Kurgan-Telecom Ru | Информационные технологии

У любого ускорителя Python есть число: во сколько раз он быстрее. Меряют его на ядрах - сортировка, обход дерева, арифметика в цикле. Сервис устроен не так: обработчик ходит в базу, считает в numpy, сериализует ответ, и байткода, к которому это число применимо, в нём может почти не остаться. CinderX ускоряет байткод, и за пределы байткода это число не распространяется. Доля байткода в вашем сервисе - свойство вашего кода, а не расширения, и пока она не посчитана, «ставить или нет» решается угадыванием.

После неудачного вывиха плеча, эта травма может повторяться снова и снова, уже от меньшей нагрузки. Такой рецидив называется повторный вывих. Веками он преследовал несчастных пациентов, а методам его лечения позавидуют пытки инквизиции: плечо буквально прижигали каленым железом, давая хоть какую-то надежду на исцеление.

Однако в пятидесятых годах XX века французский хирург Мишель Латарже придумал отпилить часть «ненужной» кости от скелета и зафиксировать ей сустав. Из этой статьи вы узнаете, откуда в скелете вообще ненужные кости и как родилась популярнейшая (на сегодняшний день) операция по лечению тяжелого вывиха плеча.

Так уж вышло, что сам я прошел эту операцию восемь месяцев назад, потому подробно расскажу не только теорию, но и впечатления от первого лица.

Пользователю корпоративная почта кажется простым инструментом: письмо пришло, ушло, календарь синхронизировался, поиск нашел нужное сообщение. Но что происходит с почтой в компании, где работает 100 тысяч человек, а количество IMAP-, SMTP-, MAPI- и WebMail-соединений измеряется десятками тысяч? При таком масштабе почта перестает быть «почтовым сервером» и превращается в одну из самых сложных распределенных корпоративных систем с высокой производительностью.

Автор: Дмитрий Левин, системный аналитик, отдел системного и бизнес-анализа, Петрович-Тех

Когда мы слышим «Петрович», перед глазами встают обои, смеси, доски, крепеж, краска - и тот самый список покупок, который начинался с «возьмем только самое необходимое», а закончился оформлением доставки, потому что до машины все это уже было не донести.

Но за фасадом строительного ретейлера скрывается слой, который клиент никогда не видит, - IT-ландшафт. Пока покупатель выбирает товар, внутри компании работают системы учета, товарных справочников, складской сборки, маршрутизации, контакт-центра, электронного документооборота, программ лояльности, аналитики и десятков других сервисов - именно они проводят заказ через весь путь: от корзины до двери.

Это история о том, как IT-ландшафт «Петровича» вырос из одной системы в десятки специализированных и теперь движется к единой платформе. А заодно разберемся, чем занимается «Петрович-Тех» и почему его работу можно сравнить со строительством.

«У меня всё открывается» — прекрасная фраза. В ней есть уверенность, оптимизм и результаты мониторинга ровно из одной точки.

Проблемы начинаются, когда у коллеги сайт тоже открывается, а у клиентов из другого региона — уже нет. Сервер работает, процесс запущен, график CPU выглядит образцово. Где-то между этими хорошими новостями потерялась возможность пользоваться сервисом.

Мы развиваем RMON, чтобы такие ситуации было проще замечать и разбирать. Это система мониторинга доступности сайтов, API и сетевых сервисов из разных точек. Вы задаёте, что проверять, откуда и какой ответ считать правильным. Агенты выполняют проверки, RMON собирает результаты, показывает историю и отправляет уведомления.

Сегодня мы открываем веса нашей новой модели AliceAI‑Foundation-80B‑A3B‑Base под лицензией Apache 2.0. Модель прошла полный цикл обучения в Яндексе с нуля: мы не использовали веса сторонних опенсорс‑моделей. Её создание — ещё один шаг к нашей единой рассуждающей модели (ЕРМ), на базе которой будут развиваться агентские возможности Алисы AI.

В претрейн‑замерах новая модель обходит более крупные DeepSeek‑V4-Flash‑Base и Nemotron-3-Super на многих задачах — от фактологических и экспертных вопросов до математики и кода, — а на сложных задачах IMO AnswerBench и LiveCodeBench лидирует среди сравниваемых открытых претрейнов. Нашу предыдущую закрытую Alice AI LLM 235B она превосходит по фактологическим знаниям, математике, программированию и работе с длинным контекстом — при почти втрое меньшем общем числе параметров и примерно в семь раз меньшем числе активных.

Недавно наши коллеги открыли претрейн Alice AI Search (кстати, он тоже обучен без применения весов опенсорс‑моделей) и рассказали, как устроена модель быстрых ответов Алисы на Поиске. Сегодня мы подхватим у них эстафетную палочку и расскажем о большом обновлении датасета, который лежал в основе обучения обеих моделей.

Также продолжим историю из декабрьского техрепорта Alice AI LLM. Тогда обучение начиналось с весов Qwen3-235B‑A22B, но в этот раз мы обучали модель полностью с нуля. Благодаря накопленному командой опыту весь путь к релизу этой модели занял около полугода. За это время мы пересобрали корпус, перебрали архитектурные решения, подобрали гиперпараметры и добавили данные для рассуждений и агентских взаимодействий.

