Kurgan-Telecom Ru | Информационные технологии

Учителей физики в России стало вдвое меньше за двадцать лет: 61 тысяча в 2002 году против 31 тысячи сейчас, и треть из них пенсионного возраста. ЕГЭ по физике сдают 91 тысяча человек — это 37% от плана приёма в технические вузы. Некому учить, некому сдавать, некем заполнять инженерные специальности. Круг закручивается сам на себя.

Пытаюсь лучше понять работу Kotlin Coroutines. Беру небольшую тему про Kotlin Coroutines и пытаюсь разобраться и написать шпаргалку (максимально кратко и лаконично). Сегодня поговорим про Каналы (Channel) и паттерн Actor.

В предыдущих частях мы выяснили, что обычные suspend-функции возвращают результат только один раз. Но что делать, если у нас есть непрерывный поток данных, который асинхронно генерируется в одной корутине, а обрабатываться должен в другой (или даже в нескольких)? Нам нужна потокобезопасная «труба». В мире корутин этой трубой является Channel.

Представьте обычный feed на LazyColumn: новости, карточки, между ними рекламный баннер. Баннер загрузился, пользователь пролистал его вниз, затем вернулся обратно, и мерцание реклама грузится заново.

Ещё раз вниз. Ещё раз вверх. Ещё одно мерцание и загрузка.

На первый взгляд причина кажется очевидной: item покидает экран, rememberBannerAdState теряет состояние, Compose создаёт всё заново. Значит, достаточно сохранить BannerAdState за пределами item и проблема исчезнет.

Я тоже так подумал.

Не исчезла.
Мерцания остались.

С этого момента простой баг (?) интеграции Yandex Ads превратился для меня в небольшое расследование: пришлось разобраться, что на самом деле происходит с item внутри LazyColumn, как SubcomposeLayout переиспользует composition, почему это ещё не означает переиспользование AndroidView и какой lifecycle поверх всего этого построил Compose API Yandex Ads.

В итоге вопрос "почему баннер моргает?" оказался гораздо интереснее самого workaround.

Разбор интерфейса Телеграм Кошелька. Исправляю ошибки в UX на странице токенов, чиню логику баланса портфеля и делаю историю транзакций понятной без калькулятора

Разбираемся с мониторингом и observability, metrics, logs и traces, time series, labels, scrape, TSDB, PromQL и alerting rules.

Разберём, как Prometheus получает метрики через /metrics, чем target отличается от endpoint и job, зачем нужны exporters, а также почему запуск Node Exporter в Docker требует доступа к ресурсам Linux-хоста.

И вот настал один из ключевых моментов, решающих судьбу нашей с вами ОС, а именно переход с ужасающего, непереносимого и медленного языка, который умилительно называют ассемблер.

В этой статье мы перейдем в полноценный, современный C++23, и все еще останемся на голом железе. Настроим страницы, GDT и перейдем в 64-битный режим.

Есть популярная экономическая теория, что рыночек порешает, и что конкуренция отсеивает брак, а если решение стало индустриальным стандартом, то оно объективно лучшее. В разработку игр эта логика пришла в конце двухтысячных с популяризацией Unity, и чуть позже Unreal, и попытки сейчас предложить написать свой рендер или менеджер памяти натыкаются на волну противников и кричалок: "не изобретайте велосипед", "фокусируйтесь на геймплее", "делайте игру, а не движку".

В семидесятых Джордж Акерлоф в своей работе про "рынок лимонов" объяснял, что если покупатель не может визуально отличить качественную б/у машину от «хлама» (lemon), то цена на рынке усредняется, качественные машины уходят, и рынок заполняется теми самыми лимонами.

Выход на рынок хороших игровых движков создал большое количество качественных б/у поделок, т.е. ремейков. Вроде бы надо праздновать продлившейся жизни хороших игр, но вместо этого мы получили заполнение рынка мусором, которое повлияло не только на ремейки, но и вообще на рынок игр, как же это вышло?

C-level менеджменту и продюсерам продают не хорошую архитектуру UE5, но красивую демо-сцену на купленных ассетах, громкие фичи и слайды с логотипами других студий, которые "шмагли" выпустить ремейк. И когда презентация в таком движке говорит "наша новая система управления виртуализированной геометрией или автоматическим LOD'ингом решает все проблемы с памятью и арт-пайплайном", я уже вижу как уволят половину моделеров, потому что менеджмент понял это как возможность сэкономить бюджет на них.

