Kurgan-Telecom Ru | Информационные технологии

Можно ли сказать, что когда человек скролит ленты соцсетей, постит, ставит лайки, и пишет комментарии – он работает на компанию-владельца платформы?

С одной стороны абсурд.

С другой – все признаки трудовых отношений на лицо. Он вкладывает свое время, силы и ресурсы. Компания этот вклад монетизирует. А вместо зарплаты выдает “эмоции и удовольствие”.

— Я в этот инстаграм, как на работу хожу. — то и дело жалуются барышни.

Так и хочется съязвить: — А почему “как”?

Соцсети – не единственный тип бизнеса, который извлекает прибыль из таких “эксплуататорских” отношений.

В e-commerce, по типу Amazon, WB, Ozon или eBay – пользователи тоже привлечены на полный день. Пишут...

В новом переводе от команды Spring АйО рассмотрим, как можно ускорить Java-приложения без переписываний: в свежих JDK появились Ahead-of-Time оптимизации кэша, которые выносят «дорогие» этапы загрузки/линковки классов (и даже частично профилирование методов) из рантайма в заранее подготовленный артефакт.

Рассмотрим как устроен AOT-кэш в JDK 24–26, какие есть workflow (3 шага vs 2 шага/в один прогон), где прячутся подводные камни вроде удвоения требований по памяти при -XX:AOTCacheOutput, и какие практики обучения помогут реально сократить время старта и быстрее выйти на пик производительности.

Всем привет! Мы уже все понимаем, что блокировка Telegram будет в этом году. Сейчас власти делает это этапами, чтобы люди понемногу и без кипиша, мигрировали на Max. Понятно, что не все смогут или захотят это, но тут либо VPN либо более гуманная альтернатива - MTProxy.

Приветствую, уважаемые хабровчане! Меня зовут Алексей Черепецкой, и я ведущий методолог Центра проектирования методологии и автоматизации службы кадровых ресурсов «Фикс Прайс». Сегодня расскажу, как вместе с коллегами из «Проф ИТ» мы смогли построить систему автоматизации найма с помощью роботов-рекрутеров.

Хабр, привет!

На связи Александр Леонов, ведущий эксперт PT Expert Security Center и дежурный по самым опасным уязвимостям месяца. Мы с командой аналитиков Positive Technologies регулярно исследуем информацию об уязвимостях из баз и бюллетеней безопасности вендоров, социальных сетей, блогов, телеграм-каналов, баз эксплойтов, публичных репозиториев кода и выявляем во всем этом многообразии сведений трендовые уязвимости. Это те уязвимости, которые либо уже эксплуатируются вживую, либо будут эксплуатироваться в ближайшее время.

С прошлого дайджеста мы добавили еще 2 трендовые уязвимости.

Kubernetes взламывают не «эксплойтом века», а банальностями: открытый доступ, cluster-admin «на время», default serviceAccount, секреты в манифестах (да, base64 не защита). Дальше сценарий предсказуемый — от тихого майнинга до утечки ключей, как в истории с Tesla.

В статье разберу три базовых опоры k8s-безопасности: минимизация прав через RBAC, нормальная работа с секретами и изоляция workload’ов через securityContext и политики — с типовыми ошибками и практиками, которые реально внедрить.

229 заездов, 140 пилотов, 28 часов работы — столько данных мы собрали из Assetto Corsa за три дня SOC Forum 2025.

Мы превратили обычный гоночный симулятор в источник телеметрии: забирали данные из игры, строили дашборды в реальном времени и даже придумали ачивки для самых отчаянных пилотов.

Рассказываю, как устроен сбор данных из игровых симуляторов, что можно из них вытянуть и зачем это бизнесу.

Месяц назад я закинул задачу на рефакторинг модуля авторизации и пошёл варить кофе. Кофе я допить не успел. Через двадцать минут пришло уведомление в ТГ: «staging обновлён, 94 теста пройдено, 0 упало».
Открыл репозиторий. Ветка, diff на два экрана. Code review от второго агента. Три замечания, два по делу. Третий агент прогнал тесты и задеплоил.
Код был чище, чем я обычно пишу по пятницам.
Но до этого момента были три месяца граблей, упавший продакшен, и одна ночь, когда агенты сделали десятки бесполезных коммитов. Обо всём по порядку.

Привет, Хабр! В предыдущей статье я рассказывал, как портировал модель синтеза речи Qwen3-TTS на Rust. Тот проект (RustTTS) получился достаточно успешным — один бинарник, мгновенный старт, никаких Python-зависимостей.