За итоговыми скорами стоит много экспериментов, и нам хочется рассказать о них подробно. Поэтому вместе с весами мы публикуем большой технический отчёт: от пайплайнов подготовки данных и протоколов оценки до стабилизации обучения и scaling laws. Для ключевых решений приводим абляционные эксперименты и разбираем подходы, от которых пришлось отказаться. Вклад обновлённого корпуса, архитектуры и гиперпараметров проверили в серии обучений с нуля — по 2 трлн токенов каждое.

Отдельная большая часть отчёта посвящена тому, как измерять качество претрейнов и почему это сложно. Результат базовой модели может сильно зависеть от примеров в промпте, а правильное решение сложной задачи — появляться лишь в одной из многих попыток. Мы подробно рассказываем, как выбирали протоколы замеров, строили бенчмарки, проверяли автоматическую оценку и выясняли, какие метрики позволяют предсказать качество после дообучения. Вместе с весами открываем два фактологических бенчмарка — WikiWebFacts и HardMultiQA с акцентом на русскоязычный контекст — и протоколы их оценки.

Мне за сорок, в разработке я около двадцати лет, и характер у меня соответствующий. Когда вокруг заговорили, что нейросети пишут код, я отнёсся к этому как к большинству модных вещей за эти двадцать лет: игрушка, поиграют и забудут.

Потом в свободное время, из чистого любопытства, поставил Claude Code. Не для работы, для себя. Пару месяцев назад.

О симуляции чаще всего говорят в контексте фантастики или видеоигр, она позволяет синтезировать сценарии, которые невозможны в реальном мире или которые повторяются тысячи раз с минимальными отличиями. И именно поэтому симуляторы, как инструмент, стали неотъемлемой частью обучения человека, а теперь и обучения нейросетей и разработки ПО. Для автономного транспорта это способ накатать миллионы километров, не выезжая из гаража.

Меня зовут Амиран Беркаев, я активно развиваю инфраструктуру тестирования автопилота в ЭвоКарго, и в частности — лидирую направление симулятора. Наша компания разрабатывает электрические беспилотные грузовики максимально высокого на сегодня серийно‑эксплуатируемого уровня автономности, а также сервис автономной логистики на их основе.

В этой статье я расскажу, откуда вообще взялись симуляторы, что именно первым исследователи решили сымитировать, как на развитие этой сферы повлияли компьютерные игры, какими симуляторы вообще бывают, в каких этапах разработки автопилота применяются и как развиваются сейчас — в эпоху ИИ и гонки за автономность.

Поисковый трафик обычно воспринимают как игру в долгую. В органике нужно собрать семантику, подготовить контент, дождаться индексации и попытаться обойти страницы, которые уже годами стоят в топе поисковой выдачи. В платном поиске всё быстрее, но каждый клик уже стоит денег — и чем очевиднее спрос, тем дороже за него бороться. 

Но есть сценарий, в котором поисковый трафик можно получить дешевле: поймать спрос в момент, когда он только появляется.

Как-то очень незаметно в ИТ-сообществе прошла новость об издании Приказа Председателя Верховного Суда РФ от 03.09.2026 № 59-П, которым была утверждена Концепция внедрения технологий искусственного интеллекта в судопроизводство Российской Федерации (ссылка и ссылка). В основном новостные посты ограничились упоминанием одного из показателей: доля судей, использующих судебные ИИ-сервисы на постоянной основе, к 2030 году должна составить более 95%. Однако целесообразно посмотреть весь документ, может быть там присутствуют еще какие-то интересные положения.

Одна и та же модель, один и тот же агент — разные маршруты и разные часы. Считаю на прайсе и на настоящих сеансах харнесса.

Хабр, привет!

На связи Владимир Шнейдмюллер, аналитик-исследователь угроз кибербезопасности R-Vision.

Когда компания меняет SIEM или хочет переиспользовать накопленный набор правил, быстро выясняется, что правило — это не только поисковый запрос. За ним стоят конкретные источники событий, нормализация, модель данных, временные окна, связи между событиями и принятые в команде требования к оформлению.

Поэтому механическая замена операторов одного языка на операторы другого может дать формально аккуратный текст, который либо не запускается, либо, что хуже, запускается, но обнаруживает уже не то, что было задумано.

Для этой задачи мы сделали Detection Drift. Инструмент принимает правила в форматах Sigma, Splunk SPL, MaxPatrol SIEM, Microsoft KQL и других распространенных систем, добавляет доступный контекст и формирует правило .ro для R-Vision SIEM с УМС 2.0. Затем результат проходит автоматические проверки, а пользователь получает само правило и пояснения к конвертации.

На выходе получается подготовленный и автоматически проверенное правило. Его все равно должен принять аналитик, сопоставить с исходной логикой, проверить поля на реальных событиях и протестировать правило в  SIEM.

В статье посмотрим пользовательский сценарий, разберем архитектуру и отдельно определим, где заканчивается автоматизация и начинается работа специалиста.

