Kurgan-Telecom Ru | Информационные технологии

В 1963 году 21-летний аспирант из Кембриджа начал замечать странную неуклюжесть в движениях и вскоре услышал от врачей страшный диагноз — боковой амиотрофический склероз. Ему прогнозировали всего несколько лет жизни. Болезнь постепенно лишала его подвижности и речи, но его разум продолжал работать с поразительной силой. Его звали Стивен Хокинг. Спустя десятилетия он станет одним из самых известных физиков современности, напишет бестселлер «Краткая история времени», а его идея о квантовом излучении чёрных дыр серьёзно изменит представления о космосе.

«Теория всего» — это не учебник, а сборник из семи лекций. В них Хокинг почти не использует сложные формулы и последовательно проводит читателя через историю научных представлений о Вселенной: от античной философии до современных теорий.

Не знаю как для вас, но мне всегда казалось очень странным, что, любой энтузиаст, желающий собирать какие-либо самоделки на базе микроконтроллеров, всегда сталкивается с весьма странной проблемой: как подключить двигатели наиболее простым способом?!  

Потому что, самое первое, с чем придётся иметь дело при попытках разобраться с этим вопросом, так это с тем, что в глаза бросается просто какое-то безумное количество плат расширения, какое-то безумное количество датчиков, подключаемых удобным и не совсем образом…. 

А двигатели? А двигатели в пролёте в прокруте (на первый взгляд)…:-B 

Ниже я рассмотрел пару решений, которые нашёл для себя в разные моменты времени в прошлом — возможно, они, в чём-то, будут полезны и для вас! ;-) 

Если вы работаете техническим инженером в отделе эксплуатации, то с вероятностью 99,9% вы знакомы с Prometheus и прекрасно разбираетесь в языке запросов promQL. Но даже в «родной и знакомой» сфере есть области, которые остаются вопросительными пятнами. Например, «Сравнение векторов»/«Сопоставление векторов». Это механизмы promQL, которые применяются не так часто, плохо документированы и неочевидны для понимания. Привет, Хабр! На связи Александр, руководитель кластера надёжности в компании ecom.tech, кластер надёжности занимается SRE, проводит тестирование нагрузкой и обеспечивает стек Observability. Этой статьей я постараюсь сделать вашу жизнь чуточку проще, на примерах объяснив нюансы непростой механики сопоставления.

В Яндексе постоянно растёт количество задач, где GPU требуются не только для классического машинного обучения, но и для генерации тяжёлого визуального контента: 3D‑сцен, видео, цифровых аватаров, симуляций и синтетических данных для обучения нейросетей.

Ярким кейсом стал проект к премьере сериала «Кибердеревня». Мы сканировали гостей мероприятия, создавали их 3DGS‑аватары (3D Gaussian Splatting) и интегрировали в подготовленные Unity‑сцены. Этот пайплайн наглядно подсветил узкое место: при масштабировании производства скорость упирается не в креатив или алгоритмы реконструкции, а в возможности инфраструктуры рендеринга. Стало очевидно, что нам нужно решение, способное ускорить обработку в десятки раз.

Традиционно такие задачи решаются на локальных рабочих станциях или через специализированные внешние рендер‑фермы. Однако в Яндексе уже есть YTsaurus — распределённая система с GPU‑кластерами, поддержкой контейнеризации и отработанными механизмами планирования задач. Меня зовут Анатолий Томилов, я разработчик инфраструктуры VR и 3D‑реконструкции, в Фантехе. В статье я расскажу, почему идея использовать YTsaurus в качестве внутренней рендер‑фермы выглядела логичной, но её реализация оказалась нетривиальной.

Если едете за рубеж этим летом, обязательно прочитайте, чтобы не потратить +30% на комиссии, не получить проблем на таможне и просто не остаться на улице без денег.