Чего нет в маркетинговых презентациях, так что архитектурный дизайн этой системы предполагает постоянную перезапись GPU-буферов, вызывая просадки на любых конфигурациях, кроме идеальной тестовой стойки вендора с сотней гигабайт оперативки и четырьмя 5090 в слае.

Можно хорошо работать, быть полезным команде, постоянно развиваться — и всё равно попасть под сокращение. Пока решение ещё не принято, тревога уже влияет на концентрацию, отношения дома и профессиональные решения: человек читает новости, старается стать незаменимым и постепенно отдаёт возможному увольнению управление своей жизнью.

Разбираю, почему устойчивость в такой ситуации не равна спокойствию, как отличить полезную подготовку от бесконечного поиска гарантий и зачем вместо спасения одного сценария увеличивать количество вариантов, которые останутся у вас, если работа всё-таки исчезнет.

Итан Сигел (американский астрофизик-теоретик и научный журналист, автор рубрики "Спросите Итана", один из пропагандистов современных научных знаний), отвечает на вопрос о том, смогли бы мы заметить и как быстро астероид, подобный тому, который привёл к исчезновению динозавров?

@avshkol перевёл этот свежий, от 3 июля 2026 текст Итана, чтобы, с одной стороны, понять физику процесса и возможность обнаружения (и это несколько отличается от того, что показывают в фильмах-катастрофах), и, с другой стороны, обратить внимание на то, что только мощная система заблаговременного предупреждения о таких опасных телах сможет дать человечеству шанс.

Допустим, вы построили конвейер передачи данных. Собрали множество агентов в нужную вам конфигурацию, например в последовательную цепочку. Прогнали ее на контрольном множестве примеров и получили ожидаемые результаты. Более того, в большинстве случаев система работает в допустимых рамках, но на определённых вопросах просто рассыпается. И тут помимо удивления возникают вопросы - почему так и как все исправить? Самое быстрое решение - доработать промпты. Но правка промптов, написание скилов это в каком-то смысле поиск пути наощупь. Причина, по которой ваша мультиагнетная система (MAS) может резко изменить своё поведение весьма вероятно кроется в свойствах системы, а не отдельных её частей.

Как это ни странно, но именно свойсва системы как целого дают нам возможность видеть картинку целиком и более осмысленно работать с ней, с ее конфигурацией и свойствами. Это не значит что нет смысла разбираться в тонкостях отдельных LLM, новых архитектурах и принципах построения моделей. Просто нужно учитывать что в какой-то момент свойства системы как целого могут играть большую роль в получении стабильного результата.

Всем привет, меня зовут Илья.

И сегодня хочу вам рассказать о том, как я перешел на довольно бородатую технологию и отказался явно от ИИ-предложки и почти других платформ для чтения.

Уже больше 7 лет я работаю в ИТ, и, как многие мои коллеги, я стремлюсь постоянно обучаться - читать статьи, смотреть видео и ходить на конференции и митапы. Особенное у меня отношение к статьям крупных ИТ-компаний, как, например, Google, Amazon, но также и к нашим отечественным: Яндекс, Авито, Ozon и так далее. И если проблему чтения отечественных коллег я решил тем, что пару раз в неделю захожу на Хабр и читаю, то для чтения новых техстатей Amazon и других FAANG-компашек нужно было найти другие способы + есть различные нишевые крутые разрабы, которые пишут в своих веб-блогах и редко выкладывают что-то на общие площадки.

Так начался мой путь к формированию лучшего инструмента для чтения статей.

Бывает так: сидишь, листаешь ленту, и в очередной раз натыкаешься на пост, где стафф-инженер из солнечной Калифорнии крутит свежую модельку на паре RTX PRO 6000 общей стоимостью с подержанную машину. Ты смотришь на свою RTX 4060 в ноутбуке, который покупал «не только для игр», и понимаешь: ну ладно, это не для нас.

Так вот, это как раз для нас. На той самой ноутбучной 4060 с восемью гигабайтами и урезанным вдвое PCIe-линком можно получить 39.3 tok/s на 35-миллиардной модели — быстрее, чем медианная скорость декода Codex в проде. Вопрос был не в железе, а в софте, который это железо обслуживает.

