Kurgan-Telecom Ru | Информационные технологии

Всем привет! Меня зовут Илья Есейкин и я IT-управленец среднего звена, веду небольшой (пока) Telegram-канал о цифровой зрелости бизнеса. Это моя первая статья на Habr — пишу о том, что видел изнутри: несколько компаний, разные отрасли, реальные кейсы. Стараюсь обойтись без корпоративного глянца и универсальных рецептов. Если тема откликается — буду рад обратной связи в комментариях.

Есть фраза, которую многие из нас слышал во всех компаниях, отрасли разные, но фраза всегда звучала примерно одинаково: «Ну сделайте пока так, потом переделаем нормально». Она произносится обычно, когда дедлайн завтра, бюджет кончается, а продукт надо показать на демо. И именно из таких моментов, помноженных на годы, состоит то, что принято называть техническим долгом — не абстрактная IT-проблема, а вполне конкретный список управленческих выборов, сделанных под давлением обстоятельств.

Книги про большие языковые модели сегодня выходят с той же скоростью, с какой сами эти модели генерируют текст. Зайдите в любой крупный книжный магазин — не важно, в оффлайновый или электронный — и вы увидите широчайший ассортимент названий, где присутствуют GPT, LLM и «искусственный интеллект» в различных сочетаниях. Одни издания — академические монографии для разработчиков, другие — лёгкое чтение для менеджеров, которые хотят «быть в теме». И те, и другие по-своему полезны, но среди них практически отсутствуют книги для практиков, желающих разобраться, как LLM устроены изнутри и как начать использовать их в реальных проектах уже сегодня.

Хочу рассказать, почему растущие бизнес-требования к Time-to-Market, персонализации, 0 FTE in RUN заставили нас пойти на радикальный шаг — разработку собственной платформы управления архитектурой EA Tool. Это не история про замену одного софта на другой, а рассказ о том, как мы создаём «цифровую нервную систему» банка и как переход от изолированного рисования диаграмм (набивших оскомину «квадратиков со стрелками») к управлению цифровым двойником снова меняет нашу профессию.

Десятилетиями для нас, как и для многих на рынке, стандартом де-факто оставались такие вендорские решения, как Alfabet, iServer, Sparx EA и др. Это мощные, «классические» инструменты метамоделирования ИТ-ландшафта с широкой встроенной функциональностью, включающей аналитику текущего и целевого состояния ИТ-ландшафта, в которых годами работали сотни наших спецов. Но сейчас стало очевидно, что созданные десятки лет назад, такие инструменты имеют встроенные ограничения и начинают откровенно тормозить ИИ-революцию.

Создание контента раньше делилось на два лагеря: либо долго и качественно, либо быстро и посредственно. ИИ эту дихотомию сломал. Сегодня нейросети закрывают весь цикл производства контента: тексты, презентации, изображения, видеоскрипты, посты для социальных сетей, академические работы. Причём не в виде заготовки которую потом час правишь, а в виде готового материала который идёт почти без изменений если правильно поставить задачу.

Большинство пользователей нейросетей получают посредственный результат не потому что модель плохая, а потому что запрос сформулирован размыто. «Напиши про маркетинг», «помоги с курсовой», «объясни тему» — это не промпты, это пожелания. Нейросеть не знает кто ты, зачем тебе это, в каком формате нужен результат и что вообще считать хорошим ответом.

Я работаю с Linux больше 15 лет. Начинал с хостинга, где «сервер тормозит» означало зайти по SSH и запустить top. Потом были выделенные серверы, кластеры, Kubernetes. Задачи менялись, но вопрос оставался один и тот же:

Сервер тормозит. Что не так?

За эти годы у меня накопились инструкции, SSH-скрипты, обёртки над vmstat, iostat, ss, perf. Каждый раз, подключаясь к проблемному серверу, я тратил 20-40 минут на одни и те же действия вроде команды top

Это Tier 1 — базовый уровень. Но когда top показывает что всё вроде нормально, а приложение всё равно тормозит, начинается настоящая диагностика.

Я учитель информатики. Одна из самых раздражающих частей работы — не уроки и не подготовка, а заполнение Дневник.ру. Копировать, вставлять, копировать, вставлять — урок за уроком. Я сделал для себя небольшой инструмент, который это упрощает. И заодно хочу спросить сообщество про вторую боль — проверку домашнего задания. Как бы вы это решали?