Аналитика, сканирование интернета стали сегодня сильно проще — даже китайских коллег можно читать совершенно прозрачным образом. Изучение исходников смежных OSS-проектов — это вообще песня: за пять минут, на малознакомом языке программирования и без предварительного знания структуры проекта можно получить ответы на важные вопросы, потырить полезные приёмы и изучить как удачные, так и неудачные архитектурные решения.

Тогда почему мы всё ещё тратим время, ходим на youtube и новостные сайты в поисках интересного контента? Зачем полагаемся на чей-то алгоритм - ведь тот же Claude хранит в том или ином виде историю переписки и таким образом может оценить наши реальные интересы. Может быть стоит взять в свои руки формирование 'информационного пузыря'?

Можно ли взять алгоритм из маленькой нейросети и «вставить» его в большую языковую модель на лету, без дообучения?
Мы проверили эту гипотезу на модульной арифметике. Spoiler: да, можно, но с сюрпризом, который переворачивает представление о том, как LLM на самом деле «думают».

Если вы работаете с большими языковыми моделями, вы знаете главную боль: чтобы научить GPT-4 решать арифметику или логическую задачу, приходится либо писать длинные промпты с примерами (CoT), либо дообучать модель — дорого, долго и не всегда предсказуемо.

А что, если мы пойдём другим путём?
Возьмём маленькую модель, которую мы обучили до состояния «идеального калькулятора» (она понимает модульную арифметику на 100%), и попробуем извлечь её внутреннее состояние (residual stream) и инжектировать его в большую LLM прямо во время генерации ответа.

Без градиентов. Без новых данных. Без fine-tuning.
Просто линейная проекция между двумя пространствами активаций.

Звучит как магия? Мы тоже так думали. Но оказалось, что это не магия — это геометрия.

Мы провели серию из 6 экспериментов, проверили всё: от случайной проекции до обучения линейного оператора W, от замены эмбеддингов до патча residual stream с сохранением контекста. И в процессе наткнулись на фундаментальное различие между тем, как маленькая модель «компилирует» алгоритм, и тем, как большая языковая модель «симулирует» его через текст.

Спойлер главного открытия:
Мы смогли передать алгоритм в residual stream большой модели с точностью 99.9% — но только при условии, что заменили её штатный LM head на свой маленький адаптер. Без адаптера — даже имея идеальный сигнал внутри, модель не могла его прочитать. Это как дать человеку правильный ответ, но записанный шрифтом Брайля, который он не знает.

2 июня мой мониторинг аптайма разом отрапортовал, что упало почти всё: 932 инцидента за 25 минут. Сайты были живы — все до единого. Виноваты дефолтный лимит файловых дескрипторов 1024 и «оптимизация», тихо размножившаяся в 60 раз. Разбираю по приборам: /proc, ss, EMFILE и почему docker compose restart не спасает.

Стимулирующие акции -штука эффективная, но с подковыркой. Запустить можно быстро, а вот получить результат, не слив бюджет впустую, - уже искусство. В этой статье разберу, какие механики работают, как устроен промосайт, что делать с чеками и где обычно всё ломается.

Продакшен. 23:52. Пятница. Восстанавливаем схему БД. Нет, не случайная авария. Просто я удалил поле, потому что Кирилл был уверен, что оно не нужно и не затронет всех внешних потребителей нашего API. Эх, подумал я. Опять было нарушено первое правило леса. Сколько раз я уже на этом попадался, и вот опять. Неужели так сложно было проверить? Нет, не сложно. Но зачем? Кирилл на проекте уже 5 лет. Он реально гений, ещё и суперответственный, мне до него далеко. Он уж точно должен был знать, насколько сильно заафектит систему это изменение, он же сам писал этот модуль, черт побери! Ладно, это был последний раз. В следующий раз я точно не проигнорирую правила леса!

Вы спросите меня, а что за правила леса? Ооо, это постулаты, написанные кровью, мой друг. Универсальная серебряная пуля, которую можно использовать как справочник и в обычной жизни, и для выживания в корпоративной среде. Присаживайся поудобнее.

