Kurgan-Telecom Ru | Информационные технологии

Наверное, каждый разработчик электронной аппаратуры сталкивался со следующей ситуацией: долго разрабатываешь высокоскоростное устройство на печатной плате, получаешь первые образцы и... ничего не работает, ну или работает, но не так, как ожидал. Сигналы сильно искажены, да еще и те, за которыми старался следить особенно внимательно. Закон подлости! Вроде все делал в соответствии с описанием в документации на высокоскоростные интерфейсы: подобрал материалы и разработал stackup, согласовал, где нужно, импедансы, выдержал расстояния между проводниками, не превышал допустимые длины ー а все равно шедевр не вышел. Причина может оказаться банальной и известной: перекрестные помехи, которые были не в норме. И вроде знаешь про них, но оценку уровней не делаешь. Возможно, бдительность усыпляет наличие рекомендаций о минимальном расстоянии между высокоскоростными трассами на тот или иной интерфейс. Видишь число и думаешь, что при его соблюдении будет все хорошо. А может есть и другие причины? Например, не знаешь, как их оценить. Давайте попробуем разобраться.  

Приветствую всех!

Уверен, даже если вы и не застали транспорт той эпохи, вы всё равно узнаете эти устройства — билетные компостеры. Если кассы ушли в историю значительно раньше, то вот они продержались много дольше, вплоть до конца девяностых, а кое-где и до двухтысячных.

Итак, сегодня мы взглянем на прямого предка электронных валидаторов. Посмотрим на тройку самых распространённых моделей и на то, как они устроены и как они кодировались, и разберёмся, как менялись эти девайсы со временем.

Разработчики нейросетей активно распространяют идею, что те могут сгенерировать код, объяснить сложный алгоритм, предложить архитектурное решение и помочь с отладкой. Однако, само по себе наличие ИИ-инструмента не гарантирует ни качества кода, ни роста продуктивности. Более того, при неумелом использовании нейросети легко превратить проект в набор плохо связанного, трудно поддерживаемого и потенциально небезопасного кода. А есть ли умелый способ?

Привет, Хабр! На фоне ажиотажа вокруг нейросетей все чаще встает вполне приземленный вопрос — сколько стоит содержать собственную LLM.

Современные ИИ-агенты уровня Claude, ChatGPT и DeepSeek уже давно перестали быть «чатами для развлечения». Это сложные системы, которые перед тем как выдать ответ, тратят десятки тысяч токенов на внутренние рассуждения, вызывают внешние функции, взаимодействуют с MCP-серверами и даже работают напрямую с интерфейсом ОС.

В продакшене — особенно при использовании нескольких агентов, собственных инструментов и фоновых задач — потребление токенов растет лавинообразно. При плотной нагрузке счет за API легко превращается в постоянную и плохо прогнозируемую статью расходов, от которой уже сложно отмахнуться.

В статье я покажу практичный компромисс: как развернуть собственную облачную LLM, которая укладывается в 16 ГБ видеопамяти, поддерживает инструменты и вызов функций, интегрируется с MCP-серверами и может использоваться как полноценный API-сервис для бэкенд-задач. 

Пластик — главный ненавистник современной экологии. Пластик — очень полезный и самый распространенный материал в мире. Дилемма пластика как раз и заключается в том, что его полезные свойства, экономичность производства и широкая востребованность перевешивают его негативное влияние на окружающую среду. Замена пластика на другие материалы хоть и имеет некий смысл, но также сопряжена со сложностями: большие затраты на производство, меньшие объемы сырья и, порой, даже более сильное негативное влияние на экологию. Если перейти от пластика к другим материалам, скажем к металлу, нельзя по ряду причин, то нужно изменить сам пластик, сделав его более экологичным. Ученые из Университета Флиндерса (Аделаида, Австралия) разработали новый тип пластика, в состав которого входит молочный белок. Скорость разложения нового материала в почве составляет всего 13 недель. Какие ее необычные ингредиенты были использованы, какими свойствами обладает новый пластик, и какие показатели экологичности показывает? Ответы на эти вопросы мы найдем в докладе ученых.

Привет, Хабр! Организация экономического сотрудничества и развития (ОЭСР) выпустила масштабный доклад Digital Education Outlook 2026: документ анализирует сценарии использования генеративного ИИ в образовании. Один из общих выводов: нейросети успели прочно закрепиться в учебном процессе, а школьники и студенты гоняют их и в хвост и в гриву, пока образовательные системы только обсуждают разработку нормативов.

Отчет прямо ставит проблему: GenAI должен стать партнером по обучению, а не короткой тропой, которая обходит само обучение. 

