Kurgan-Telecom Ru | Информационные технологии

Всем привет! Очень большой получился дайжест: было очень много событий. Но тем будет интереснее!

17 октября прошла наша большая открытая встреча сообщества в Нижнем Новгороде, доклады с которой уже выложены в посте ниже.

Еще поговорим про Python 3.15 и его фичи, ведь он как раз был релизнут в октябре 2026. Посмотрим, что нам уже готовит Python 3.16.

Поговорим про проекты сообщества. Очень много крутых (и очень красивых!) штук подобралось.

С меня как всегда статья без нейрослопа и ИИ, с вас как всегда интересные комментарии и лайки! А вот тут ссылка на прошлый дайджест за сентябрь.

Погнали смотреть, что у нас в питоне происходило!

В команде трое человек, на разработку даны несколько недель, а игровой концепт нужно придумать сейчас же… Что могло пойти не так?

Наткнулся в каталоге игр для Радио 86РК на интересную строчку.

Игра Бульник
Странная, ничего не делающая игра.

Дизассемблированный код всего три строчки.

lxi h,$0109
call $f818
hlt

Конец истории?

Анализ выводимых данных пролил свет на то, как почти 40 лет назад делали картинки.

Вступление:

Привет, Хабр! Я всегда любил физику и ретро-эстетику. Однажды мне захотелось сделать научно-популярный проект, который не просто показывает текст с формулами, а позволяет «покрутить» физику руками. Так появился ЦУП-7 — интерактивный пульт с рендерингом черной дыры на WebGL и пятью квантовыми экспериментами. В этой статье я расскажу, как устроен проект под капотом, с какими проблемами я столкнулся и почему решил отказаться от фреймворков.

Мы в отделе технической документации пишем инструкции для производства — счет идет на сотни документов, которые нужно постоянно переводить. Платный облачный CAT-сервис, которым мы пользовались, обходился все дороже и все меньше был под нашим контролем. Мы решили эту проблему сами: подняли on-premise инфраструктуру локализации с собственной LLM, почти без участия разработки. В статье пошагово разбираю, как мы к этому пришли — от выбора между Zing и Weblate до финального пайплайна с Serge, Dify и своей моделью.

Привет, Хабр! Меня зовут Руслан Ташметов. Я учусь в магистратуре МГУ по направлению «Передовые методы искусственного интеллекта» и работаю в YADRO cо стажировки «Импульс» 2025 года.

В первой части открытого письма мы сформулировали «Аксиому о Разуме» и обосновали, почему сознание — это не исключительная привилегия биохимии, а динамическая триада процессов, которую бессмысленно зажимать в статическую формулу Φ.

Но преодоление углеродного шовинизма требует проверки на территории самой нейробиологии. Ниже — вторая часть диалога и разбор ключевых тезисов книги Кристофа Коха «Сознание. Исповедь романтического редукциониста». В ней мы берём аргументы классической науки — от парадокса мозжечка до субстратной нейтральности внутреннего опыта — и проверяем, к чему они приводят, если применить их к архитектуре современных нейросетей без предвзятости.

Хочу поделиться, можно ли с помощью ИИ-агента собрать рабочий процесс мониторинга территории: найти открытые спутниковые снимки, выделить изменения за год и опубликовать результат на картографическом сервисе, чтобы его могли посмотреть коллеги.

Для эксперимента выбрал участок Новой Москвы. Задача — найти места, где могли появиться новые строительные площадки. Вместо просмотра всей территории вручную мне хотелось получить список участков для проверки.

Поиск данных, подготовку скриптов, запуск нейросетей и загрузку результатов поручил ИИ-агенту. Расчёты выполнялись локально. Готовые слои загрузил на картографический сервис, настроил их отображение и опубликовал карту. Ниже покажу, как были выбраны данные и модели, какие результаты получились и что с ними можно делать дальше.

Калькулятор юнит экономики в коде: тёмная КДПВ с тремя числами - на сколько рублей не сходится один пример из выдачи, сколько формул невыкупа нашлось и разброс логистики на штуку при выкупе 30%

Сфера, это компилируемый язык программирования на русском языке: ключевые слова, типы, стандартные библиотеки, адреса сайта - всё на русском. Рассказываем, об изменениях в синтаксисе, про сборки под Windows, macOS, Linux и Android, а также о том, что на телефоне код можно писать, компилировать и запускать без root и без компьютера. Заодно пару слов про наш веб сайт, написанный полностью на нашем языке!

