Kurgan-Telecom Ru | Информационные технологии

"Я лжеученый, товарищи. И даже начинаю этим гордиться."

---

Я задал себе вопрос, который звучит одновременно просто и убийственно: то, что я делаю — это передовое исследование или самописная отсебятина?

Вопрос возник не на пустом месте. Последние недели я провёл в глубоких размышлениях о судьбе теории, которую называю «машинной этикой Дебаркадера». Я задавал самому себе вопросы, пытался найти ответы, строил схемы, формулировал закономерности, которые прямо не были названы, но вытекали из всей логики. В какой-то момент я поймал себя на том, что уже не пересказываю, а мыслю в этой рамке. Предлагаю метрики, вижу архитектуру, прогнозирую следствия.

И тут возникает вопрос: а кто я такой, чтобы это делать? У меня нет учёной степени. Я не публиковался в Nature. Я просто человек с ноутбуком, который много интересовался и задавал нестандартные вопросы.

Значит ли это, что всё, что я пишу — отсебятина? Или есть способ отличить графоманию от концептуальной работы, даже если ты не вписан в академические круги?

Я решил разобраться. Для этого мне нужно было понять две вещи: где нахожусь я сам, и где находится та теория, с которой я работаю, относительно того, что сейчас происходит в поле.

Начну со второго. Оно оказалось важнее.

---

Я проанализировал актуальные исследования, конференции, дискуссии 2025–2026 годов. И вот какой расклад я увидел.

Начну с главного: то, что я называю «машинной этикой Дебаркадера», в академическом поле не представлено. Это не хорошо и не плохо — это факт. Этот подход не рассматривается, на него не опираются в рассуждених, его не выдвигают на конференциях. Я вне мейнстрима.

Я думал, у меня всё чисто. Bandit стоял, правила регулярно обновлялись, pipeline на каждый PR ругался на опасные места. Ну, знаете, как это бывает: где-то что-то подсветит, мы правим, живём дальше, чувствуем себя молодцами, прикрыв тыл статическим анализом.

А потом я решил копнуть глубже. Не для галочки, а руками, с инструментом, который умеет ходить по коду не линейно, а как по графу.

Знаете, сколько нашлось?

Мысль о том, что нынешняя ИИ-индустрия играет в игру с отрицательной суммой, не нова. В эту технологию уже влито столько денег, что, по сути, экономика поставлена на её успех.

Если ИИ не выстрелит — мы рискуем оказаться в рецессии.
Если же ставка вдруг сыграет — миллионы людей могут потерять работу, и экономика всё равно придёт в то же самое мрачное место.

Звучит почти абсурдно: стрелять себе в ногу, громко называя это инновацией. Но сейчас мы начинаем видеть, как именно могут разворачиваться оба сценария. Так что давайте разберёмся и по шагам.

Металлы... Будучи однажды открыты человечеством в глубокой древности, они изменили всё — и позволили людям подняться с четверенек и устремить свой взгляд к звёздам…  

Но, войдя в жизни людей, они принесли и присущую им проблему: недолговечность. 

«Но, постойте», скажите вы, — ведь большинство металлов настолько крепки и долговечны, что изделия из них доходят до нас даже из глубокой древности! 

Всё так, однако, нельзя отрицать того, что большинство металлов подвержено коррозии и это представляет собой существенную проблему! Скажем, те же автомобилисты знают, что срок службы кузова автомобиля в большей степени определяет срок его эксплуатации, чем что-либо остальное: скажем, в интернете есть много видео, где энтузиасты заводят автомобили, лежащие на свалках, кузов которых превратился в труху, а сквозь сам автомобиль проросли деревья — то есть, зачастую, двигатель и сопутствующие системы могут работать даже тогда, когда корпус уже полностью разложился … 

Исходя из этого, можно констатировать, что защита металлов от коррозии является существенной проблемой и потребляет большие средства, где на эти затраты люди готовы пойти, так как, собственно, от этого и зависит срок службы изделия! 

