Kurgan-Telecom Ru | Информационные технологии

Мнение после десяти лет в производственных окопах от Джастина Кормака, бывшего CTO Docker.

Несколько лет назад я провёл немало времени, отвечая на вопросы Федеральной торговой комиссии (FTC) по поводу покупки VMware компанией Broadcom. Их интересовало, можно ли считать контейнеры конкурентами виртуальных машин - они пытались разобраться в конкурентной среде вокруг VMware.

Это напомнило мне первые пять лет работы в Docker, когда все только и делали, что сравнивали контейнеры с виртуальными машинами. Контейнеры - это просто “облегчённые” виртуалки? Или это небезопасная ерунда, от которой все скоро откажутся и вернутся к старым добрым VM?

Ученые из МФТИ и их коллеги разработали новый метод сканирующей микроскопии, который позволяет с нанометровым разрешением визуализировать распределение пиннингового потенциала в сверхпроводящих пленках. Этот метод, названный Scanning Quantum Vortex Microscopy (SQVM), открывает новые возможности для изучения дефектов в сверхпроводниках и наноустройствах, что может привести к улучшению характеристик сверхпроводящих материалов и устройств.

Многоагентная архитектура открывает несколько мощных паттернов. Здесь я начну с основ и опишу, как с помощью Temporal сделать создание многоагентных систем простым, надёжным и увлекательным.

Agtech cтартап потратил восемь лет и $51,7 млн. на создание гигантских дронов для опрыскивания сельскохозяйственных культур. У них было разрешение Федерального управления гражданской авиации, надёжная технология и несколько летающих прототипов...

Что общего у таких диагнозов, как ПРЛ (пограничное личностное расстройство), ДРИ (диссоциативное расстройство идентичности), тревожных и депрессивных расстройств? Все они выглядят как медицинская проблема, не связанная ни с какой психической травмой – и все они могут быть вызваны кПТСР: комплексным посттравматическим стрессовым расстройством.

Поговорили с автором первой книги о расстройстве на русском языке «Ну что с того, что я там был: путеводитель по кПТСР» Анастасией Жичкиной. Она описывает широкий диапазон проявлений комплексной травмы и объясняет, с чем можно спутать кПТСР.

Анастасия Жичкина, социальный психолог, кандидат психологических наук, IFS-практик

КПТСР — что это? Когда он был внесен в классификаторы?

КПТСР — это травма, связанная с повторяющимися событиями, в результате которой нарушается интеграция личности. В отличие от ПТСР, эти события человек может не помнить, или не идентифицировать как травматичные — потому что каждое из событий в отдельности переносимо и не выглядит как травма, потому что их было много, потому что не было альтернативы или потому что это было в довербальном возрасте. Эти события не обязательно экстремальные, хотя в официальном определении кПТСР в МКБ-11 указано, что они должны быть именно экстремальными, «крайне угрожающего или ужасающего характера». Важнее, что они повторяются: травматичной оказывается именно сумма событий.

Автор термина «кПТСР» — американский психиатр Джудит Герман. С 1990х годов этот диагноз неоднократно предлагался для внесения в классификаторы рабочей группой, в которую входили Джудит Герман и Бессел ван дер Колк (автор книги «Тело помнит все»), но инициативу отвергали. В результате сложилась ситуация, когда практики в течение десятилетий пользовались термином «кПТСР», на тему комплексной травмы публиковались статьи и книги, однако официально этого диагноза не существовало. Диагноз «комплексное посттравматическое стрессовое расстройство» был включен только в МКБ-11, которая была принята в 2019 году. В России переход на МКБ-11 был приостановлен в 2024 году, то есть, официально в России такого диагноза нет.

Сегодня обобщу конструкцию, из предыдущей одноименной статьи, до трехмерного вида. На этот раз в статье матриц нет, в прошлый раз они потребовались лишь для получения геометрической интерпретации некой базы. Вообще в статье лишь одна формула.

Так же отвечу на вопросы к прошлой статье. В сухом остатке их два: "Зачем все это?" и "Почему не обобщал модель до спиноров?". Если ответить совсем кратко - Клиффорд создал, даже спустя 100 лет, очень мало кем понятую супер-теорию геометрии вселенной. Мне вот довелось это осознать.

После предыдущей статьи, по всем моим статьям на эту тему прошлись более 1000 человек, поставили 14 плюсов и один минус. Реакцию широкой аудитории, как управленец, буду считать далекой от массового интереса. Но как инженер, для тех, кому все-таки интересно, сначала отвечу на вопросы, а потом разверну модель в трехмерный вид.