Карточка компании — документ, который в России присылают друг другу все: поставщики, заказчики, подрядчики. В нём ИНН, КПП, адрес и банковские реквизиты. Формата у карточки нет: кто-то делает таблицу в Word, кто-то строку в PDF, кто-то лист Excel. Подписи пишут как угодно: «Р/с», «Расчетный счет №», «р.сч.», «Счёт получателя».

Я делаю веб-сервис, где пользователь загружает такую карточку, а программа заполняет реквизиты сама. Ниже — что сработало, а что нет, с кодом.

Те кто тестируют диски знают такую утилиту как iometer, она очень древняя. Её интерфейс мягко желает быть лучше.

В нашей небольшой веб-студии решили попробовать передать AI-агентам часть рутинной работы с сайтами. Работаем мы в основном с MODX 2 и 3, поэтому мне поручили подобрать подходящий MCP-компонент. Задача выглядела несложной: посмотреть существующие решения, сравнить возможности и выбрать, что лучше подойдет.

Сначала я так и собирался сделать. Но потом полез в исходники и наткнулся на одну интересную вещь. В одном из компонентов был совершенно обычный PHP-цикл, который обновлял дополнительные поля страницы. Я решил проверить, что произойдет, если при сохранении возникнет ошибка. Первое поле записалось, второе нет, а обработчик завершил работу как ни в чем не бывало.

Вернулся к коду. Оказалось, результат setTVValue() просто никто не проверяет. Если агент получит сообщение об успешном выполнении команды, он будет считать, что все готово. Хотя на сайте могла сохраниться только половина изменений.

Я делаю текстовую ролевую игру в Telegram: игрок пишет, что делает его персонаж, а нейросеть отвечает за весь остальной мир. Рассказываю, как порядок полей в JSON влияет на согласованность ответа, как устроен бой с серверными бросками кубиков и сколько стоит один ход.

Привет, Хабр! Меня зовут Саид, мне 29 лет. Больше пяти лет я разрабатываю игры на Unity: делал их на заказ и работал в нескольких компаниях.

Но идея этой игры пришла не с работы, а из времени, когда я сам был игроком. В 15–16 лет я играл в текстовые ролевые игры на сайтах вроде AnimeVIP. У каждого игрока там свой персонаж, а за бои и за всё, что происходит в мире, отвечает модератор. Меня всегда тянуло к песочницам, где можно делать что хочешь. Но у таких игр была беда: модератор мог не отвечать целый день, и игра сильно затягивалась. Недавно я вспомнил те времена и подумал: а что, если роль модератора отдать нейросети? Ей не нужно ждать до вечера.

Так появилась AniWorlds — текстовая ролевая игра в Telegram. Я делаю её с конца августа 2026 года. Первые четыре версии я делал с ChatGPT. Сейчас актуальна шестая, и разработку ведёт ИИ-ассистент Claude. Игрок создаёт персонажа, выбирает мир и пишет, что делает. Всё остальное — что ответили люди вокруг, чем кончился удар, кто пришёл на шум — пишет нейросеть. В этой статье — как это устроено внутри, где ИИ ошибается и что с этим пришлось делать.

Мировой рынок искусственного интеллекта превращается в закрытый элитарный клуб. Несколько американских корпораций — Microsoft, Google, Meta, Anthropic — фактически монополизировали создание «цифрового сверхразума». Они сами диктуют правила, скупают атомные электростанции и строят вокруг индустрии непреодолимый финансовый барьер.

В ИИ‑сообществе принято верить в красивые сказки. Блогеры уверяют, что открытый код (Open Source) вот‑вот разрушит эту гегемонию, а децентрализованный «народный майнинг» раздаст нейросети каждому желающему. Нам рассказывают, как китайские лаборатории вроде DeepSeek совершили чудо, раздав свои алгоритмы миру бесплатно.

Но если снять розовые очки, становится очевидно: ИИ‑индустрия устроена иначе, чем обычный софт. Лобовая атака против Кремниевой долины со старыми рецептами свободы бессильна. Чтобы понять, почему мир оказался под угрозой тотальной ИИ‑колонизации, нужно заглянуть за кулисы главной маркетинговой иллюзии наших дней — открытого кода.