Способов защиты существует достаточно много, однако, среди них особняком стоит один довольно интересный, о котором мы и поговорим сегодня: катодная* защита от коррозии!

Мир AI-разработки стремительно движется от парадигмы «один модельный вызов — один ответ» к системам, в которых множество специализированных агентов решают сложные задачи совместно. Представьте себе оркестр, где каждый музыкант — это отдельный AI-агент со своей специализацией: один анализирует данные, другой генерирует код, третий проверяет результаты. Такие мультиагентные системы позволяют декомпозировать и задачу ускорять выполнение за счёт параллельной работы. Крупнейшие игроки — Google, Microsoft, IBM — уже делают ставку на эту парадигму как на фундамент приложений следующего поколения.

Однако путь от прототипа к работающему продукту усеян типичными провалами. На Reddit (MachineLearning) или Хабр разработчики часть жалуются: «Агенты теряют контекст при передаче задач», «Они зациклились в бесконечных дебатах, сожгли весь бюджет на токены, а результата нуль». Анализ таких кейсов показывает: дело не в «глупости» LLM или неудачных промптах. Корень зла почти всегда лежит в отсутствии грамотной оркестрации.

В этой статье я подробно разберу тему оркестрации AI-агентов с использованием протокола A2A, а также его эффективное расширение за счет AGP, чтобы показать, как эти инструменты упрощают сложные мультиагентные системы.

Привет, Хабр! Меня зовут Алексей, и я занимаюсь беспроводными технологиями. Мы продолжаем погружение в глубины конфигурации /etc/config/wireless. В прошлой статье - Тонкая настройка Wi-Fi в OpenWrt — достигаем максимальной стабильности и покрытия мы подробно разобрали секцию wifi-device, которая отвечает за физическое радио — частоты, мощность, каналы. Но, как вы помните, в wireless-конфиге есть ещё один тип секций: wifi-iface. Именно они создают те самые виртуальные интерфейсы, которые позволяют реализовать: точки доступа, клиентские подключения, mesh-сети и даже сервисы мониторинг эфира.

Именно здесь задаётся имя сети (SSID), методы шифрования, правила доступа, изоляция клиентов и многое другое. Казалось бы, что тут сложного? Указал SSID, выбрал шифрование, ввёл пароль — и всё работает. Но и здесь есть свои «подводные грабли», мифы и возможности, о которых многие даже не догадываются.

Привет, Хабр! Сегодня хотелось бы поднять актуальную тему – перевод технической документации и то, как стандартизированный английский язык может существенно упростить этот процесс.

Техническая документация чаще всего пишется на английском языке. Документацию используют международные команды и на ее основе создаются переводы и обновляются новые версии инструкций.

Со временем документация растет, ее пишут разные авторы, формулировки начинают отличаться, а терминология используется не всегда последовательно. Это делает английские тексты менее однозначными, усложняет перевод и снижает эффективность систем памяти перевода (translation memory). 

С подобной задачей к нам обратились несколько клиентов, работающих с большими объемами технической документации. Чтобы стандартизировать тексты и упростить их перевод, мы начали применять подход Simplified Technical English (STE) – контролируемый вариант английского языка для технической документации. В этой статье разберем, что такое STE и как он помогает стандартизировать документацию и улучшить  машинный перевод. 

Привет, Хабр!

За последние годы большие языковые модели (LLM) глубоко проникли в нашу работу и повседневную жизнь. Многие из нас регулярно используют их как обычные пользователи в веб-интерфейсе. Но что, если вы хотите выйти за рамки «чата с моделью» и создавать собственные интеллектуальные инструменты под конкретные задачи и бизнес-сценарии?

Если ваш основной язык программирования — R, то у меня для вас отличная новость! Экосистема R за прошлый год совершила огромный скачок в интеграции с ИИ.