Часто слышу жалобы: мол, тебе повезло, ты снимать начинал почти 15 лет назад, тогда такой конкуренции не было. А как стать фотографом с нуля, если у каждого второго в кармане смартфон с тремя камерами, да еще и нейросети есть, чтобы любой кадр превратить в шедевр за минуту.

Забавно, но буквально такие же разговоры я слышал и много лет назад, когда только входил в профессию. Крутых мобильных камер не было, но купить зеркалку могли многие. Так что была и конкуренция, и демпинг, и необходимость доказывать, что твоя работа стоит столько. И у меня тоже порой были моменты, когда казалось, что успеха не добиться, и хотелось все бросить.

Поэтому я решил поделиться своей историей — как я делал первые шаги, что помогло не сдаться и в итоге найти себя в профессии. Возможно, это поможет тем, кто стоит на распутье, и мой путь позволит вам увидеть, что «подходящего момента» не бывает — он создается в процессе.

120 миллиардов параметров, контекст 256K токенов, агентное поведение — и все это на одной видеокарте. Мы подключили Nemotron 3 Super к Luxms BI и неделю тестировали на реальных аналитических задачах. В этой статье — что получилось, где модель справляется, а где пока нет.

Главный вопрос, на который мы хотели ответить – можно ли сегодня решать реальные аналитические задачи на одной GPU там, где обычно требуется кластер.

Меня зовут Григорий Орлов, я руководитель команды разработки сетевых сервисов гибридных облаков в Yandex Cloud. В статье расскажу про детали работы наших сервисов на уровне Config Plane — это уровень, на котором пользователь может задавать целевое состояние системы. А именно речь пойдёт про CIC‑API — сервисе управления железом, которое стоит на наших точках присутствия и участвует в работе Cloud Interconnect, необходимого для создания приватных выделенных сетевых соединений.

Wildberries выходит на рынок перевозок: РБК указывает, что собственники крупнейшего российского маркетплейса примерно за 5-8 млрд рублей купили сервисы «Ситимобил», «Таксовичкоф» и «Грузовичкоф». Каждая из указанных фирм имеет свой бэкграунд. Расскажем об этом подробнее, а также внимательно изучим их патентные портфели.

Самый модный проект 2026-го года OpenClaw от вайбкодера Питера Штейнбергера за пару месяцев набирает 336 тыс. звёзд на гитхабе, вайбкодера зачем-то берут на работу в OpenAI. Но никто не знает имени парня, написавшего движок, на котором работает этот OpenClaw.

Знакомьтесь — Марио Цехнер.

Онбординг — один из важных аспектов, требующих особого внимания при масштабировании компании. А теперь представьте, что у вас есть универсальный инструмент, который помогает закрывать целый класс задач команды разработки: настраивает локальное окружение проекта одной кнопкой,  унифицирует окружение для всех разработчиков на разных ОС, обеспечивает безопасность инфраструктуры, упрощает CI и многое другое.

Всё это — девконтейнеры! Да, мы начинаем программировать прямо в контейнере. И всё это бесплатно и без необходимости развёртывания новых сущностей в вашей организации. О такой кнопке «сделать хорошо» мы и поговорим в этой статье по мотивам моего доклада для DevOps Conf. 

Каждый, кто приходит в ClickHouse из мира классических OLTP-баз, несет с собой багаж священных знаний. Один из таких «священных граалей» — Common Table Expressions (CTE).

Казалось бы, что в ClickHouse может пойти не так? Ведь там тоже есть WITH! Любой нормальный человек просто возьмет и начнет использовать, казалось бы, привычный функционал. Но в итоге останется у разбитого корыта.

В этой статье мы разберем главные грабли: почему WITH в ClickHouse — это не оптимизация, а макрос для парсера и выстрел себе в ногу, если этого не знать.

Coinbase уволили инженера за отказ пользоваться AI-инструментами. Prodoscore замерили 25 000 сотрудников - кто пользуется AI, тот на 19% продуктивнее. Каждый месяц разрыв растёт ещё на процент. Создатель Claude Code шипит 30 MR в день и не пишет ни строчки руками. Собрал данные - и понял, что «20 лет опыта» без AI уже мало.

