Kurgan-Telecom Ru | Информационные технологии

Заметки разработчика мультимодальной ИИ-студии с распределённой сетью вычислений - о бэкдорах в квантованных моделях, supply-chain атаках и том, почему изоляция перестала быть опцией.

В чем секрет эффективного георадара? Предлагаю в статье разобраться на примере георадаров нашей разработки (георадары Izh-Terra-1, Izh-Terra-2, Гном-3).

Привет, Хабр!

Мы, Smart Engines и юридическая фирма INTELLECT, завершили работу над нашим ежегодным – уже четвертым в серии – отчетом о мошенничестве с использованием поддельных документов. Результаты свидетельствуют о серьезном ухудшении ситуации. 

В 2025 году число зарегистрированных МВД преступлений по ст. 327 УК РФ выросло на 338% год к году – с 397 до 1 739 случаев, достигнув максимального значения за последние семь лет. Минимальная оценка объема нелегального рынка поддельных удостоверений личности достигла 2,6 млрд рублей.

Рассказываем о масштабах мошенничества с документами, новых схемах с генеративным ИИ и, конечно, технологиях выявления подделок.

Обычный Go backend привык отменять работу вместе с HTTP-запросом. Но если пользователь закрыл вкладку посреди анализа документа, это ещё не означает, что LLM-провайдер прекратил генерацию и расходы. Разбираю, почему для длительных AI-операций недостаточно r.Context(), как организовать фоновые задачи на PostgreSQL и что делать с идемпотентностью, retry и повторными списаниями за API.

Часть моей работы — помогать джунам разбираться с архитектурными решениями.

Иногда у нас возникают обсуждения на тему: «Зачем заморачиваться с WebFlux, если можно продолжать писать на Spring MVC?». Чтобы предметно обсуждать эту тему, мы с командой провели внутренний бенчмарк, написали методичку и решили поделиться некоторыми соображениями в этом цикле статей.

В этой — первой — статье я расскажу, как устроены три основные модели обработки запросов в Java, покажу их сильные и слабые стороны и дам критерии, которые помогут выбрать подходящий вариант для вашего проекта. 

Дисклеймер: для Java-сеньоров в этой статье скорее всего ничего нового не будет.

Просто стало интересно - что такое описательный анализ. Математический анализ, функциональный анализ знаю. А описательный?

Наверно такое определение подойдет: Описательный анализ - это последовательность шагов, которая превращает сырые данные в понимание процесса. Маркетологи наверно будут говорить, что это не анализ, а аналитика, ну это их проблемы.

Как теоретическую основу я использовал идеи из следующих источников:

Process Mining - Ван дер Аалст, «Process Mining: Data Science in Action (2016). Методология извлечения знаний о процессе из логов событий.

EDA (Exploratory Data Analysis) - Тьюки, 1977. Принцип: сначала смотреть на данные, потом строить модели.

Lean Six Sigma - DMAIC (Define, Measure, Analyze, Improve, Control). Стандартная методология улучшения процессов.

Я не применяю всех методов, описываемых в Process Mining: Data Science in Action. Для данного анализа достаточно понимать, что наука о данных - это, в частности,  превращение данных в реальную ценность.

В этой статье ценность - понимание процесса. Мы не строим прогнозы, не используем машинное обучение. Мы делаем описательный анализ: превращаем сырые логи в картину того, как процесс работает на самом деле.

В статье неявно используется дискретная математика, теория графов, а математическая статистика не потребовалась. Еще: для меня реальные значения более информативны, чем картинки, но для любителей несколько диаграмм я все ж добавил. В тексте много цифр, я старался показать весь процесс, но для понимания результатов можно смотреть только выводы в конце каждого шага

Мы провели больше 100 запусков альтернативного теста 1С:ERP от «ИТ-Экспертизы» и дошли до APDEX = 0,986 на 30 000 виртуальных пользователей. Путь был непростым. На 15 000 ВРМ APDEX сначала упал до 0,704, и нам пришлось разбираться с загадочными ошибками PostgreSQL, штормом инвалидаций и перекосом нагрузки по NUMA-узлам. Рассказываем, что именно помогло.