Разбираем FreeToken — движок для локального инференса MoE-моделей от команды, которая до этого сделала vLLM и SGLang.

В школе на уроках английского учительница показала нам способ как быстрее запомнить пересказ текста. Она сначала просила нас переводить текст, а затем смотря в перевод вспоминать текст на английском. Мне этот способ очень понравился, но не понравилось мне то что нужно было постоянно открывать книжку или тетрадку с английским текстом, если еще не успел запомнить некоторые слова переводе.

И вот я не давно опять вернулся к пересказам. Но теперь уже не в школе и с тетрадкой, а в метро и с телефоном. Пользоваться гуглом транслейтом оказалось не так уж и удобно и я подумал а почему бы самому не сделать специализированное приложение с подстветкой нужной строки, с текстом на русском и английском и самое главное синхронной прокруткой двух окон на разных языках. Так и родился приложение "Удобный пересказ"

Реализация Raft на TypeScript под сидированной симуляцией: каждый тик, каждая задержка сообщения и каждое падение узла берутся из сида. На двадцать пятом прогоне две реплики применили разные значения — при том, что правила алгоритма выполнялись все до одного.

Интересен не сам баг, а то, какая проверка его поймала. И вопрос, который из этого следует: откуда я знаю, что остальные проверки вообще на что-то смотрят.

В последнее время все помешались на ускорении генерации токенов локальных моделей. В погоне за скоростью люди бездумно квантуют KV-кэш до предела, обрезают контекст до уровня памяти рыбки-гуппи, а затем идут в комментарии жаловаться, что модель вдруг отупела и забывает половину диалога. Такой подход похож на быстрый бег по тёмной улице без уличного освещения. Можно бежать реально быстро, но только до первого столба.

Пора это исправлять. Данная статья знакомит читателя с современными методами спекулятивного декодирования, ускоряющими скорость генерации без всякой лоботомии.

AI-агента сегодня можно собрать за несколько часов. Но это не значит, что бизнес понимает, где его действительно стоит внедрять.

Компании часто начинают с Build: выбирают модель, подключают Jira, GitHub, MCP, собирают workflow. А уже потом пытаются понять, какую проблему они вообще решили.

В статье разбираю другой подход: сначала найти места, где команда теряет время на восстановление контекста, ручную координацию и переключение между системами. Для этого мы в Laplace используем Context Audit и понятие контекстного долга.

Поговорим о том, как увидеть такие проблемы в Jira, Confluence и GitHub, почему не каждую из них стоит автоматизировать и что делать после аудита.

Discover → Build → Measure.

Буквально в паре предложений расскажу о своих впечатлениях после прохождения Mortal Shell 2. Полноценный обзор я писать не собираюсь, так как об игре мне сказать особо нечего. Перед нами типичный, но при этом добротно сделанный соус-лайк, коих в наше время до неприличия много. Главная особенность - отсутствие стамины. Эта деталь делает бои более динамичными и снимает с игрока обязанность постоянно следить за выносливостью. Графика хорошая, но не более. Главным минусом для меня стало окружение, состоящее из скучной серой массы (в некоторых моментах буквально). К тому же я в принципе не большой любитель соулсов, так что качества вроде чрезмерной сложности и отсутствия внятного сюжета, ставшие обязательными в таких играх, отрицательно влияют на мое субъективное мнение. В остальном все неплохо, и перед нами качественный представитель жанра, который можно смело посоветовать как ветерану подобных проектов, так и новичку, ищущему точку для входа в соулсы.

В комментариях к моей недавней статье про фейл с ГОСТ сертификатом сайта ГосУслуг возникла дискуссия о доверии к российским корневым сертификатам Минцифры и о рисках их установки (в систему, в отдельный браузер, или риск использования Яндекс браузера, где они встроены).

Здесь вдаваться в подробности и повторять сказанное много раз не буду, включу только некое саммари из основных тезисов для тех, кто не погружен в тему:

Разбор всех видов SCD (slowly changing dimensions) по Кимбаллу:
- от простого к сложному
- на примерах
- с цитатами Кимбалла

В конце обзора - заполненная шкала со всеми типами и подсказками

Мне казалось, что проблемы неконтролируемого техдолга и потери знаний о проекте командой уже решены (середина 2026 на дворе!), но нет.

В этой статье разбираю эти проблемы на основе своего практического опыта работы с AI Coding.