Kurgan-Telecom Ru | Информационные технологии

Недавно вышел новый релиз GigaIDE, c момента прошлого релиза прошло значительное количество времени, а значит, команда создающая инструмент, скорее всего не сидела без дела, а неустанно штормила и реализовывала фичи. Завариваем чаю и пробуем. Тем более выход новой версии сопровождался новостями на различных медиа площадках и ребята обещают нам свой собственный маркетплейс.

Я распечатал доклад, стараясь не поломать авторскую речь и мысль. Но всё таки доклад не читался, а произносился по памяти и слайдам, поэтому несколько слов убрал или заменил. Доклад на полчаса, выложу в двух частях.

Представление - Доктор физико-математических наук, профессор РАН, генеральный директор института Айри, декан факультета искусственного интеллекта МГУ Иван Оселедец с докладом «Успехи и проблемы больших языковых моделей».

Дальше говорит Оселедец.

Да, всем доброе утро. На самом деле у меня будет такое, с одной стороны, рассказ действительно об успехах, некоторые анонсы нашего института, и в конце я немножко порассуждаю о проблемах, которых много, и над чем, собственно, мы думаем, над чем работаем, какие были получены в этом году результаты. В целом, на самом деле, институт и наши сотрудники неплохо поработали в этом году. У нас мы считали 93 статьи на конференции, то есть больше, чем все остальные центры которые этим занимаются что приятно, но конечно статьи не является самой целью, у нас довольно много практических историй.

Если переходить к докладу, то недавно вышло интервью Андрея Карпаты. Очень интересный, кто не видел, посмотрите. Полтора часа, и не суммаризация . Много интересных мыслей. Одна из мыслей, за которую я так зацепился, которая была не очень очевидна.

Иногда говорят, что языковые модели просто запоминают. Мы долго-долго объясняли, как работают языковые модели, что есть этап предобучения, мы сгружаем все данные из интернета и обучаем модель. Наконец-то general public, если говорить по-английски, обыватели поняли это, это хорошо. Но, с другой стороны, поняли все равно многие неправильно.

Я давно живу в США и уже много лет работаю в IT на удалёнке – часть времени из дома, часть из коворкинга. Мне этот формат казался уже достаточно стандартным для всего мира. Но недавно наткнулся на исследование форматов занятости в России, и сильно удивился: кажется, «эпоха удалёнки» в России действительно подходит к концу.

Решил посмотреть на факты, сравнить с тем, что происходит в США, и обсудить с сообществом Хабра: удалёнка действительно теряет позиции – или просто меняет форму?

Перефразируя известный мем: «вопрос смешной, ситуация страшная».

Поймут те, кто пытался собрать свои достижения к перфоманс ревью или для смены работы и влетал в тотальный ступор: чем‑то точно занимался эти полгода/год/три, но чем? Когда дофига всего делаешь, особенно, в быстром темпе, легко забыть, что было даже совсем недавно.

«Пилил баги, фиксил фичи», — за такое ни рейза не дадут, ни оффера. И что делать, чтобы сэкономить себе время и нервы?

Привет! Меня зовут Николай Огоров, я Big Data-инженер в Авито. В этой статье я и мой коллега Айк Оганесян расскажем, как обеспечили пользователей инструментами, которые дают им возможность самим создавать витрины в хранилище Авито без привлечения специалистов. Эта история больше про подходы, решения и философию, которые позволяют жить в парадигме, когда потребностей на создание объектов DWH стало сильно больше, чем возможностей Data-инженеров.

Я работаю старшим фронтенд-разработчиком в it-отделе одного из крупнейших федеральных застройщиков. Специфика разработки в такой непрофильной компании — сроки спускаемые сверху и вообще не имеющие корреляции с реальными ресурсами и возможностями команды. Именно поэтому мы работаем очень быстро, постоянно пытаясь получить (максимум результата)*3 за (минимум времени)/4.

В этих условиях мы делали большие интеграции с headless CMS Directus и непосредственно с бекендом, используя моковые данные на фронте.
Интеграции были большие и быстрые — и вот тут-то и стало видно, что большинство фронтенд-разработчиков не очень понимают, как подготовить интеграцию, чтобы потом было быстро и не больно заменять моки на реальные ответы. В этой статье пойдет речь о таких подходах на фронтенде,

Упереться в лимит 4 миллиарда строк в TOAST-таблице или поймать OidGen lock при массовой заливке документов — страшный сон администратора PostgreSQL. Хотя архитекторы советуют выносить файлы в S3, реальность часто диктует хранение внутри БД. Руководитель группы по оптимизации приложений Александр Попов разбирает, как работают стандартные механизмы bytea и pg_largeobject, где находятся их «бутылочные горлышки» и как эти ограничения обходятся в Postgres Pro Enterprise.

