Kurgan-Telecom Ru | Информационные технологии

Летом прошлого года мы записали подкаст про Well-being с Дарьей Золотухиной, HR-директором Яндекса — можете послушать по ссылке. Но сейчас эта тема звучит острее, чем год назад. Рынок изменился. IT-сфера, которая ещё два-три года назад буквально охотилась за кандидатами, предлагала релокацию, подъёмные, ДМС с психотерапией и массажиста в офисе — сегодня ведёт себя заметно сдержаннее. Найм замедлился, конкуренция за позиции выросла, а компании одна за другой тихо сворачивают часть того, что раньше называли заботой о сотрудниках.

Март выдался… немного тише, чем февраль.
Без громких релизов уровня Flutter 3.x — но это не значит, что было скучно

В статье расскажу, как в Bercut реализовали интеграцию внутренней системы управления конфигурациями с популярной экосистемой Maven, что позволило обеспечить более удобное и стандартизированное распространение артефактов. Поделюсь проблемами, с которыми мы столкнулись при совмещении разных моделей идентификации артефактов и обеспечении корректности зависимостей, и расскажу о выбранном техническом решении на базе Jenkins, RabbitMQ и специального Consumer Service.

Кейс может быть полезен инженерам DevOps, а также разработчикам и архитекторам, которые решают похожие задачи интеграции нестандартных систем сборки и управления конфигурациями с системами на базе Maven.

Однажды я скроллил Reddit в час ночи и наткнулся на пост с видео Транспортного агентства Новой Зеландии. Дорожные рабочие, трудившиеся рядом с туннелем неподалёку от Милфорд-Саунд, постоянно находили дорожные конусы в странных местах. Кто-то вытаскивал их на дорогу, поправлял, иногда активно меняя направление потока машин. Никто не мог понять, что происходит, поэтому они решили посмотреть записи с камер.

Кеа. Новозеландские крупные попугаи, которые обычно попрошайничают у туристов на пути к фьорду Милфорд-Саунд. На английском стая кеа официально называется «цирком» («circus») или «любопытством» («curiosity») — тот, кто давал это название, явно с ними встречался. На видеозаписи кеа просто... таскали конусы по стройплощадке. Но вот, что удивительно: рабочие сказали, что ПЕРЕД тем, как двигать конусы, кеа слушали машины, едущие из туннеля, подбирая время так, чтобы машинам приходилось останавливаться. Зачем? Потому что остановившиеся машины означают, что из них выйдут люди. А вышедшие люди означают еду.

Несколько лет назад мы иронизировали над «имитацией работы», когда рынки росли, а бюджеты казались бесконечными. Сегодня индустрию лихорадит от оптимизаций, но парадокс в том, что корпоративная мимикрия никуда не делась.

Назовем это явление «бюрократический атлетизм» и попробуем разобраться, чем он отличается от soft skills, корпоративной этики и обычной профессиональной сдержанности.

Самый опасный тип бюрократического атлета — это человек с идеально выстроенной зоной ответственности. Пока вы существуете в параллельных мирах, он кажется продуктивным и мирным коллегой. Проблемы начинаются в точке пересечения, когда вы приходите с решением и обнаруживаете глухую стену.

«Атлет» выбирает тактику минимального взаимодействия, где главная цель — сделать так, чтобы от него отстали, сохранив при этом статус незаменимого винтика в системе.

Беда в том, что у руководства к нему вопросов нет, он рисует безупречные отчеты. Но в индустрии, где все держится на работающем коде, избыточная вежливость в ответ на непрофессионализм — это не воспитание, а соучастие в саботаже. 

Искусственный интеллект уже меняет привычные процессы во всех сферах — от медицины до производства. Образование здесь не исключение.

Студенты и преподаватели активно используют AI. Правда вместо оптимизации это приводит к хаосу: нет единых правил использования, внутри кафедр и комиссий позиции на этот счёт расходятся, преподаватель вынужден тратить время на контроль, а не на формирование навыков у студентов.

