, что прежнее понятие корпускулярно-волнового дуализма уже устарело. Так и что же такое свет и как сегодня следует понимать корпускулярно-волновой дуализм?

В ИТ это знакомая ситуация. Вроде бы берёшь человека «на проект», а через пару месяцев он сидит у тебя в офисе каждый день, ходит на планёрки, слушает руководителя команды и получает фиксированную оплату. На бумаге подряд. По факту самый обычный трудовой договор. И именно здесь начинается зона риска.

В предыдущей статье "Адаптированный паттерн Command с использованием Dependency Injection", я описывал как инкапсуляция логики приложений в отдельные объекты-функции позволяет получить преимущества в архитектуре приложений.

В качестве основы для концепции объекта-функции мной был выбран известный паттерн Command, но обсуждение статьи показало, что читателям тяжело отказатся от слишком узкой специфики паттерна Command и это мешяет восприятию материала.

Эта статья пытается исправиль допущенную автором ошибку.

Статья является дополнением к предыдущей.

Один из специалистов по восстановлению данных покончил с собой. Катастрофа случилась из-за чудовищной халатности.

Что, если Greenplum пережил перерождение?
Новый проект Greengage DB возвращает PostgreSQL в большую игру — теперь с авто-масштабированием, чистым ядром и реальной совместимостью.
Разбираемся, почему этот форк может стать «Linux для аналитики».

Уважаемые коллеги, руководители государственных компаний, министерств и ведомств, курирующих национальные проекты и ОПК!

Объем государственных инвестиций в НИОКР в рамках национальных проектов и оборонного заказа на ближайшие годы оценивается в 2–5 триллионов рублей ежегодно. Это масштабные ресурсы, направленные на технологический прорыв и укрепление суверенитета страны, которые обладают высоким мультипликативным эффектом на все отрасли экономики. Однако ключевой вопрос, который мы должны задать себе: какая часть этих средств будет потрачена эффективно, а какая — на совершение и исправление ошибок, задержки по срокам и неоптимальные инженерные решения?

Данные ряда международных исследований начиная с 2010 года показывают, что в привычном течении процессов разработки в среднем 37% бюджета НИОКР тратится не результативно — на устранение ошибок, выявляемых на поздних стадиях работ, что приводит к значительным скрытым повторным трудозатратам,  дорогостоящим переделкам аппаратуры и затягивает циклы испытаний-доработок. В масштабах российского госбюджета это от половины до полутора триллионов рублей ежегодных потерь на ошибки, для исключения которых уже есть зарекомендовавшая себя методология.

Решением этой проблемы является системное моделирование — целенаправленная политика обязательного применения “исполняемых системных моделей” на всех этапах жизненного цикла техники: от проверки концепций до формирования технических заданий и планов проектов, и далее в этапах проектирования, испытаний и сопровождения.

Многим людям нравится научная фантастика, я тоже люблю иногда почитать "Автостопом по галактике" или посмотреть "Интерстеллар". Во время потребления подобного контента возникает один и тот же вопрос: как они путешествуют на такие далекие расстояния за такое короткое время? Я хочу попробовать ответить на этот вопрос с точки зрения релятивистской механики.

В данной статье мы рассмотрим полет ракеты с Земли до ближайшей к Солнцу звезде - Проксиме Центавра.

Неверные настройки не всегда выглядят как критические уязвимости, но именно они часто становятся причиной сбоев и потери данных, а также точкой входа для злоумышленников. ФСТЭК России в рекомендациях по безопасной настройке Linux подчеркивает важность исправления мисконфигураций, однако наш анализ показал: около 90% компаний нарушают хотя бы одно требование из методики, а почти половина — четыре и больше. В этой статье разберем процесс исправления мисконфигов в разрезе требований ФСТЭК и покажем, как это реализовать на практике.

В кейсе рассказываем, как с помощью контекстной рекламы за 3 года получили 3 891 обращение по 1 786₽ для готового бизнеса мини-кофеен самообслуживания.

Сколько раз вы начинали новый ML-проект и первым делом отправлялись на поиски подходящих данных? Процесс этот знаком каждому: есть задача, выбрана архитектура модели, но без качественного датасета дальше не продвинуться. Тут и начинается квест по бесконечному поиску «того самого» набора по репозиториям, форумам и каталогам. 

Хороших датасетов множество, но найти среди тысяч вариантов нужный — отдельная история. Чтобы облегчить вам эту задачу, мы сделали подборку датасетов, которые активно используются ML-инженерами: от классических наборов данных, известных каждому, до новичков в информационном поле.