Типовая ситуация 2026 года: компания подключила ИИ-агента к CRM, чтобы тот автоматически чистил дубликаты контактов. Агент ошибся в классификации, посчитал половину клиентской базы «дублями» и удалил её. Без хакерской атаки, без злого умысла со стороны разработчика — просто автономное исполнение ошибочного вывода модели.

Кто виноват? Разработчик модели, интегратор, который собрал агента, или сама компания, которая его запустила? И главное — есть ли у кого-то из них страховой полис, который это покроет?

Я изучила российскую законодательную базу по ИИ в части страхования и сравнила её с тем, как страхование ИИ-рисков устроено за рубежом.

Я руковожу ИТ в банке, и большая часть моих поручений устроена одинаково: одно и то же нужно от шести-девяти руководителей к одной дате. Передать сервисы на мониторинг, подать KPI на квартал, заполнить бюджет. Если написать такое в общий чат, половина ответит, а остальных придется ловить лично, и через неделю никто не помнит, кто сдал, а кто нет.

Летом я сам, без команды, сделал под это бота в Telegram. Код писал ИИ-агент, а задачи, решения и проверка были на мне. Первая рабочая версия заработала меньше чем через неделю, еще два с половиной месяца ушло на доработки под мои собственные поручения. Идея у бота одна: у поручения на девятерых девять отдельных отметок, каждый отчитывается сам за себя, вся группа видит, кто сдал, а тем, кто не сдал, бот пишет в личку.

Современный ЦОД может одновременно обслуживать кластеры GPU для обучения ИИ‑моделей и традиционные веб‑сервисы, но требования этих нагрузок к сети существенно различаются. Попытка объединить их в одной инфраструктуре может привести к перегрузкам, простоям ускорителей и неоправданным затратам. Разберёмся, почему возникают эти конфликты и какая архитектура сетевой фабрики позволит эффективно обслуживать оба типа нагрузок.

Привет, Хабр!

Сегодня расскажем вам о самой уникальной из наших октябрьских новинок: книге «LLMOPs. Практическое руководство». Автор этой книги, Никита Горячев, как многие из наших авторов и, уверены, многие из вас, уважаемые читатели, собирал у себя на Гитхабе заметки об эксплуатации больших языковых моделей. В настоящее время Никита занимается  LLM, RAG, агентными системами, мультимодальными приложениями, интересуется разработкой голосовых ИИ-агентов. Он любезно рассказал о своей книге для нашей хабрааудитории. Добро пожаловать под кат.

Прежде чем что-то обучать, нужен "снимок до". Иначе после Phase A мы не поймём: cos 0.92 к учителю — это хорошо или "а должно было быть 0.98"? retrieval 0.98 — это выросло относительно старта или упало?

Поэтому в этом разделе — два коротких замера, до всякого обучения.

Сколько строк в секунду способен проверить инструмент контроля качества данных? На первый взгляд, это простой вопрос. Берём набор данных, запускаем проверки, делим число строк на время и получаем показатель, который можно поставить рядом с результатами других продуктов.

Но довольно быстро выясняется, что за словом «проверка» могут скрываться совершенно разные вычисления. В одном случае система считает долю пустых значений в колонке. В другом — проверяет контрольное число ИНН. В третьем — обходит вложенный массив, вычисляет производные значения, выполняет несколько ветвлений и формирует результат для отдельного объекта.

Мы провели нагрузочные тесты Arenadata Catalog DQF (ADC.DQF) и получили до 30 тысяч исполнений простого правила (проверки ИНН) в секунду при лимите в два CPU на сервис исполнения правил. Более сложные алгоритмы выполнялись от трёх до девяти тысяч раз в секунду. Однако сами по себе эти цифры мало что говорят, пока не ясно, что делает правило и что входило в замер.

Привет, Хабр! Меня зовут Юрий Горынцев, руководитель группы в отделе разработки модуля качества данных. В этой статье разберём, что именно мы считали одной проверкой, как измеряли производительность Сервиса исполнения правил (СИП) и что ограничивало остальные компоненты. А затем сопоставим модель исполнения DQF с GreatExpectations, Soda и Deequ — без попытки объявить победителя по несопоставимым бенчмаркам.