Важной новостью прошлой недели стала атака класса supply chain на владельцев аппаратных криптокошельков Ledger. 10 октября производитель криптокошельков официально признал наличие «неавторизованного аппаратного импланта» у одного из своих пользователей, средства которого были украдены. Модифицированное устройство было приобретено у официального дистрибьютора Ledger в Малайзии, компании CryptoBilis. По просьбе Ledger эта компания приостановила продажи криптокошельков на время расследования.

Это все, что известно из официального заявления производителя. Подробности инцидента пока что доступны в виде неофициальных сообщений в соцсетях, например здесь и здесь. Фото импланта доступно здесь. Согласно этим сообщениям, устройства, реализуемые CryptoBilis, подвергались модификации до продажи. В устройство добавлялась дополнительная плата с сотовым модемом и eSIM. Плата перехватывала данные с дисплея устройства и не вмешивалась в основную криптографическую функциональность — последнее, в теории, было бы проще выявить.

Всем привет, меня до сих пор зовут Максим и я застрял на Мапс-ми:) Прошло аж два года с момента написания мной статьи про ОТ в Мапс https://habr.com/ru/articles/837058/ и теперь хотелось бы немного рассказать как мы стоим на месте. Опишу начало нашего долгого пути в область предоставления расписания по уже имеющимся у нас в приложении линиям ОТ.

Про архитектуру трансформеров написано уже немало, поэтому опишу работу LLM агента с прикладной точки зрения.

Случается, что мы накопили пару вагонов данных по рабочему кейсу, сидим, смотрим на него, гордимся накопленным объемом... Но заказчику ты его в таком виде не предъявишь. 
И что теперь с этим всем счастьем делать? Как его интерпретировать и как на его основе построить "венец творения" осинтера — отчет? 

Вот тут, как раз и наступает самый "веселый" этап работы с большими массивами данных — статистическая обработка. Не так интересно, как исследование, но чтобы собрать внятную цельную картинку, без нее не обойтись. Поясним для почему:
Во-первых, статобработка позволяет трансформировать разрозненные массивы сырых данных в что-то структурированное, сделать выводы, поддающиеся верификации и воспроизведению. Без количественных и качественных методов придется опираться исключительно на субъективные суждения, что сильно снизит достоверность выводов.
Во-вторых, статистика проявляет скрытые закономерности и аномалии, подсвечивает те сигналы, которые теряются в информационном шуме при поверхностном изучении. 
Логично же?
Не благодарите Кэпа.

Теперь разберемся, какие конкретные задачи решаемы статистическим анализом в рамках ОСИНТ-деятельности. Понятно, что для верификации единичных эпизодов статистика - излишня. Говорить будем только о значимом количестве данных.
Будет много перечислений, описаний и, казалось бы, очевидных вещей, но уж такова специфика такого рода гайдов.

Итак, задачи:
1. Профилирование акторов: построение количественных моделей поведения отдельных лиц или организаций.
2. Мониторинг дезинформации: выявление аномальной активности в социальных сетях, обнаружение ботнетов и координированных кампаний влияния путем анализа временных рядов и сетевых графов.
3. Корреляционный анализ публичных финансовых отчетов, реестров юридических лиц и данных о сделках с различными объектами собственности.
4. Геопространственный анализ: статистическая обработка геотегированного контента для верификации местоположения событий (геолокация).
5. Оценка угроз: прогностическое моделирование на основе исторических данных об инцидентах, конфликтах и кризисах.

DNS в Kubernetes может годами работать без нареканий, а затем внезапно начать добавлять по пять секунд к запросам. Причина порой скрывается в стандартных настройках резолвера, которые создают лишний трафик и повышают вероятность потери пакетов. Разбираемся, как ndots:5 связан с таймаутами, где искать источник задержек и какие способы решения действительно помогают.

Гергей Орос (The Pragmatic Engineer) пересказывает свой доклад на конференции LDX3 в Нью-Йорке: что изменилось в индустрии за год, что сломалось, что осталось прежним и куда всё движется. В августе 2026 года на GitHub агенты создали больше PR, чем люди, в Linear агенты заводят больше задач, чем люди, Cursor и Antigravity ушли от IDE, а код-ревью во многих компаниях превратилось в театр. В статье свежие данные GitHub, Linear и Factory AI, истории из OpenAI, Anthropic, Uber и Ramp.

