Kurgan-Telecom Ru | Информационные технологии

Два года назад несколько секунд мыльной генерации считались прорывом. Сегодня нейросети выдают кинематографичные ролики в 4K качестве, держат консистентность персонажей и работают с референсами — и это активно применяется в работе.

В статье разобрал, какие технологические скачки произошли с 2024 по 2026 год, как они повлияли на рынок и какие направления будут определять развитие рынка дальше.

После нескольких успешных пилотных проектов с агентами многие организации начинают тихо обнаруживать, что прирост эффективности куда-то утекает. Разрозненные агенты создают повторную работу, конфликты и пограничные случаи, за которые никто не отвечает. Разговаривая с заказчиками, я понял, что уже видел этот фильм.

У каждой технологической волны есть вопрос, который задним числом кажется очевидным, но в разгар всеобщего энтузиазма его пропускают. Для микросервисов это был вопрос: кто на самом деле отвечает за сквозной поток клиентского сценария? Для агентов, думаю, вопрос тот же.

Обещание микросервисов заключалось в том, что команды разработки смогут оставаться независимыми и двигаться быстрее — сервисы просто будут реагировать на события, без необходимости координации. Вначале это даже работало. Добавить новый сервис было легко: достаточно было начать потреблять события из уже существующей системы, не нужно было разговаривать ни с одним производителем событий. Команды двигались быстро.

Доминирующий стиль координации назывался хореографией: сервисы не общаются друг с другом напрямую. Вместо этого они генерируют события (например, заказ размещён, платёж подтверждён, товар зарезервирован), а другие сервисы независимо реагируют на эти события. Таким образом, не нужен центральный координатор и, возможно, даже не нужно задавать явную последовательность. Каждый сервис занимается своим делом, в результате чего получается слабо связанная архитектура (спойлер: слабо связанной она не была — как я разобрал в докладе под названием «Слабая или паршивая связанность? Понимаем паттерны коммуникации в микросервисных архитектурах»).

# tl;dr:

* взять механизм Ginfull для контроллера Xbox 360 с датчиками на эффекте Холла (датчики выкинуть);

* взять TMR датчики для использования с механизмами ALPS, например, от той же Ginfull;

* прифранкенштейнить TMR датчики к механизму;

* ???

* Profit

Нейросетям в современном виде — несколько десятилетий. А вопросом «как вообще возникает знание?» люди занимаются больше двух тысяч лет. Значит, рассуждал я, где-то между Платоном, Аристотелем, Пирсом, Гегелем и Кантом наверняка лежит забытый метод обучения. Осталось перевести его с философского на PyTorch, вызвать backward().

План был отличный. Я взял список методов машинного обучения, наложил его на философские теории познания и сначала получил двенадцать «неиспользованных» идей. Потом начал проверять литературу — и половина списка исчезла.

Абдукция Пирса уже живёт в Abductive Learning и нейросимвольных системах. Скептическое воздержание от суждения называется selective prediction. Воплощённое познание ездит по лабораториям в роботах. Телеология устроилась в goal-conditioned reinforcement learning. Даже диалектика уже добралась до отдельных алгоритмических работ.

То есть бесплатной оптимизации у Платона не нашлось, а то что нашлось я упковал здесь https://github.com/webzuweb/philosophia_torch

Зато обнаружилось кое-что полезнее: философия чаще даёт машинному обучению не готовые алгоритмы, а постановки задач. «Что значит знать пределы своего знания?», «как понять часть через целое?», «как сохранить оба полюса противоречия?», «что останется, если временно отключить привычную предпосылку?» — это уже почти техническое задание. Не хватает состояния, оператора, функции потерь и эксперимента, в котором идея может проиграть.

В этой статье я разделю философские аналогии на три класса, затем разберу шесть механизмов, которые всё ещё формализованы лишь частично, и покажу объединённый PyTorch-модуль. В отличие от первой версии, здесь есть не только формулы и тесты, но и два воспроизводимых синтетических эксперимента.

YAML уже много лет остаётся стандартным способом писать манифесты Kubernetes. Любой пример, туториал и файл конфигурации, которые попадаются на глаза, написаны на нём. Проблема не в том, что YAML — плохой формат. Проблема в том, что YAML даёт множество вариантов, и не все они одинаково хороши для манифестов Kubernetes. Одни возможности делают файлы менее читаемыми, другими легко воспользоваться неправильно, а третьи приводят к неожиданному поведению.

Интересно вот что: большинство этих возможностей Kubernetes не нужны. Он опирается лишь на небольшое подмножество YAML. Отсюда возник простой вопрос: если Kubernetes нужна только малая часть YAML, почему бы не стандартизировать именно эту часть, а остальное не использовать? Вместо того чтобы вводить новый язык конфигурации, SIG CLI представила KYAML, более строгий и последовательный способ писать YAML. А мы в VK Cloud перевели об этом статью.