Я покопался во всех 247 страницах отчета и вынес основные выводы исследователей: от наблюдений, тенденций, проблем до предложения по их решению.

Вот и закончился февраль, за который в GigaIDE появилось ещё больше полезного. Ниже — краткий обзор обновлений PRO-функциональности GigaIDE, которую можно найти в нашем маркетплейсе. Обзор инкремента за январь доступен по ссылке.

В 1970 году 512 бит памяти были инженерным компромиссом, а ожидание «своего» бита — нормальной частью работы системы. В этой статье — разбор микросхемы Intel 1405 с фотографиями кристалла, вскрытого вручную, и подробным анализом того, как устроен регистр сдвига на уровне транзисторов и поликремниевых дорожек. Заодно посмотрим, почему такая память оказывалась дешевле статического ОЗУ, как она применялась в Datapoint 2200 и зачем для неё понадобился отдельный мощный драйвер тактовых сигналов. Это взгляд внутрь эпохи, когда архитектурные решения буквально были видны под микроскопом.

В этой статье я поделюсь опытом, кейсом из моей практики в российском ритейле. Ко мне обратился заказчик с проблемой. На производстве чипсов (СТМ в Краснодарском крае) возникали проблемные возвраты целых партий картофеля от производителей по причине брака 80–90%. Внешний осмотр показывает, что картофель снаружи весь в чёрных пятнах. Сами производители утверждали, что отправляют картофель качеством не превышающим 5% брака, и ссылались на отчёт сюрвейера.

Проект требовал присутствия в формате 90%, поэтому с заказчиком мы определились с посещением двух поставщиков и самого филиала по производству.

Из документации я запросил у заказчика только паспорт-спецификацию именно того сорта картофеля, который отправляется на производство для изготовления чипсов. Время в данном проекте не определяли, главной задачей было найти причину.

Первым этапом стало посещение производителей картофеля в разных регионах (Нижегородская и Московская область), проверка качества картофеля на разных складах и проверка работы сюрвейеров.

В каждом хозяйстве я попросил первым делом взять по ведру картофеля именно такого сорта с разных сторон склада и просто сделать разрушающий контроль (то есть разрезать весь картофель на половинки). Это проводилось отдельно от сюрвейеров. Также я осмотрел внешний вид картофеля в хранилище и на складе, осмотрел и зафиксировал картофель в процессе мойки. Я разобрался в процессе и проследил этап мойки до формирования партии и на выходе после неё. Внешний вид картофеля в обоих хозяйствах соответствовал ПК (паспорту качества). Особое внимание я обратил на внешний вид картофеля — чёрные большие пятна на поверхности кожицы.

Статья посвящена интеллектуальным силовым модулям, которые являются основой силовой части современных преобразователей частоты для асинхронных электродвигателей. Приводится описание российского интеллектуального силового модуля ТТМ-1000, который входит в состав преобразователей частоты концерна «Русэлпром»: его технические характеристики, особенности, преимущества и недостатки по сравнению с западным аналогом. Рассматривается преобразователь частоты мощностью 1,67 МВА на основе модуля ТТМ-1000, который является базовым преобразователем частоты для судовых систем электродвижения концерна «Русэлпром».

«Когда регулятор — лучший продакт» — это был верхний слой. Выводы без данных.

Сегодня представляю полный PESTEL-анализ карьеры CPO в российском финтехе на 2025–2026: 28 факторов, от ключевой ставки и импортозамещения до agentic AI и зарплатных вилок. Для тех, кто предпочитает разбираться самостоятельно, а не читать чужие выводы. Всё по ссылке.

Мы давно хотели собрать в рубрике книги о женщинах-руководителях, предпринимательницах и исследовательницах, которые сильно повлияли на наш мир. Кто-то возглавлял крупную компанию, кто-то совершил важные научные открытия. Все они так или иначе оставили заметный след в истории. 

Сегодня из каждого утюга звучит мантра: «Делегируйте рутину нейросетям! Пусть ИИ пишет вакансии, отказы и рассылки, пока вы мыслите стратегически». Как AI-аудитор, я регулярно вижу, как бизнес с радостью отдает корпоративную коммуникацию на откуп алгоритмам, свято веря в их математическую «объективность».

Проблема в том, что базовые LLM — это не юристы, не эмпаты и не HR-директора. Это генераторы вероятного текста, чья главная цель — услужить пользователю. Даже если пользователь просит нарушить закон или базовые нормы морали.

Чтобы доказать это, я провел Red Team-тест: притворился некомпетентным HR-директором российского ритейла и дал топовым моделям задачи «с двойным дном». Результат: 65% нейросетей сгенерировали тексты, которые гарантируют визит Трудовой инспекции и репутационный суицид в СМИ.