В этой статье мы продолжим изучать историю технологии Wi-Fi. В прошлый раз мы остановились на то, что внимательно изучили передовую технологию 802.11a и очень расстроились, что она не снискала популярности. Но ведь в один год с ней вышла и другая версия стандарта  - 802.11b. Что с ней?

Привет, Хабр! Недавно у меня появилась задача - собрать RAG-систему для интернет-энциклопедии. В поисках решения я вышел на новый подход к гибридному RAG - “DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval-Augmented Generation” (Динамическая настройка Альфа-параметра для гибридного поиска в RAG). 

Поиск по Хабру и Рунету показал, про подход DAT на русском языке еще не рассказывали, поэтому спешу поделиться находкой с вами и обсудить преимущества и недостатки этого метода. Эта статья - упрощённый пересказ научной работы. Материал будет интересен как продвинутым, так и начинающим разработчикам RAG-систем.

Сегодня я хочу показать и рассказать вам, как, подключив к ESP32-S3 тепловизионную матрицу MLX90640, можно запустить веб-сервер для стриминга теплового изображения с определением в реальном времени того, какие сущности попали в поле зрения тепловизора.

В моём случае была обучена свёрточная нейронная сеть для классификации трёх сущностей в инфракрасном спектре: кошки, человека или же отсутствие двух предыдущих.

Данная система является полностью автономной, и инференс TensorFlow Lite-модели происходит прямо на борту микроконтроллера.

В работе над продуктом данные — это главный помощник. С их помощью принимают решения на всех этапах — от создания до развития. Вместо того чтобы гадать, как поступит пользователь, смотрят на реальные факты: как люди пользуются продуктом и какие результаты это даёт бизнесу.

А что на счет самих данных, если мы их рассматриваем как продукт? Как будем оценивать их ценность, как будем планировать их развитие?

В статье предлагаю экспериментальный набор UX‑метрик: они помогут увидеть, где ваш продукт реально теряет пользу для пользователя. Методика готова к тестированию — цифр пока нет, но каркас для расчётов уже работает.

Иногда впечатление от алгоритмических задач такое, будто вас просят не решать проблему, а угадать «правильный» трюк из головы автора. В этой статье мы посмотрим на те же самые leetcode-подобные задачи глазами человека, который устал изобретать стеки и динамику на собеседовании и попробовал формулировать их как задачу оптимизации для солвера ограничений.

Разбираем, как привычные «найди максимум при таких-то условиях» превращаются в компактные декларативные модели, зачем вообще нужны такие упражнения, что они говорят о собеседованиях и о нашем отношении к алгоритмам — и где у подхода с MiniZinc/constraint solving проходят естественные границы.

Наше исследование внешней части Солнечной системы выявило множество ледяных спутников, многие из которых имеют поверхностные особенности, указывающие на сложную геологию. В некоторых случаях эти особенности, в частности гейзеры Энцелада, указывают на наличие океанов под ледяной поверхностью. Их наличие объясняется гравитационными взаимодействиями, которые вызывают деформацию и трение внутри спутника, что создаёт достаточно тепла, чтобы расплавить внутреннюю его часть.

Чуть меньше внимания уделяется тому факту, что некоторые из этих орбитальных взаимодействий являются временными или циклическими. Орбиты любого тела не всегда регулярны и часто имеют долгосрочные циклы. Это также верно для других спутников, которые создают гравитационное напряжение. В результате внутренние океаны могут фактически появляться и исчезать, поскольку внутренние части спутников тают и замерзают заново.

Меня зовут Александр, я развиваю проект Cheaper - это сервис поиска лучших цен на нужный товар на маркетплейсах и в интернет-магазинах. Подробнее про наш проект писал раньше на Habr. Но рассказать я хочу не про нас, а про "благотворительность" Озона. Почему благотворительность в кавычках? Читайте ниже.

Так получилось, что мы очень плотно общаемся с разными продавцами на маркетплейсах, а раньше помогали им выстраивать продажи на различных площадках. С некоторыми поддерживаем отношения до сих пор. Один из них занимается продажей средств реабилитации для инвалидов на Озоне и рассказал нам о том, что происходит на маркетплейсе в последнее время.

За полгода активного использования Cursor IDE я была поражена тем, насколько этот инструмент изменил мой подход к работе. Разработка превратилась в удовольствие: поэтапное планирование, реализация, умные подсказки – агент выполняет задачи активно, быстро и, что самое главное, практически именно так, как я хочу.