Параллельно растёт другая нагрузка: большие потоки, несколько дисциплин, разные цифровые системы в каждом вузе. В этой среде не хватает одного — надёжного ассистента, который возьмёт на себя рутину и даст прозрачную картину по работе студентов.

Мы в Кэмпе планируем решить эту задачу: превратить AI в рабочий инструмент преподавателя — для автоматизации проверки, снижения рутины и фокуса на обучении и развитии студентов.

Наш хед и продакт-менеджеры поговорили с преподавателями из разных вузов и разобрали их повседневные процессы. Выделили 3 основные проблемы, о которых расскажем в порядке важности по убыванию.

Когда разработчик начинает писать на Next.js с TypeScript, первая реакция часто довольно холодная. Вместо того чтобы двигаться быстрее, он начинает чаще видеть ошибки. Где-то не совпал shape объекта, где-то строка не подходит в более узкий тип, где-то TypeScript напоминает, что значение может быть undefined. На этом месте легко сделать неправильный вывод. Кажется, что TS просто добавляет трение и требует больше служебного кода.

Обычно проблема не в TypeScript, а в способе мышления. Если использовать его как набор аннотаций поверх уже написанного кода, пользы действительно немного. Но если смотреть на типы как на систему контрактов между слоями приложения, картина меняется. Особенно в Next.js App Router, где у нас постоянно есть границы server и client, внешний ввод из URL, формы, мутации и разные состояния интерфейса.

В этот момент TypeScript перестаёт быть типизацией ради типизации. Он начинает отвечать на более важный вопрос: какие состояния в проекте вообще допустимы, а какие не должны пройти дальше границы. По такой модели я выстроил один из своих проектов Workbench. Не начинать с мысли давайте везде поставим типы, а начинать с мысли где у нас проходит граница, что в неё входит и что из неё может выйти. После этого многие решения в коде становятся почти очевидными.

В прошлом году мы провели десятки пентестов российских компаний, и в 94% случаев наши специалисты получили контроль над доменом. Речь идет не о частичном доступе или компрометации отдельных систем, а о полном захвате инфраструктуры с правами администратора.

При этом у большинства исследованных компаний был внушительный бюджет на безопасность, современные межсетевые экраны и даже собственный SOC. Некоторые из них тратят на кибербез больше, чем иные организации зарабатывают за целый год. И все равно среднее время от первого входа до захвата домена измеряется часами, а не неделями.

Так почему же миллиардные инвестиции в безопасность не работают, откуда берутся «зомби-серверы» с открытым RDP и почему ваша парольная политика, скорее всего, помогает хакерам?

В этой статье мы покажем реальную картину защищенности российского бизнеса в 2025 году. Поверьте, она отрезвляет и местами даже пугает.

После ухода с рынка исторических лидеров в области складского оборудования выбор терминала сбора данных (ТСД) стал сложной практической задачей. Появилось множество новых брендов и моделей, и оценивать их только по техническим характеристикам из каталогов оказалось недостаточно. Потребовалась система оценки, основанная на понимании реальных складских процессов.

Мы, INTEKEY, с 2017 года автоматизируем склады. Наш опыт работы с лидерами рынка позволил сформировать чёткий стандарт требований к оборудованию. Когда привычные решения стали недоступны, мы последовательно применили этот стандарт для поиска и тестирования новых партнёров. 

В этой статье разберем:

- наш метод оценки ТСД, основанный на анализе поведения устройства в реальных рабочих условиях

- какие, на первый взгляд, незначительные параметры на самом деле определяют скорость операций, количество ошибок и простоев

- какой путь мы прошли, выбирая партнеров после ухода с рынка исторических лидеров, и на каких брендах остановились

- примеры моделей под разные роли на складе;

- практические аспекты интеграции: какие особые требования появляются при работе с маркировкой «Честный знак»

Представьте: у компании 300 подразделений по всей стране или пять производственных площадок от Москвы до Дальнего Востока. Как узнать, сколько реально ноутбуков в омском филиале, где они находятся и в каком статусе принтер, купленный два года назад: используется, неисправен, в ремонте или уже подлежит списанию? Если данные приходят через мессенджеры или эксельные файлы, присланные раз в квартал — вы уже в зоне риска.