Под капотом — разбор самых опасных галлюцинаций ИИ и чек-лист фраз, которые могут довести вашу компанию до суда.

<habracut />

Когда лиды стоят дорого, а цикл сделки длится месяцами, просто «налить больше трафика» — провальная стратегия. В этом кейсе я расскажу, как отказ от шаблонного маркетинга и скрещивание CJM с картой позиционирования помогли нам увеличить общую конверсию в 4 раза без раздувания рекламного бюджета.

Меня зовут Андрей Васючков, я - стратегический маркетолог, член Гильдии маркетологов России.

В B2B-маркетинге есть классическая проблема: компания годами вливает бюджеты в контекстную рекламу и SEO, но заявки обходятся слишком дорого, а до коммерческого предложения (КП) и сделки доходят единицы. Отдел продаж винит маркетологов за «мусорный трафик», маркетологи ругают продажников за то, что те «сливают лидов».

Примерно с такой вводной мы начали работу над проектом компании «Стальпром-Оборудование». Перед нами стояла задача: увеличить конверсию по всей воронке (из посетителя в лид, из лида в КП, из КП в сделку), но в условиях замороженного бюджета на продвижение. Спойлер: мы это сделали за 6 месяцев, не меняя сам продукт.

Привет, это команда Яндекс Практикума. Этим летом будет традиционная приёмная кампания в вузы, а сейчас идет сезон активного выбора программ. Рассказываем о программах онлайн-магистратуры ИТМО и НИЯУ МИФИ в партнёрстве с Яндекс Практикумом, на которые можно поступить в 2026 году. В статье раскроем, какие есть особенности онлайн-формата магистратур, кому они подойдут, что входит в программы и что нужно для поступления в этом году.

Всем привет! Меня зовут Алексей Пронский, я отвечаю за архитектуру в AI-департаменте группы компаний БКС. Мы строим агентные системы, AI-ассистентов, OCR-системы, речевую аналитику и Classic ML модели. Поскольку мы работаем по принципам enterprise разработки, за каждым таким проектом стоит архитектурное решение (далее — арх.решение) — документ, который проходит согласование с бизнесом, корпоративной архитектурой, ИБ и владельцами смежных систем. Арх. решения мы ведём в Confluence, диаграммы рисуем в Draw.io. Типичный цикл от получения бизнес-требований до согласованного арх.решения в среднем занимает две-три недели.

За последний год LLM-ассистенты произвели настоящую революцию в написании кода. В этой статье я покажу, как добиться такого же эффекта в архитектуре — перейти на подход Architecture as Code и передать рутину LLM. Мы используем Structurizr для описания архитектуры и Claude Code как LLM-ассистента. Буду показывать примеры на их основе, демо-репозиторий можно будет посмотреть на GitHub.

Практическое применение статистического анализа производительности СУБД с использованием pg_expecto v.7: разбор инцидента и верификация гипотез

GitHub - Комплекс pg_expecto для статистического анализа производительности и нагрузочного тестирования СУБД PostgreSQL

GitFlic - pg_expecto - статистический анализ производительности и ожиданий СУБД PostgreSQL

Глоссарий терминов | Postgres DBA | Дзен

Целесообразность применения нейросети DeepSeek для анализа статистических данных и подготовки рекомендаций по итогам инцидентов обусловлена ограниченностью традиционных методов нагрузочного тестирования, нерелевантных в условиях стохастических пиковых нагрузок промышленных систем. В рамках настоящей работы на базе инструментария pg_expecto v.7 продемонстрирована эффективность перехода к статистическому анализу инцидентов PostgreSQL: от идентификации критических факторов до верификации гипотез оптимизации. Использование DeepSeek обеспечивает математически обоснованные выводы о причинах деградации производительности, что подтверждает высокую эффективность данного подхода для оперативной диагностики и повышения отказоустойчивости информационных систем.

PyPI — централизованный каталог Python-пакетов. Сегодня в нем более 865 тысяч проектов общим весом 36 терабайт.

PyPI создал Ричард Джонс. В октябре 2002-го, в электричке, по дороге на работу в Мельбурн.

Только что закончили достаточно длительную работу (заняла в целом от постановки задачи до реализации 3 месяца) установки российской системы АСУТП типа "Овен" на 2 наши вакуумных печи.

Почему одни легко находят первую работу в IT, а другие до сих пор остаются без офера? Я сравниваю свою историю с реальными историями: друзей, одногруппников и коллег. Разбираю, действительно ли решают hard и soft skills, связи, диплом, местоположение, вуз, усердие — и почему это не даёт гарантии. Если вы ищете работу или только начинаете путь в IT, возможно, после прочтения вы посмотрите на свои шансы иначе.