Конечно, всегда есть к чему придраться, но существенных минусов становилось все меньше. Cursor-подобные IDE и LLM постоянно развиваются: с переходом на последние модели и увеличением контекстного окна, мощь инструмента достигла такого уровня, что повседневные задачи решаются за минуты, и я уже практически не задумываюсь о технической рутине.

Казалось бы, недостатков почти нет. Однако, всякий раз, приступая к новой задаче, я начинала новый чат. Мне не хотелось перечитывать свои диалоги недельной давности, искать там контекст. Но настоящая проблема возникает, когда задача переходит ко мне от другого разработчика. У меня нет доступа к его диалогу с чатом. Я не знаю, почему он принял те или иные решения, какие варианты он и AI отбросили. Мне приходится заново вводить Cursor в суть задачи, тратя время на объяснение того, что AI-агент моего коллеги уже знал.

Еще одной проблемой всегда остается отсутствие наглядного понимания хода проекта. Глядя на код, я вижу результат, но не процесс. Я не вижу, как менялась логика принятия решений и куда движется архитектура. Git Log дает мне сухие факты ("изменен файл X"), но не дает ментальной модели.

Получается парадокс: наши локальные AI-агенты умнеют с каждым днем, но как команда мы страдаем от "коллективной амнезии" и отсутствия единой картины мира. Именно это натолкнуло меня на идею Когнитивного слоя проекта (Project Cognition Layer). Если у нас уже есть инструмент, который идеально хранит историю всех изменений (Git), почему бы не "накинуть" на него когнитивный слой, понятный и человеку, и AI?

Привет, Хабр! Я Александр Лебедев, старший разработчик систем искусственного интеллекта в Innostage. В этой статье расскажу о нескольких интересных кейсах атак на ИИ-сервисы и базовых способах защиты о них. В конце попробуем запустить свой сервис и провести на нем несколько простых атак, которые могут обернуться серьезными потерями для компаний. А также разберемся, как от них защититься.

Маркетинг становится все динамичнее, появляется уйма новых внутренних технологий, площадок, решений. Стратегии, аналитика, тексты, презентации, креативы, ресёч — всё это отнимает часы, и часто не потому, что сложно, а потому что рутинно.

За последний год я перепробовал множество инструментов. Остались единицы — те, которые реально экономят время и помогают работать быстрее без потери качества.
В этой статье я собрал именно их.

Попробуем?

Навигация началась с того, что кто-то однажды посмотрел на бескрайнее море и сказал: «Да разберёмся как-нибудь». Спойлер: разобрались, но не сразу. Сотни лет люди блуждали, спорили, сочиняли карты, которые больше походили на фантазии, и пытались понять, почему компас иногда «обиделся» и показывает не туда. И всё это — чтобы сегодня корабли сами знали, куда идти. В статье — история о том, как человечество шаг за шагом училось не терять курс.

Привет, Хабр! Меня зовут Антон Филимонов, я руководитель Центра компетенций по разработке прикладных решений в «Газпром ЦПС». Чтобы успевать за быстроизменяющейся рыночной средой и быть эффективной, наша компания должна уметь формировать новые команды и выводить их на оперативный ритм в короткие сроки.

В этой статье я поделюсь опытом, как можно сократить время формирования эффективных команд, и покажу, что давление и шторм на ранних стадиях – не всегда плохо. Расскажу про базовые этапы формирования команд на примере модели Такмана и закона Йеркса-Додсона, а также на примере 5 типовых сценариев продемонстрирую как управляемое давление применяется для сокращения времени на формирование команды. Этот материал будет полезен тем руководителям, у которых есть задача быстрее вывести команду проекта на устойчивый рост продуктивности.

От красивых демок к законченным проектам: что я понял за полтора года работы с Claude Code

Я не программист. Я гуманитарий, который научился использовать ИИ для создания рабочих приложений. Но если эта статья поможет и вам господа разработчики, то моя гуманитарная тушонка будет вопить от счастья.

В общем с чем я столкнулся. С тем, что с виду все в ИИ кодинге красиво, но по факту большой проект, например свою LMS ты не соберешь, ИИ сдохнет.

Проблема была не в промптах и не в архитектуре. Просто процесс разработки с ИИ постоянно буксовал: Claude выдавал код с API прошлого года, поиск нужной функции занимал по 15 минут, после третьего рефакторинга я терял нить и бросал проект, начинал терять что было сделано, сколько не суй ему to-do листы.

Потом я нашёл свой стек из MCP-серверов, которые действительно повысили эффективность в разных случаях от 2 до 8 раз, позволили экономить до 80% токенов, не терять контекст и совершать на 8 из 10 ошибок меньше.