Сначала я начал было писать еще одну длинную статью, например я там очень удобно закон Гука обобщил. Но потом подумал, что надо писать короткие статьи, чтобы читать было недолго. И написал только основные моменты. Может после прочтения этого материала интерес у широкого круга добавится. В общем соразмерю свои усилия с востребованностью.

__________________________________________________________________

10 новых российских продуктов для автоматизации E2E тестирования на естественном языке, управления здоровьем, календарно-сетевого планирования проектов и многого другого. Битва за «Продукт недели» началась!

Product Radar — здесь каждую неделю публикуются лучшие онлайн-сервисы и железки от русскоязычных команд.

Немного странно такую заметку писать, вроде что-то очень банальное и возможно многие скажут "да я с пеленок это знаю" - но вот опять сталкиваемся с тем что такая ошибка в достаточно важной ситуации наглядно портит кровь.

Недавно я писал об идущем соревновании МТС по "программированию роботов" - и упоминал вскользь что пока со стороны организационной наблюдаются проблемы. На днях энтузиасты выявили как раз такую ошибку в коде, используемом организаторами для проверки решений.

Если вы создали сокет, попытались его открыть и отвалились по таймауту - не переиспользуйте его! Для новой попытки обязательно создавайте новый сокет!

Это не вполне очевидно и в документации порой лишь вскользь упомянуто, либо не упомянуто вообще. Ниже немного подробностей с кодом, но в общем вся суть в этой фразе. Не переиспользуйте!

Привет, чемпионы! Мы детально разобрали природу проблемы и изучили арсенал методов. Теперь перейдем к самому важному — практическим результатам. Я протестировал каждый подход на реальной задаче создания инфографики "Agentic AI Explained" и готов показать, что действительно работает.

Представьте опытного трейдера: наверняка он не говорит котировками и не рассказывает про индикаторы — он просто говорит «сильный тренд», «пробой уровня» или «ложный отскок». Для него график это язык: свечи, объёмы и уровни складываются в понятные фразы о том, что сейчас происходит на рынке. Именно от этой человеческой интуиции я и отталкивался в своём эксперименте.

Идея была такая: а что, если научить искусственный интеллект понимать этот язык? Не подавать модели сырые числа, а переводить бары и объёмы в текстовые описания наблюдаемых паттернов и кормить ими языковую модель. Гипотеза была что в тексте уже будет содержатся достаточно данных, чтобы модель научилась связывать недавнюю торговую историю с тем, пойдёт ли цена вверх на следующий день.

Инструмент эксперимента — модель distilbert‑base‑uncased с Hugging Face и это облегчённая, быстрая версия BERT для понимания языка. Мне показалось это практичным выбором для прототипа — позволяет быстро проверять разные способы текстовой разметки без гигантских ресурсов. Цель была чёткая: по текстовому описанию недавней истории торгов предсказать рост цены на следующий день.

Но это исследование моя попытка представления рыночных данных как языка, а не попытка сразу создать алгоритм для автотрейдинга. Ещё важно: это мой личный эксперимент, проведённый одним человеком и выполненный однократно. Результаты дали интересные наблюдения.

Расскажу, как происходила разметка графиков в текст, какие шаблоны сработали лучше и какие метрики использовались. Также отмечу ограничения подхода и идеи для повторных экспериментов.

А ещё весь код уже на GitHub.

На эту тему есть масса статей и специфической литературы. Задайте поисковику этот вопрос и он выдаст вам десятки ссылок. Но ни одна из тех, что мне приходилось видеть, не описывает этот процесс языком, который был бы понятен глубокому гуманитарию.

Обычно, под каждой такой статьёй какая-нибудь футуристическая картинка.
Далее начинается история про нейроны мозга человека, что нейросеть на них похожа, активаторы, веса, слои... Ой, всё-о-о!

Мне неоднократно приходилось это объяснять и люди понимали. Поэтому я решил поделиться своим опытом.

Так получилось, что у меня в доме давно используются видеокамеры наблюдения.
Сначала это было всего лишь "посмотреть, что там перед воротами", потом - неплохо бы контролировать что делают кошки-собаки, ну и в общем, получилось довольно много в разных местах.

Много, но недостаточно: например, однажды вышла глупая ситуация, когда закончился пакет корма для собаки, при этом все считали что в кладовке уже лежит запасной, а оказалось - не лежит!
Пришлось срочно ехать в магазин за маленьким пакетиком "не того", пока привезут "тот".
А всего-то надо было просто заглянуть в кладовку заранее - но это же надо идти туда...

Аналогично - когда нужно просто заглянуть в гараж, например, или еще в какое хозяйственное помещение.
Конечно, камеры там тоже можно повесить, но возникает неожиданная проблема: неудобно смотреть!