V-GEN — локальный сервис с веб-интерфейсом, который собирает новостные ролики сам «под ключ»: от живого поиска инфоповодов до готового Full HD файла с русским именем для эфирного плейлиста.

Не стоит доверять людям, которые обещают выполнить задачу после полной предоплаты: возможно, они действительно всё сделают, но есть риск, что они пропадут с деньгами и перестанут отвечать на звонки. Чтобы не полагаться на добросовестность контрагента, есть техническое решение. Это безопасная сделка — модель расчётов, которая исключает элемент доверия. 

В статье рассказываю, как работает платёжный сценарий с ролями, статусами, сроками, правилами выплат и обработкой спорных ситуаций. Привожу примеры, разбираю техническую интеграцию решения для безопасных сделок через API, настройку комиссий, URL-уведомлений и фискализации.

Я довольно рано научился доводить свои программы до состояния «работает». Потом захотел зарабатывать ими. И тут обнаружил, что после написанного кода у меня начинается самая непонятная часть.

Маркетинга и продаж я не понимал. Зато умел сесть и написать код. Так и делал.

Современные модели пишут код, запускают тесты, замечают, что что-то упало, и сами вносят правки. Если дать им инструменты, этот цикл можно прокручивать многократно, без чьего-либо участия. А где заканчивается обычная автоматизация и начинается самоулучшение? Недавно я прочла обзор, в котором авторы берут концепцию рекурсивного самоулучшения (Recursive Self-Improvement, RSI) и предлагают шкалу из пяти уровней автономии. В этой статье я хочу поговорить о том, какие из них уже можно увидеть в современных системах.

Неужели опыт запуска своих проектов, особенно если они доведены до конца, хуже опыта работы в больших компаниях при найме на работу на позицию продукта/маркетолога?

Просто я смотрю, вокруг прям все козыряют, exБигБанк и т.д. и HR на это видимо клюют и выбирают того, у кого предыдущее место работу круче или созвучно с их названием компании.

Введение

Несколько лет назад в Интернете завирусилась эта картинка. Это очень простой сдвоенный куб с шестью отрезками. Волшебным образом оказывается, что они образуют красивую последовательность корней чисел от одного до шести. Корень единицы — это просто ребро куба. Корень двух — диагональ грани. Корень трёх — диагональ всего куба. И так далее.

Всё это замечательно, но математики склонны к жадности. Возможно, удастся удлинить эту последовательность? Можно добавить слева ещё один куб, получив при этом квадратные корни 9, 10 и 11. Но у нас остались разрывы, а разрывы — это не очень хорошо. Отсутствуют семёрка и восьмёрка. Возможно, стоит добавить куб снизу. Мы получим корень из восьми, но где же корень из семи? Конечно, мы можем добавлять новые кубы и получать новые длины, но как бы мы ни старались, корня из семи мы так никогда и не встретим. И общую причину отсутствия квадратного корня семи и ещё кучи других чисел определить не так-то просто. Эта одна из самых давних загадок в математике.

Вопрос о том, сколько конкретно чисел можно найти в таких составленных из кубов телах, не давал покоя математикам в течение двух тысяч лет. Благодаря нему появилась область, сегодня известная как аддитивная теория чисел. Давайте же изучим этот вопрос и узнаем, какой секрет кроется в этом сдвоенном кубе.

При онлайн-шоппинге пользователь покупает не только сам товар, но и представление о том, каким он окажется «в жизни». И все чаще оно формируется визуалом, созданным или улучшенным с помощью ИИ. Сегодня продавец может за минуты заменить фон, сгенерировать лайфстайл-сцену, создать несколько версий главного изображения или «достроить» окружение без полноценной фотосессии.

Для бизнеса это означает более быстрый, дешевый и управляемый визуальный контент. Для пользователя — растущее ощущение, что картинке все сложнее доверять. Если фото можно существенно улучшить без изменения самого товара, визуал перестает быть надежным ориентиром для покупателя.