Многие российские компании привыкли к 1С:УПП (Управление производственным предприятием) и активно ее использовали. Но весной 2026 года разработчики прекращают поддержку этой программы. Это значит, что больше не будет ни обновлений, ни исправлений багов, ни технической помощи от создателей.

В I квартале 2027 г. вендор не будет выпускать обновления 1С:УПП кроме тех, которые потребуются для сдачи отчетности за 2026 г. Законодательные изменения, которые вступят в силу с января 2027 г., поддерживаться в УПП не будут. С 1 апреля вендор приостановит любые консультации по конфигурации (письмо 1С №30064 от 09.12.2022).

Проблема практически любого предприятия малого масштаба, ведущего бизнес более чем в двух рабочих валютах, очень проста — деньги уходят, деньги приходят, курсы меняются, а мы учитываем только рублёвые активы (в лучшем случае). При этом все наши операции по криптокошелькам представляют собой мистические артефакты, которые вроде как есть, но не попадают даже во внутреннюю отчётность для владельца бизнеса.

Так получилось, что я родился скромным Goфером и год назад начал работу над самописной ERP-подобной учётной системой для микробизнеса РФ…

КИИ в 2026: регуляторный пинок, уголовное дело или всё-таки защита?

Когда регуляторка стала уголовкой - разбираем, кто реально выигрывает от требований к критической информационной инфраструктуре, реалистичен ли дедлайн 2028 года и почему бумажная безопасность теперь может стоить свободы.

Продолжаем исторический обзор странных, но порой гениальный нательных технологий! Во второй части мы поговорим о более новых наработках, исторически близких к нам по времени.

Когда мы выпустили Auto Embeddings — функцию автоматического преобразования текстов в векторные представления — без развёртывания отдельного сервиса для работы с ML-моделью, — главный запрос пользователей касался скорости работы. Ранее для генерации эмбеддингов использовался только стек SentenceTransformers поверх Candle (Rust-рантайм Hugging Face для ML-инференса), и ресурсы CPU использовались далеко не полностью: в большинстве сценариев нагрузки показатель QPS держался на уровне нескольких десятков документов в секунду независимо от способа подачи данных, а параллельные запросы обрабатывались последовательно в рамках одной сессии модели.

Поэтому мы в течение нескольких недель оптимизировали механизм запуска ONNX-моделей в Manticore. Новый бэкенд ONNX Runtime доступен начиная с Manticore Search 27.1.5 . ONNX (Open Neural Network Exchange) — переносимый формат моделей, в котором уже публикуется большинство популярных open-source моделей для эмбеддингов: MiniLM, BGE, E5 и другие. В результате получилось решение, которое в среднем в 14 раз быстрее прежней реализации SentenceTransformers/Candle на том же оборудовании (обычный недорогой сервер с 16 ядрами / 32 потоками), с той же моделью и теми же весами, если усреднить по всей матрице замеров threads × batch, — и это преимущество сохраняется как при одном клиентском потоке, так и при тридцати двух. Предыдущая реализация во всём диапазоне нагрузок показывала 5–11 документов/с; новая реализация работает в диапазоне 70–230 документов/с.

Карточка на маркетплейсе тонет среди сотен таких же, аватарка в LinkedIn снята на телефон в подъезде, а под пост опять нечего поставить, кроме стока, который видел уже весь интернет. Идти в студию ради одного кадра - это полдня, костюм, фотограф и счет на 10-15 тысяч. А на выходе нередко все равно пластик, который потом стыдно показывать.

В 2026 году сгенерировать фото с помощью нейросети можно за пару минут, и отличить результат от работы фотографа со светом и беззеркалкой уже почти нереально. Весь фокус держится на простой связке: чистый исходник плюс грамотный промт плюс правильная модель. Промахнешься в одном звене - получишь мыло, кашу из лишних пальцев и кривой текст на баннере. Попадешь во все три - заберешь себе карточку, которая продает, портрет, который поднимает ценник, и иллюстрацию, которую захочется переслать в рабочий чат.