У большой базы знаний есть неприятное свойство. Она хорошо отвечает на вопросы, которые в нее уже положили, и никак не сообщает о вопросах, которых в ней не хватает

Пользователь задает вопрос AI-агенту, RAG не находит подходящего материала, и диалог уходит специалисту. Оператор разбирается и пишет правильный ответ. Через несколько дней приходит другой пользователь с той же проблемой, но для Agent ничего не изменилось. Ответ уже существует внутри компании, просто он остался в истории поддержки

Чем больше обращений, тем хуже работает ручной контур. Продакт видит общую долю передач оператору, редактор получает отдельные просьбы обновить базу, а повторяющиеся вопросы растворяются среди тысяч диалогов. В итоге RAG пополняют по ощущениям, громким жалобам и случайно замеченным кейсам

Мы решили построить сервис, который находит такие пробелы автоматически. Он читает обращения, выделяет полезные ответы операторов, объединяет повторы, сравнивает результат с текущей базой знаний и готовит редактору рекомендации

На одной площадке в малом городе нужен ИТ-специалист на месте, и найти его сложно. Сильного инженера для завода в городе на двести тысяч наша команда не нашла: местный рынок такого кандидата не дал. Запрос на ИТ-аутстаффинг, «арендовать специалиста», в такой ситуации звучит естественно, только закрывает ли он задачу площадки, зависит не от договора.

В статье расскажу, чем ИТ-аутстаффинг отличается от аутсорсинга по закону и по сути, когда специалист на площадке нужен и как устроен гибрид «руки на месте, команда удаленно».

Масштабирование автотестов — закономерный этап развития любого растущего проекта. С увеличением количества автотестов меняются требования к архитектуре, инфраструктуре и процессам разработки. Репозиторий становится сложнее, возрастает время выполнения прогонов, увеличиваются затраты на поддержку и диагностику падений. На каждом этапе проекту требуются новые инструменты и подходы, которые позволяют сохранить скорость разработки и устойчивость всей системы автоматизации.

Меня зовут Михаил, в Ozon занимаюсь тестированием и автоматизацией финансовых сервисов маркетплейса. До этого за шесть лет мне довелось поработать в шести компаниях и получить опыт в проектах разного масштаба. Многие из них проходили нижеописанные этапы развития, хотя различались продуктами, командами и технологическим стеком. В этой статье я разделю этот путь на четыре условных уровня и покажу, какие метрики сигнализируют о необходимости роста, а также разберём этот процесс на всех уровнях: от архитектуры фреймворка до выстраивания процессов и TestOps.

Каждый, кто работает в терминале, держит открытыми сразу несколько вкладок: в первой смотрит логи, во второй следит за списком запущенных процессов через htop, в третьей работает с Git, в четвертой запускает миграции базы данных. При переключении между вкладками легко запутаться, закрыть нужную, а при обрыве связи — потерять запущенные процессы и сессии. 

Привет! Я Саломея, продуктовый технический писатель в Selectel. В этой статье поделюсь своим опытом, как с помощью tmux упорядочить этот хаос и сделать работу удобнее. Разделим окно терминала на панели, запустим сессию, которая не прервется при закрытии окна, автоматизируем настройку рабочего пространства. Посмотрим, как выполнять команду сразу на нескольких серверах.

Делаем приложение, которое готовит расчётные наборы данных для нативного BI-конструктора Битрикс24.

Пользователь описывает нужные показатели обычной фразой, приложение через ИИ-помощника собирает набор и публикует датасет в «Рабочее место аналитика». Аналитику остаётся один раз собрать по нему график, выбрав нужные поля и способы визуализации.

Поиск работы в 2026 году на крупнейших агрегаторах вроде hh.ru напоминает прогулку по минному полю без миноискателя. То, что когда-то было удобным инструментом, деградировало в гигантский marketplace для мошенников, траферов и корпоративных паразитов. Вместо оффера мечты обычный работяга получает каскад из фейковых вакансий, психологических тестов для умственно отсталых и откровенного криминала, прикрытого маской «менеджера по обработке заявок».

Мы успели проверить оба варианта и провести через таск-трекер 45 объектов. Рассказываю наши лайфхаки, как разложить сложный инженерный процесс по доскам, не утонуть в задачах и сделать систему, которой команда действительно будет пользоваться.

Меня зовут Вера Касьяненко, я разработчик из команды DevRails AI в MTS Web Services. Сейчас мы создаем агента-разработчика — сервис, в котором языковая модель сама пишет код, запускает тесты, делает ревью и создает коммиты.

Когда прикручиваешь модель к сервису и выдаешь ей инструменты, довольно быстро обнаруживается неудобный факт: команды, которые она генерирует, где-то выполняются. И от ответа на вопрос, где именно — и кто этим местом управляет, — зависит вся остальная архитектура.

В статье рассмотрим три возможные схемы: от наименее изолированной к платформенной, и разберем, как устроена каждая, где она ломается и к какой пришли мы.