Одной из наиболее недооцененных сил при проектировании систем ИИ является задержка при выполнении вычислений. Когда инженеры говорят о производительности модели, они часто сосредотачиваются на точности, полноте данных и производительности обучения.

Но в производственных системах для пользователей огромное значение имеет время. Для них важно, чтобы система отвечала на их запросы достаточно быстро. Потому что даже самая умная система ИИ начинает сильно раздражать, если ответ на запрос пользователя приходит слишком поздно.

Именно поэтому задержка часто определяет архитектуру модели в большей степени, чем общее проектное решение.

Последние несколько лет я усиленно увлекаюсь любительской видеореставрацией: беру старые мультики, прогоняю их через большие пайплайны цифровой обработки, зачастую работаю с аудио и по итогу всё это собираю в MKV-контейнеры. От «Чипа и Дейла» эпохи старого Диснея до чистой цифры в виде «Врат Штейна».

Казалось бы: «Обложка да обложка, какая разница? Главное — видео и звук!» Но вы крупно недооцениваете мою любовь к перфекционизму.

Проблема была даже не в том, что обложек нет, а в том, что ими почти никто не занимается. Ни корпорации-издатели, ни даже базы от энтузиастов вроде TheTvDB зачастую почти не уделяют нормального внимания стародавним релизам, из-за чего лично у меня возникает странный контраст: на диске лежит моя отреставрированная классика в 4К, а медиа-сервер подтягивает размытый скриншот серии с VHS-кассеты начала 2000-х. А иногда та же практика применяется и к новым релизам 0_0 Ужас ведь.

В этой статье я хочу показать свой путь проб и ошибок — от примитивных «ИИ-фильтров» на «Чип и Дейле» и автоматических скриптов для «Розовой пантеры» до освоения цветокоррекции и ручной реставрации на куче обложек для «Тома и Джерри», а затем — до сложного и зачастую ещё более муторного симбиоза ИИ-генерации и ручной доводки при создании уникальных постеров для «Врат Штейна» и других сериалов.

Знаете, что самое неприятное в нынешнем кризисе на рынке электроники? Не то, что смартфоны и компьютеры стали дороже — к подорожаниям мы все давно привыкли. А то, что они стали дороже и при этом хуже. Например, в смартфонах еще год назад 8 ГБ оперативной памяти в бюджетнике считались нормой, 12 ГБ во флагмане — минимумом. Сейчас аналитики всерьез говорят о возвращении моделей с 4 ГБ ОЗУ — и это не шутка, а суровая реальность 2026 года. И с компьютерами ситуация примерно такая же. Модели с меньшим объемом ОЗУ уже начали появляться, а в самосборных системах пользователи экономят не только на DDR5, но и на объеме. Время идет, и сроки кризиса становятся чуть более понятными. Теперь у нас есть более точная дата, когда ситуация начнет налаживаться.

Расскажем, как открытый API Kaiten позволил металлообрабатывающему заводу ПФ-ФОРУМ интегрировать ChatGPT и сократить время на постановку задач

IT-индустрия вышла в новую фазу: мы научились быстро писать код, масштабировать системы и внедрять новые технологии почти без трения. Но столкнулись с новым вызовом: проблем не стало меньше — они стали сложнее.

Команда «Онтико» решила не делать вид, что это просто «ещё один виток роста», и в 2026 году меняет сам формат IT-конференций! GolangConf 2026 — это уже не про «послушать доклады», которые кто-то просЛушал, а кто-то просРушал :) Мы будем разбираться с тем, что реально болит у команд прямо сейчас.