Ниже - рабочие инструменты, актуальные тренды и готовые промты, которые можно копировать и вставлять прямо сейчас

Стартовала большая летняя распродажа Steam, а значит, самое время охотникам за подешевевшими тайтлами пополнить кошельки и как следует закупиться. О том, какие игры этого года, хиты последних лет и, конечно, индюшки стоит добавить в свою библиотеку — расскажем прямо сейчас!

Каждый владелец бизнеса делает десятки одинаковых действий в день. Отвечает на одни и те же вопросы клиентов. Переносит заявки в таблицу. Собирает отчёт из пяти источников. Пишет посты, которые откладываются, потому что «нет времени».

По оценкам отраслевых исследований, около 84% компаний тратят минимум четверть рабочего времени на повторяющиеся задачи. Для малого бизнеса это особенно дорого: штат маленький, размазать рутину не на кого, и нанимать ещё одного человека ради механической работы невыгодно.

В 2026 году у этой проблемы появилось решение, до которого дотягивается обычный предприниматель без программиста. Автоматизация рутины нейросетями перестала быть историей про «дорогое внедрение за миллионы». Нейросети научились работать сами: по расписанию, по событию, без вашей команды каждый раз.

Ниже разберём, что именно поменялось, какие задачи уже можно отдать ИИ, сколько это стоит в рублях, за сколько окупается и где новичок чаще всего теряет деньги.

Первым перевод на русский этой работы Роберта Зубрина, выдающегося американского аэрокосмического инженера, писателя, публициста и главного идеолога пилотируемой колонизации Марса, сделал ЖЖ-юзер keldoor в Живом Журнале, в сообществе Движение за Русский Космос’s Journal.

Однако, тот перевод был распределен по нескольким постам, журналы уже давно не ведутся, и с того времени (статья впервые опубликована в октябре 1995 года, перевод на русский сделан в 2012) появилось много новых данных о возможности и технологиях колонизации Марса. Поэтому я взял на себя смелость сделать новый перевод, снабдив его своими комментариями с точки зрения ситуации на середину 2026 года.

Статья стала классической и обязательна к прочтению всем интересующимся историей и технологиями космоса! Для тех, кто не в курсе идей и технологий освоения Марса, статья и критические замечания дадут хорошее введение в тему.

Частая ошибка — относиться к ним как к обычному таргетингу.

Добавили интересы, конкурентов, всех посетителей сайта, похожие аудитории, несколько URL, пару поисковых тем — и кажется, что теперь PMax “знает”, кого искать.

На практике всё сложнее.

Сигналы в Performance Max — это не жесткое ограничение аудитории.

Это стартовая подсказка для алгоритма.

Вы даете системе базу, а дальше PMax через оптимизированный таргетинг расширяет эту аудиторию. Иногда в 10–20 раз. И если стартовая база грязная, расширение тоже будет грязным.

Проблема не в том, что сигналов мало.

Проблема в том, что они часто слишком широкие, случайные или вообще не отражают реального покупателя.

Например, “все посетители сайта” — почти всегда слабый сигнал.

Почему?

Потому что при средней конверсии сайта 1–2% остальные 98–99% — это не только люди, которые сравнивают условия и готовы купить.

Там могут быть:
— случайные переходы;
— нецелевая аудитория;
— пользователи без намерения;
— студенты, конкуренты, подрядчики;
— люди, которые просто посмотрели и ушли;
— трафик из старых рекламных кампаний;
— пользователи, которых вообще не нужно масштабировать.

Если дать PMax такой сигнал, он не поймет: “вот мои лучшие клиенты”.

Он получит смесь из полезных и бесполезных пользователей и начнет расширяться от этой смеси.

То же самое с сайтами конкурентов.

Посещение сайта конкурента не равно намерению купить у вас.

Человек мог зайти случайно, читать статью, искать работу, сравнивать цены без бюджета или вообще не быть вашей ЦА. Поэтому ориентироваться только на URL конкурентов — не всегда хорошая идея.