ИИ-агенты с каждым годом решают всё более сложные задачи — кажется, что до автомобиля без водителя или сверхумного личного ассистента рукой подать. Но как только доходит до настоящей работы — где действий сотни, приложения переключаются туда-сюда и всё зависит от прошлого опыта — они удивительно часто спотыкаются. Модели становятся мощнее, но забывают вчерашние ошибки, не учатся на них и снова наступают на те же грабли.

Новое исследование меняет привычный подход: оказывается, чтобы агент стал умнее, дело не столько в дообучении или размерах модели. Гораздо важнее — встроенная память, которая сохраняет удачные решения, учит быстро находить выход из тупиков и, главное, формирует привычку рефлексировать. Такой подход уже позволил простой модели обогнать продвинутых конкурентов в длинных офисных задачах и находить неожиданные, а порой даже очень “человеческие” решения.

Здесь разбираемся, как агенты учатся использовать свой опыт на лету, почему память и рефлексия меняют всё для ИИ — и чем это грозит (или радует) тем, кто ждет настоящих самостоятельных цифровых помощников.

Выпуск 448

Пределы космологии (The limits of cosmology)Authors: Joseph SilkComments: 23 pages, Gen Relativ Gravit 57, 127 (2025) 

Если вы думаете, что известный космолог-теоретик пишет про теорию, то вы ошибаетесь! Силк внезапно втопил за лунные проекты. И это не только низкочастотные радионаблюдения на другой стороне Луны, но и совершенно фантастические (очень дорого и сложно) проекты гравитационно-волновых детекторов (типа LIGO, Virgo) на Луне (там низкий сейсмический шум, и можно уйти на низкие частоты).

Радиопроекты могут быть реализованы в середине этого века. Гравволновые - точно нет. Но интересно, что Силк погружает все это в интересный и понятно описанный контекст космологических задач (отсюда и название статьи). Так что читать все равно интересно. Вот это и впрямь научная фантастика!

А еще… затронем ИИ и прочие захватывающие темы

Рассматриваются встроенные в Python возможности декларативного программирования и их развитие в библиотеках SQLAlchemy, NumPy, Pandas. Показывается применение трех видов декларативного программирования с помощью библиотеки DecPy: аналогов SQL, QBE и Prolog. В том числе приводятся рекурсивные запросы.

Краткое содержание:

Сегодня, 14 октября 2025 года, Microsoft официально прекратила поддержку всех редакций Windows 10. Эта дата знаменует собой конец жизненного цикла одной из самых популярных версий Windows в истории, которая находилась на рынке целое десятилетие. Сегодня мы прощаемся с настоящим цифровым ветераном, верным спутником миллионов — с «Десяткой». Это не просто пафосные слова. Это конец целой эпохи, цифровая осень, которая наступает для тех, кто любил «десятку» за те качества, которые принесли ей популярность. Для одних завершение поддержки Windows 10 — это просто смена операционной системы (или нет, как в случае с Windows 7), а для других — окончательное прощание с эпохой, когда ПК ощущался как личное пространство, а не часть «облачного» сервиса.

Предыдущая статья: Часть 3: А при чём здесь The Thundering Herd Problem?

Thundering Herd — это о бесполезной трате CPU на пробуждение “лишних” процессов, которые не смогут выполнить работу.

Dogpile Effect — это о бесполезной нагрузке на внешний ресурс (например, БД) из-за многократного выполнения одной и той же работы.

Зачем вообще использовать gMSA в контейнерах?

Group Managed Service Accounts (gMSA) решает проблему хранения и обновления сервисных паролей: пароль хранится только в AD и регулярно обновляется автоматически. Использование gMSA позволяет не менять уже настроенные ACL и роли на файловых шарах и SQL-серверах - приложения продолжают работать с прежними правами через корпоративные Kerberos/SPN-механизмы. Такая интеграция обеспечивает прозрачный и контролируемый переход классических приложений в контейнерную инфраструктуру Kubernetes.

Посмотрим как это работает на примере простого кроссплатформенного dotnet-приложения.

2025 год. Эпоха, когда ИИ генерирует код, модели меняются каждые полгода, а техлид должен разбираться не только в паттернах, но и в условиях лицензионного соглашения.

Что, если каждый правильный ответ в викторине приносил бы тебе крипту?

Я решил проверить эту идею — и собрал Solana Quiz, децентрализованное приложение, где пользователи проходят ежедневные квизы с вопросами от OpenAI и получают Solana‑токены за правильные ответы.

Да, это реально работает. И да — токен мы тоже создаём сами