Естественным продолжением стала обратная задача — распознавание речи (ASR, Automatic Speech Recognition). Логика казалась простой: у Qwen есть и TTS и ASR, архитектуры похожи, опыт с Candle уже есть, значит справимся за пару недель. Ну... не совсем.

Исходная задача и контекст

Перед нами стояла типичная для дата‑инженеров задача: обработать поток Parquet‑файлов с данными о внутренних технических процессах заказчика. Ключевой запрос — извлечь метаданные из таблицы, чтобы в дальнейшем работать с ними быстрее и удобнее.

В качестве основного инструмента мы выбрали Apache Iceberg — проверенный в наших проектах фреймворк для управления метаданными. Изначально пайплайн выглядел так:

C 6 ноября 2025 года комбинаторные объявления вышли в открытую бетку и стали доступны всем.Методика теста объявлений в мастере кампаний перекочевала в ЕПК. Ну или таки немножечко скопировали как художники у гугла адаптивные объявления. В анонсе показывали кейсы с увеличением конверсии до 55 процентов. Есть легкое недоверие к таким цифрам, да?

Но к черту голословный негатив, давайте к фактам. Я запустила чудо-новинку на нескольких проектах, потому что я любопытный человек и люблю тестировать. Потому что верю, что тесты — это путь оптимизации и повышения качества рекламы, аминь.

В этой статье мы немного отвлечёмся от практики и позанимаемся математикой, порешаем интересные задачки по алгебре (11 задач), конкретно по теории групп.

К сожалению, я не смог решить следующую проблему: я печатаю текст статьи в редакторе Word, но при этом формулы я не могу нормально отформатировать в нужный для Хабра Marktown

без ошибок. Буду рад, если кто-нибудь из читателей расскажет, как это можно сделать.

Основной текст статьи находится на Яндекс Диске, его (pdf файл) можно скачать по ссылке:

https://disk.yandex.ru/i/Xdf_NCBmnF9_zA

Представьте: вы провели часовое интервью, записали важнейшее совещание или наконец-то зафиксировали на диктофон ту самую гениальную идею, которая пришла за рулём. А дальше начинается самое «весёлое». Сидеть и вручную переводить всё это в текст, перематывая запись снова и снова. Минута аудио превращается в пять минут работы, а час записи съедает целый вечер. Знакомо? Ещё пару лет назад это была неизбежная рутина, от которой страдали журналисты, студенты, маркетологи и вообще все, кому приходилось работать с голосом.

Но нейросети перевернули эту игру с ног на голову. Сегодня искусственный интеллект расшифровывает аудио быстрее, чем вы успеваете допить кофе. Причём не просто выдаёт кашу из слов, а расставляет знаки препинания, различает спикеров, понимает акценты и даже справляется с фоновым шумом. Технологии, которые ещё недавно казались фантастикой, стали доступны каждому: загрузил файл, нажал кнопку, получил готовый текст.

Правда, есть один нюанс. Сервисов для транскрибации развелось столько, что выбрать подходящий стало отдельным квестом. Одни идеально работают с русским языком, другие только с английским. Одни бесплатные, но с ограничениями, другие стоят как подписка на стриминг, зато выдают почти идеальный результат. Какие-то умеют транскрибировать в реальном времени, а какие-то требуют загрузки файла и пары минут ожидания.

Мы протестировали и сравнили самые популярные нейросети для транскрибации, чтобы вам не пришлось тратить на это время. Разбираем плюсы, минусы, цены и неочевидные фишки каждого сервиса. Поехали!

Одно время я занимался разработкой порта «Малой экспертной системы 2.0», который бы поддерживал базы знаний для этой программы и при этом был кросс‑платформенным. Программа поддерживала два формата: обычные базы знаний и шифрованные. Если с обычными базами знаний всё было более‑менее в порядке, то шифрованные базы знаний не поддавались ровно до тех пор, пока я не заглянул в машинные коды. В этой статье мы рассмотрим, как была реализована одна из схем сокрытия данных, основанная на принципе «безопасность через неясность».

Data-driven разбор рынка Steam 2021–2025

Каждый год десятки тысяч разработчиков выходят в Steam с надеждой, что их игра «найдет аудиторию». Платформа кажется демократичной: опубликуй игру, заплати сбор — и ты рядом с хитами. Но так ли хорошо у них дела? Данные говорят, что на деле Steam — это жесточайший рынок за внимание игроков, где либо ты привлек игроков на старте, либо тебя, вероятнее всего,  ждет забвение… 

Представляю результат анализа данных из Steam за 2021–2025 годы (≈65 000 игр).