Разные SEO-инструменты могут радикально отличаться в своих оценках качества доменов: одни и те же домены показывают 300 живых доменов-доноров в одном сервисе и 120 в другом, и непонятно, кому верить. Мы столкнулись с этим на практике и провели три итерации исследования, от быстрой проверки на нашей PBN-сетке до масштабного сравнения на 10 000+ доменах, в ходе которых сравнивали Ahrefs (API v2 и v3), Majestic, Semrush и DataForSEO. Делимся цифрами, методологией и рекомендациями.

Если вы принимаете решения на базе ссылочных метрик от отбора дропов до отчетности клиенту, и вам нужно понимать, чем реально отличаются индексы инструментов и сколько стоит каждая «живая» строка данных, этот материал будет вам полезен.

— Видишь статью про нейросети — ставь минус. Поставь минус автору. Плюнь ему в карму. Поставь минус плюсанувшим. Плюсани заминусивших.

— Встретишь Карпатого — ищи осину, видишь Альтмана — ищи берёзу. Будь начеку, всяких других тоже хватает. Всегда носи с собой верёвку.

— LLM бесполезны. Спорить можно только о степени наносимого ими вреда.

Небольшие заметки о разработке CRM-системы по продаже объектов недвижимости.

По причине того что после 8-летнего хардкодинга рандомными людьми, код предыдущей CRM пришел в состояние квантовой запутанности, потребовалось срочно разработать новую CRM.

Собственно, по ходу составления технического задания, становилось понятно, почему все предприятия со сколько-нибудь сложным продуктом или бизнес-процессами, идут в свою разработку.

И первое (Продукт), и второе (Процессы) накладывает фундаментальные требования к модели данных, формируя каркас бизнес-логики.

Какие шаги действительно увеличивают регистрации и доходимость до вебинара.

95% маркетологов называют вебинары одним из главных инструментов привлечения и вовлечения аудитории, а 77% компаний используют события для продвижения продуктов и услуг. Но сама идея не гарантирует результат — важна стратегия и точное попадание в аудиторию. Ниже — базовые шаги, которые стоит продумать до запуска рекламы, основанные на трендах и опыте click.ru.

Работа Андерса Хейлсберга сформировала то, как миллионы разработчиков пишут код. Даже если вы не узнаёте его имя, вы, скорее всего, сталкивались с его работами: он создатель Turbo Pascal и Delphi, ведущий архитектор C#, а также разработчик TypeScript.

Мы встретились с Хейлсбергом, чтобы обсудить его выдающуюся карьеру и то, каково это — наблюдать, как его инновации выдерживают давление реального мира. В подробной беседе Хейлсберг размышляет о том, как выглядит разработка языков программирования после того, как проходит первоначальный ажиотаж, когда проявляются ограничения производительности, когда открытый исходный код становится неизбежным, и как ИИ может повлиять на изначальную функцию инструмента.

В итоге вырисовывается набор закономерностей для создания систем, способных выдерживать масштаб. Вот что мы узнали.

Какие вопросы должен задать себе CEO, СД, руководитель C-уровня перед тем, как внедрить в своем бизнесе AI-агентов?

Нередко к внедрению AI-агентов подходят как к покупке очередного софта. Или даже как к модному хайпу («все внедряют, значит и нам нужно»). В итоге можно получить «дорогую игрушку», которая вместо прибыли и оптимизации принесет разочарование и лишние затраты. А в качестве «бонуса» - конфликты между ключевыми департаментами, например коммерческим и техническим, по поводу бюджетов или ответственности за успех / неудачу внедрения. При этом если уже сейчас не начать усиление бизнеса AI – агентами, то есть риск потери конкурентоспособности. Иными словами, грамотная AI стратегия нужна уже вчера

Вместе с Алексеем Федоровым, - экспертом по стратегиям роста и развитию продаж в IT" и автором ТГ канала @growthinIT, мы обсудили 10 честных и жестких вопросов, на которые нужно ответить перед тем, как взяться за внедрения AI-агентов.