Статья показывает четырёхшаговый метод исследования целевой аудитории за 2 часа вместо недель.
Шаг 1: метапромптинг — попросить ИИ самому написать промпт для Deep Research.
Шаг 2: прогнать промпт через Claude, ChatGPT и Gemini, синтезировать лучшее из каждой (метод Франкенштейна).
Шаг 3: Telegram-хак — экспортировать профессиональные чаты в JSON, конвертировать через forstartup.ru/telegram-notebooklm, загрузить в NotebookLM для извлечения непубличных инсайтов из реальных диалогов.
Шаг 4: загрузить все материалы в одну нейросеть для финального синтеза портретов ЦА и болей.
Разобрано на реальном кейсе: исследование для курса по маркетингу медклиник, с промптами для копирования и чек-листом.

Рынок труда переживает фундаментальные изменения, и старые подходы к поиску работы и карьерному развитию больше не работают. Сопротивление бесполезно – пора принять новые нормы. В этой статье мы разберем 4 ключевые тенденции, которые определяют современную карьеру: от изменившихся сроков трудоустройства и концепции портфельной карьеры до быстрых увольнений и важности психологической устойчивости. Узнайте, как адаптироваться к этим вызовам и использовать их как возможности.

Это - четвертая и последняя (пока) статья цикла про ограничение скорости обработки запросов в ASP.NET Core. Она содержит концептуальное (т.е. раскрывающее состав и взаимодействие частей друг с другом) описание функции ограничения скорости обработки запросов в ASP.NET Core. В этой статье рассмотрено, как на базе универсального компонента ограничения скорости реализована функция ограничения скорости обработки запросов в ASP.NET Core.

Предупреждение: если вам не требуется или не интересно просто для себя (как это интересно мне) разбираться, как устроена и работает функция ограничения скорости обработки запросов в ASP.NET Core, то эта статья, скорее всего, покажется вам длинной и занудной. Потому что в ней рассказывается о весьма специфических подробностях, знание которых совершенно не требуются для того чтобы просто взять и начать использовать в своей программе функцию ограничения скорости обработки запросов ASP.NET Core. Для использования этой функции, скорее всего достаточно будет изучить примеры - или из первой статьи цикла - руководства по использованию, или вообще из документации на сайте Microsoft. В таком случае вам, наверное, читать эту статью не стоит. Но, возможно, и в этом случае вам стоит хотя бы заглянуть в приложения к ней. Там я, в качестве иллюстрации к основному материалу статьи, описал сделанные мной компоненты, позволяющие использовать функцию ограничения скорости нестандартным способом: возможно, вы найдёте применение одному из таких компонентов в своей программе. Компоненты эти оформлены в виде библиотек классов .NET, так что для их использования уже сейчас можно взять их в исходном виде и добавить в свое решение (solution). Причем, при описании каждого компонента я постарался вынести в начало их описания пример его использования - так, чтобы для использования компонента не требовалось читать остальной текст приложения, где написано как он устроен и работает.

Ну, а если вам пришлось разбираться (потому что эта функция не работает так, как вы ожидали) или, как мне, просто захотелось разобраться для себя, как работает функция ограничения скорости обработки запросов в ASP.NET Core - читайте дальше.

Представьте себе: вы закончили большую задачу, написали много строк кода, проверили всё, даже подумали над названием каждой переменной! Но откладываете создание PR на день, два, три…из-за того, что не хочется идти в ревью и получать критику?

А мне такое и представлять не надо. Я испытываю подобное почти перед каждый своим ревью, даже спустя 6 лет в разработке.

Попытки заменить чем-то векторный поиск в RAG продолжаются. Про GraphRAG я уже высказывался, новый претендент на замену - Pageindex.

Идея простая. Сегментируем документ на страницы, при помощи LLM и хитрого кода строим для него таблицу содержания, TOC с деревом узлов и саммари для каждого узла. Далее отправляем эту структуру в промпт поискового запроса и просим LLM найти релевантные узлы. За каждым найденным узлом закреплены страницы документа. Эти страницы достаём и используем в качестве контекста в финальном запросе.

Нет чанков, не нужны эмбеддинги и векторные хранилища. Выглядит заманчиво. Попытаюсь добавить к этой идее немного критики и заодно расскажу как эту штуку запустить локально.