Какая структура данных стоит за list? Как быстро отрабатывает операция append? Эти вопросы часто задают на собеседованиях, и чтобы на них отвечать, нужно понимать, как список работает под капотом. В этой статье разберём, как же устроен список в питоне, копнём на уровень CPython и позапускаем код. После прочтения вы будете знать о списках больше, чем ваши коллеги.

Банки используют множество известных хитрых схем для максимизации своих доходов: например, вначале закрывают проценты, а потом тело кредита. Или закрывают долги не в хронологическом порядке, а начиная с покупок (по которым ставка меньше), а потом со снятий наличных (где ставка больше).

А что, если я скажу, что ВСЕ БАНКИ ещё и считают проценты неверно, ошибаясь, как обычно, в свою сторону? Эта хитрость в расчёте процентных выплат, которую почти никто не осознаёт, пришла в современный банкинг из дремучих времён, когда калькуляторы были роскошью. Давайте разбираться.

«Хочу зарабатывать 500 тысяч, миллион. Хочу усилить продажи».

Я вас прекрасно понимаю. Это абсолютно нормальное, здоровое желание — хотеть, чтобы твой труд стоил дорого. Чтобы не было этого ощущения, что ты выкладываешься по полной, а финансовый потолок остаётся где-то там, низко, и ты о него всё время бьёшься головой. Я тоже вместе с вами хочу этого же.

Но сегодня я хочу пойти с вами от противного. Мы не будем говорить о продажах. Не будем говорить о запусках, о рекламе, о креативах. Давайте на минутку представим, что всего этого — нет. Вообще. Нет вашего телеграма, нет сторис, нет воронок.

Остаётся только одна вещь. Ваш продукт. Онлайн-курс, программа, интенсив — как угодно.

И вот он просто лежит где-то. И представьте, что он… продаёт себя сам. Его люди находят, читают описание, смотрят цену — и покупают. Без вашего личного участия. За 100, 200, 500 тысяч рублей.

Звучит как фантастика? А теперь скажите — почему этого не происходит прямо сейчас с тем, что у вас есть или что вы планируете?

Потому что мы с вами чаще всего действуем по обратной логике. Наша цепочка мыслей такая: «Хочу миллион» – «Значит, нужно много продаж» – «Нужна крутая реклама и запуск» – «Ок, делаю продукт под этот запуск».

И продукт в этой цепочке — на последнем месте. Он — фишка в игре под названием «маркетинг». Мы думаем: «Ладно, сделаю что-нибудь, главное — красиво упаковать и громко рассказать».

НО! Эта логика в 2026 году уже не просто устарела. Она убийственна. Потому что люди стали не просто умнее. Они стали уставшими. Уставшими от пустых обещаний, от красивых обёрток, за которыми — ветер. Они в долгие, сложные, эмоциональные отношения с продавцом больше не вступают. Они не хотят «греться» у костра вашего энтузиазма на вебинаре.

В 2025 году Google и Apple показали два близких по целям, но разных по устройству стека. В Pixel 10 системный ИИ построен вокруг Android AICore и связки on-device и облака. В iPhone 17 развивают Apple Intelligence, а тяжёлые запросы переносят в Private Cloud Compute.

В статье расскажем, как Pixel 10 и iPhone 17 маршрутизируют ИИ-запросы, что дают Tensor G5 и A19, как устроены Private AI Compute и Private Cloud Compute, где живёт ИИ-слой в ОС — и что всё это меняет для разработчиков, когда ИИ становится частью оболочки, а не отдельной библиотекой.

Если вы используете AI-ассистента для написания кода, довольно часто выясняется, что модель уверенно говорит неправду. Она выдумывает методы, которых нет в библиотеке, или описывает API, удалённый два релиза назад. Формально это называют галлюцинациями и knowledge cutoff, но для пользователя разницы нет. Ассистент ошибается именно там, где от него ждут точности.

Проблема усугубляется тем, что ошибки выглядят правдоподобно. Код компилируется, сигнатуры выглядят знакомо, комментарии звучат убедительно. В результате разработчик тратит время не на работу, а на перепроверку. В этот момент инструмент перестаёт экономить время и начинает его забирать.

Решение: RAG на документацию...