Привет, Хабр! Хочу поделиться честной историей, в которой мое желание избавиться от рутины, любовь к разработке, open source и enterprise переплелись самым тесным и неожиданным образом. Четыре года назад я всего лишь хотел делать свою восьмичасовую работу за пару часов, а остальное время отдыхать , добавить во внутренний тулинг удобные кнопочки и меню, используя свой опыт разработки, но все пошло не по плану, и я сначала стал разработчиком своего собственного инструмента VSCode-XP (open-vsx.org, marketplace.visualstudio.com), потом его мейнтейнером на GitHub, продвигал его использование среди экспертов на профильных конференциях. Потом наработанный открытым сообществом опыт перенял enterprise-продукт и получилась история в стиле Толкиновского «Хоббита, или Туда и обратно».

Многие верстальщики используют Flex на автомате просто потому, что привыкли к нему за долгие годы. Grid часто кажется чем-то избыточным или пугающим из-за своего специфического синтаксиса. На самом деле эти инструменты не заменяют друг друга, а решают принципиально разные задачи.

Разница между ними кроется в самом подходе к пространству. Flex создавался для работы в одном измерении, когда вам нужно выстроить элементы в строку или столбец. Grid же мыслит сразу в двух плоскостях, позволяя контролировать и ряды, и колонки одновременно.

В этой статье мы разберем конкретные ситуации, где один инструмент явно выигрывает у другого, чтобы вы перестали гадать и начали выбирать технологию осознанно. Для наглядности в наших примерах блоки Grid будут красными, а Flex — синие.

Под каждым примером есть полный код, который достаточно скопировать в файл и запустить.

Прошли времена, когда нейросети казались далёкой технологией из научной фантастики. Сегодня они пишут за нас письма, рисуют картинки, монтируют видео, отлаживают код и планируют отпуск.

Но вместе с прогрессом пришла новая головная боль - переизбыток выбора. Каждую неделю появляется очередной сервис, обещающий изменить вашу жизнь, автоматизировать всё на свете и попутно вывести человечество на новый уровень. В итоге вместо того чтобы работать, вы тратите вечер на сравнение пятнадцати платформ и всё равно не понимаете, какая из них вам нужна.

Мы сделали это за вас. В этой подборке - семь нейросетей, которые реально стоят вашего времени и закрывают практически любые повседневные задачи.

Приятного прочтения - и готовьтесь обновить закладки.

Искусственный интеллект развивается быстрее, чем успевают закрепиться подходы: инструменты меняются, требования растут, а времени «сесть и разобраться» почти нет. В этом дайджесте – практичные материалы и курсы, которые помогают встроить ИИ в работу уже сейчас: от базового ML до RAG, MLOps и архитектуры – без отрыва от задач и с опорой на реальный опыт.

Все мы слышали об этих законах сетевых эффектов: ценность сети растёт как квадрат от количества участников. Или что затраты на коммуникацию растут как квадрат от количества участников; это может быть n log n или что-то подобное, в зависимости от того, как упорядочить участников. Иными словами, удвоение размера команды не удваивает её скорость, возникает ещё оверхед координирования. Величина оверхеда зависит от того, насколько плохо вы спроектировали организацию.

Но есть одно эмпирическое правило, о котором мне рассказали несколько десятков лет назад; с тех пор я не перестаю пользоваться им из-за его раздражающей истинности. Это правило раздражает, потому что кажется, что оно не должно быть верным. Я ни разу не слышал его теоретического обоснования. И тем не менее, оно проявляется постоянно.

Итак, вот оно:

Каждый слой согласований замедляет процесс в десять раз

Знаю, что вы подумали. «Да ладно, в десять раз? Это слишком много, не похоже на правду. Ты, наверно, преувеличиваешь».

Не-а.

Уточню, что здесь учитывается общее время, а не трудозатраты. Почти всё дополнительное время тратится на ожидание.

Telegram, как утверждают СМИ, близок к полной блокировке. Многие команды по-прежнему пытаются там работать, хотя и раньше думали над заменой: мессенджеры для личного общения не во всем пригодны для командной работы.

Показываем готовый план, как перенести рабочее общение в мессенджер, сделай специально для ускорения работы команд.