Первым подсказчиком первой линии у нас был чат-бот в мессенджере, работавший на API ChatGPT, — и первый ход в нём всё равно оставался за человеком. Мы переложили его на фонового агента Copilot Studio: тот сам стартует по назначению заявки и пишет решение в скрытый комментарий. Разбираю на своём кейсе, откуда агент берёт данные, почему у MCP-сервера выключена аутентификация и что случилось, когда он впервые попробовал не советовать, а действовать.

Как ускорить ИИ-агента с RAG в проде и не слить бюджет: на примере ИИ-консультанта

Статья будет полезна инженерам, продактам и всем неравнодушным, кто хочет разбираться в теме чуть глубже, чем обычный пользователь.

А поговорим мы сегодня о том, с какими проблемами такие агенты живут в продакшене, на что жалуются пользователи и как бороться с главной болячкой — скоростью.

Три уровня проектирования, на которых мы строим фундамент UX для финтех сервисов: 1) Регуляторный уровень; 2) Операционная прозрачность; 3) Уровень доверия пользователей.

Без них любой дизайн в финтехе — это UX поверх пустоты. Менять местами не рекомендую.

Симуляция расписания сервиса с неоднородным временем обслуживания: равные слоты против слотов по типу. Код целиком, 2000 прогонов, разбор того, чего модель не умеет.

Один и тот же стек трейс, напечатанный 50 тысяч раз, не сделает расследование инцидентов в 50 тысяч раз полезнее. Зато он честно увеличит сетевой трафик, объем хранения и время на извлечение данных.

Решение выглядит очевидно: включить дедупликацию в агенте. Но под дедупликацией у разных лог-шипперов скрываются разные вещи. Один агрегирует повторы и сохраняет их количество, другой молча оставляет только первую запись, третий умеет лишь ограничить частоту, а четвёртый показывает уникальные строки только в интерфейсе — после того как все дубли уже попали в хранилище.

Меня зовут Антон Касимов, я работаю в Gals Software, веду авторский телеграм по наблюдаемости Мониторим ИТ и я сравнил пять известных лог-шипперов (мог бы назвать их популярными, но это субъективно):

- OpenTelemetry Collector

- Vector

- vlagent

- Fluent Bit

- Grafana Alloy

- Filebeat

А затем прогнал через них одинаковый поток данных. Агентов, которые действительно умеют в дедупликацию оказалось два: OpenTelemetry Collector и Vector. У Fluent Bit задачу можно решить скриптом, а у Filebeat, vlagent и Alloy встроенного механизма дедупликации вообще не оказалось.

Вперёд!

Опыт управления командами у меня больше 10 лет. Начинала с нагрузочного тестирования в аутсорсе и там исполняла роль тимлида+проджекта. И в роли продакта я работала как с совсем маленькими, так и с командами по 20 человек. В маленьких командах получается быстро договориться, а вот в командах 15+ операционка может перетаскивать на себя огромный временной ресурс и отжирать то, чем я люблю заниматься. В этой статье расскажу, как я подхожу к управлению большими командами, как мы делили обязанности с проджектом и адаптировали Scrumban под наши потребности.

Привет! Меня зовут Маша, я Senior Product Manager и разбираю только те продукты, над которыми сама хотела бы поработать, так как ими пользуюсь, люблю и вижу, где есть потенциал роста. Мне драйвово искать для них решения, которые выводят продукт на новый уровень не только по деньгам, но и по UX и любви пользователей. Мои разборы: «Рейтинг ни на что не влияет»: Почему Яндекс.такси выбирает газлайтинг вместо честного UX и Кэшбек Шрёдингера и молчаливые проценты: Dark Patterns в банкинге. Сегодня я поделюсь как работаю с командой и какие лайфхаки нашла для себя для ускорения Time to Market.

Разбор «Одиссеи» Нолана с точки зрения управления командой: решение, принятое из страха, риски без исследования, цена эмоций руководителя и единственный эпизод, где Одиссей поступает правильно.

Осторожно, текст содержит спойлеры

Публикуется полный перевод статьи The AI Dilemma: Growth versus Existential Risk, опубликованной в 2024 году за авторством Чарльза Джонса (Charles I. Jones).

Эта статья ставит непростой этический вопрос: можем ли мы обменять ускоренный экономический рост и (возможное) увеличение продолжительности жизни, которое нам сулит повсеместное внедрение ИИ и рост самого ИИ до (предполагаемого) суперинтеллекта, на риски, связанные с полным уничтожением человечества как вида? В статье предлагается математическая модель, включающая параметры ускорения экономического роста, увеличения продолжительности жизни и риск уничтожения человечества сверхсильным ИИ. Этически неоднозначной статью делает утверждение, что существует и может быть теоретически оценен уровень риска для человечества, который "допускается принять" в обмен на ускорение экономического роста и увеличение средней продолжительности жизни...

Кроме того, текст и формулы снабжены комментариями @avshkol для помощи в понимании формул и части сложных мест работы, а также критическими комментариями @avshkol там, где предположения и выводы, сделанные в модели, заслуживают критики или иного взгляда (см. заключительный комментарий).