“Где мои логи — в /var/log/messages, /var/log/syslog или только в journalctl?” — этот вопрос рано или поздно задает себе каждый инженер, который вынужден переключаться между разными дистрибутивами: Ubuntu, CentOS, Alpine, корпоративные Unix системы. 

Типичный сценарий: вы заходите на сервер, ищете /var/log/messages, а его или нет, или он есть, но journalctl показывает гораздо больше событий, чем файл. 

Иногда сервер внезапно начинает сильно использовать CPU, и в итоге причиной оказывается агрессивное логирование. 

Если к этому добавить разнородный парк, где рядом с Ubuntu живут динозавры на AIX и Solaris, путаница приобретает глобальный характер. 

Сейчас мы живем в эпоху «двоевластия»: systemd‑journald уже стал стандартом де‑факто, но rsyslog все еще присутствует во многих дистрибутивах по инерции или ради совместимости. Эта статья для инженеров, которые хотят понимать, кто именно пишет логи в Linux, почему они дублируются, где теряются CPU и I/O, и как настроить логирование так, чтобы диск не превращался в помойку. 

Мы пройдем путь от бинарных логов AIX до journald, а в конце разберемся, как практически использовать journalctl с популярными инфраструктурными службами. 

Последние пару месяцев у меня случилось много разных созвонов на английском. В целом, я обычно нормально все понимаю, но боюсь упустить что-то важное. Даже субтитры помогают лишь частично. То есть нужен костыль (или аугментация).

Поискал, что есть из того, что может пригодиться.
...
Так в итоге появился мой опенсорсный проектик

Рынок оперативной памяти снова меняется, причем довольно резко. Цены на DDR5, которые еще в начале 2026 года росли почти без остановки, вдруг пошли вниз. Отдельные комплекты подешевели очень заметно — на сто долларов и больше, хотя месяцем ранее такое казалось невозможным. Что стряслось, ведь еще недавно участники рынка говорили об «идеальном шторме» дефицита и цен? Здесь основной фактор — искусственный интеллект и соответствующая инфраструктура. Давайте разбираться. 

В инфраструктурных проектах цена ошибки может измеряться миллионами и репутацией компании. Но практика показывает: поиск виноватых редко помогает избежать повторения проблем, гораздо эффективнее работает культура постмортем-разборов — честный анализ инцидентов без наказаний, который превращает ошибки в системные улучшения.

В инфраструктурных проектах цена ошибки редко бывает символической. Это может быть простой систем, финансовые потери, штрафы, иногда репутационные риски для клиента и подрядчика. В такой среде логично ожидать жесткой культуры поиска виноватых. Но практика показывает обратное: чем сложнее технологическая среда, тем бесполезнее модель «найти виновного и наказать». Она не снижает количество ошибок. Иногда она даже увеличивает их. За годы работы в инфраструктурных проектах я убедился, что единственный способ реально повышать качество, это культура разбора ошибок без наказаний. В инженерной среде это часто называют постмортем.

Почему поиск виноватых не работает

В ИТ есть старая поговорка: «Быстро поднятое не считается упавшим». Почти каждый инженер слышал её ещё в начале карьеры. В этой фразе есть важный инженерный принцип: в момент инцидента главная задача — не выяснять, кто виноват, а максимально быстро восстановить систему.

Когда что-то падает, инфраструктура, сервис или интеграция, время становится главным фактором. Клиенту не важно, кто допустил ошибку, ему важно, чтобы система снова работала. Поэтому в инженерных командах почти инстинктивно действует правило: сначала поднимаем систему, потом разбираемся.

Одно из явлений, которое астрономы обнаруживают при изучении галактик, — это корреляция между массой галактики и массой её сверхмассивной чёрной дыры в центре. Вопреки распространённому мнению, эти сверхмассивные чёрные дыры (СЧД) не содержат основную часть массы своих галактик; они составляют лишь небольшую часть всей массы. В местных галактиках соотношение массы сверхмассивной чёрной дыры к массе галактики составляет около 0,1–0,5 %.

Но «Уэбб» опровергает это представление. Его глубокие инфракрасные наблюдения показали, что галактики в ранней Вселенной могут похвастаться гораздо более массивными СЧД, что ставит под сомнение наше понимание процесса роста галактик. Проще говоря, согласно нашему пониманию, эти галактики не должны были иметь таких огромных чёрных дыр на столь раннем этапе жизни Вселенной.