Привет, Хабр! Меня зовут Дмитрий Сенюшкин, на связи AIRI и команда «Автономное зрение». Наша научная группа активно интересуется темой беспилотных автомобилей и сегодня хотелось бы рассказать об одной из наших последний наработок в области симуляции для тестирования и обучения алгоритмов. 

В этой области важную роль играет не только объём обучающих данных, но и их разнообразие. Эту проблему можно решить с помощью синтетики, которую производят реалистичные дорожные симуляторы. Мы пошли по этому пути и создали XSIM — новую технологию, для которой пришлось пересмотреть традиционные пайплайны представления объектов. Мы представили XSIM на недавно прошедшей IJCAI 2026, здесь же я перескажу суть нашей работы.

Атакующий уже знает логин и пароль — купил, подобрал по утечке, вытащил стилером с домашнего ноутбука. Второй фактор — пуш в приложении с кнопками «Одобрить» и «Отклонить». И вот он просто начинает логиниться. Раз за разом. Телефон жертвы звенит в двадцать третий раз в 02:40, человек спросонок жмёт зелёную кнопку — не потому что глупый, а потому что это самый быстрый известный ему способ прекратить вибрацию. Всё, второй фактор пройден.

Так вынесли Uber в сентябре 2022-го — там пушам ещё помогло сообщение в мессенджере от «айтишника»: мол, одобрите, чтобы это прекратилось. Примерно так же заходили в Cisco несколькими месяцами раньше.

Когда впервые пишешь собственную интеграцию с amoCRM через REST API, сами запросы к сделкам, контактам или компаниям обычно оказываются не самой сложной частью.

Основной вопрос возникает раньше:

как один раз авторизовать интеграцию, а затем поддерживать доступ к amoCRM без постоянного ручного получения ключей?

1-2 года назад я реализовывал такую интеграцию на PHP. Токены хранили в MySQL, а работу с OAuth разбили на несколько отдельных файлов.

Сейчас решил восстановить общую архитектуру этой реализации.

Если убрать детали, OAuth-интеграция выглядит довольно просто:

Authorization Code → Access Token + Refresh Token → сохранение в БД → запросы к REST API → обновление токенов → повторное сохранение в БД.

Код авторизации берется в AmoCRM:

Всем привет, с вами снова Максим Михайлов. В третьей статье из моего цикла я рассказывал, почему агентные сценарии не стоит централизованно писать силами одних разработчиков. ИИ действительно приносит пользу инженерам и другим специалистам, когда у них есть безопасная среда, доступные инструменты и возможность самостоятельно решать рабочие задачи. Именно такой подход мы развиваем у нас.

А сегодня расскажу о том, как сделать работу с ИИ привычной практикой для всей команды.

Чем больше филиалов у компании, тем труднее поддержать обучение персонала на одном уровне. Без чёткой системы каждый офис со временем начинает учить по‑своему.

При анализе очередной цепочки PowerShell мне попался файл vcapcha.ps1. Само имя ничего особо интересного не говорит, поэтому сначала я посмотрел, что происходит непосредственно при запуске. Внутри оказался не какой-то сложный загрузчик с обфускацией, а достаточно прямолинейная цепочка: скрипт сообщает удалённому серверу о своём запуске, минимизирует окно PowerShell, скачивает следующий .ps1, сохраняет его во временный каталог и запускает. Дальше цепочка становится интереснее.

Реки, как и все «транспортные сети», следуют математической структуре, из‑за которой они так похожи на фракталы.

Моё сердце принадлежит реке. Не суровой чёрной Темзе, извивающейся через Лондон, где я родилась, а ленивой зелёной реке в 10 000 км отсюда — там, где я провела свою юность: реке Бланко в Техасе. Мои предки по материнской линии купались в её водах на протяжении многих поколений, как и я в бесчисленные летние дни.

Бланко — приток реки Сан‑Маркос, которая впадает в реку Гуадалупе, а та, в свою очередь, — в Мексиканский залив. Вы, наверное, можете представить, как это выглядит на карте, ведь все речные сети похожи друг на друга: они ползут по ландшафту, сливаются во всё более широкие и длинные русла, спускаясь вниз к морю. Эта схема напоминает веточки, соединяющиеся со стволами деревьев (а также разветвления их корневых систем), и точно так же напоминает жилки на листьях растений, нашу собственную систему кровеносных сосудов, а также сети железных дорог и автомагистралей, ведущих в города.

В этом повсеместно встречающемся узоре есть что‑то притягательное, настолько притягательное для меня лично, что я сделала себе татуировку на предплечье: силуэт дерева с безлистными ветвями, устремлёнными вверх, и корнями, уходящими вглубь, словно зеркальное отражение. «Формы рек, сосудистая система листьев и так далее — разветвлённые сети — вы можете более или менее уловить закономерность, но она по‑прежнему хаотична, и в этом есть что‑то завораживающее», — сказал Крис Паола, специалист по рекам из Университета Миннесоты.