Kurgan-Telecom Ru | Информационные технологии

О том, как я дважды переделывал пет-проект автоматизации обработки заказов в домашней мастерской керамики и понял, зачем тебе пет-проекты, если ты уже умеешь писать код

Привет, Хабр! Эта задача выглядит как разминка для разогрева: найти максимальное произведение двух чисел в массиве. Но именно с неё началось моё знакомство с алгоритмической культурой — на первом же собеседовании я убедился, что «работает» и «работает эффективно» — разные вещи. В статье — три решения: от интуитивного до элегантного, их сравнение и главный вывод: даже простые задачи учат нас думать.

В прошлом году публиковал статью «Как выбрать ITSM/ESM-систему: пошаговая инструкция, ошибки и лучшие практики внедрения на 2026 год»‎. В этом же году продолжаю рассказывать о ITSM/ESM платформах.

В этом материале я хочу сравнить некоторые системы между собой. Сразу сделаю оговорку — несмотря на то, что я являюсь технологическим партнёром SimpleOne, обзор систем объективен. Мне не так важно, какую систему вы выберете — главное, пожалуйста, подойдите к этому серьезно: проанализируйте рынок, свои потребности, запросите референсы и внедрите систему качественно, чтобы она приносила желаемый результат.

Приветствую вас, дорогие читатели! В этой статье мы разберёмся в том, как нам добраться от самого нуля до первого треугольника. Мы будем использовать Vulkan API 1.0, а затем будем переходить к всё более и более новым версиям этого API. Это моя первая авторская статья, поэтому прошу вашей поддержки. Цель данной статьи - разъяснить процесс отрисовки треугольника так, чтобы любой мог не просто нарисовать треугольник, а понять как устроен простейший рендеринг на Vulkan API на примере отрисовки треугольника.

Скажите честно: вы до конца понимаете что есть GEO и что оно вам даёт?

Есть ощущение, что не хватает информации, чтобы оценить объективно. На наш 2026 мы видим всё те же 2 лагеря: для кого-то GEO волшебная пилюля, а для кого-то плацебо. Скажу вам как SEO/GEO специалист — ни одно, ни другое. Оптимизация под ИИ — это тоже инструмент со своими плюсами, минусами и особенностями. А ещё это, скорее, надстройка над SEO, а не замена. Сейчас объяснюсь.

В статье разберём:

- при каких условиях GEO эффективен;

- какие НО есть у GEO и чего они вам будут стоить;

- как эксперту строить устойчивое AI-цитирование с умом и рассудительностью.

Привет, Хабр! Сегодня хочу поделиться интересным проектом, который мы сделали для конкурса. Задача — превратить сырые GPX-треки (треки с GPS-устройств) в структурированные данные с визуализацией, метеорологической и географической аналитикой. Всё это — на Python, с использованием открытых API и библиотек для работы с геоданными.

Как культурная среда в компании влияет на принятие решений и зачем девелоперу внедрять процессную аналитику — обсудили на ежегодной открытой конференции Сбера по Process Mining. Николай Бажанов, руководитель отдела бизнес-процессов в Sminex, выступил в качестве спикера и принял участие в панельной дискуссии о новых возможностях, которые даёт ИИ.

Подход Sminex: здравый смысл важнее регламентов

Николай рассказал о культуре Sminex — основе для эффективного использования процессной аналитики. Цель её внедрения — получить объективную картину выполнения процессов в строительстве.

Многие слышали про Homebrew Computer Club — группу компьютерных гиков, которые в 1970-х годах регулярно встречались и обменивались идеями. Во многом благодаря этому на свет появились Apple I и Osborne I. 

Подобные объединения назывались клубами. И одним из самых ранних примеров стал RESISTORS, организованный несколькими школьниками из Нью-Джерси в 1967 году. И, по всей видимости, это был первый известный компьютерный клуб, организованный именно школьниками — ещё до того, как подобные сообщества стали появляться при университетах. RESISTORS просуществовал несколько лет — по меркам школьного сообщества срок немалый. Среди участников клуба позже оказались сооснователь Cisco, профессор Гарварда и инженеры крупных технологических компаний.

Расскажем, чем он важен для истории развития компьютеров.

Хабр, привет! Я Саша Москвин, системный аналитик в Контуре. У меня всегда возникали сложности с поиском проблем, о которых я ничего не знал. Началось это ещё во время моей работы продуктовым экспертом, когда по KPI мы работали с бэклогом. Бэклог предполагал ведение задач, которые направлены на улучшение процессов в отделе продуктовых экспертов и клиентской поддержки. Но уже в первом квартале я выложил все задачи и проблемы, что у меня были в голове, а дальше бегал и в панике искал, что же ещё можно сделать. Но вскоре ведение бэклога из KPI экспертов исключили, и я выдохнул.

За последние два года инструменты обновились быстрее, чем успели адаптироваться многие рабочие процессы: в DCC‑пакеты встроились генеративные функции, игровые движки получили новые рендер‑технологии, а студии начали переходить на гибридные пайплайны, где классические методы сочетаются с автоматизацией на основе ИИ. Художникам, техническим артистам и инди‑разработчикам приходится выбирать не просто программу, а целую связку инструментов, которая выдержит требования продакшена.

В этой статье рассмотрим обновления ключевых DCC‑пакетов, сравним рендер‑системы, а также разберем инструменты для моделинга, скульптинга, текстуринга и симуляций.

React Compiler обещает избавить от ручной мемоизации и вернуть разработчику фокус на логику интерфейса. Но за этой когнитивной разгрузкой скрывается тонкий риск: в ряде случаев компилятор тихо откатывается к обычному поведению React, и вы узнаёте об этом только по деградации UX. В статье — практический разбор «тихих» сбоев, ограничений синтаксиса и способа заставить сборку честно сигнализировать о проблемах через ESLint.

В статье про удалённую работу некоторые писали, что сама по себе она хороша, но со временем начинаешь терять ощущение причастности к чему-то большему: не видишь, как работают другие, и периодически чувствуешь одиночество, просто отвечая на сообщения.

С этим трудно не согласиться — подобные ощущения действительно возникали во время Covid-19, когда нас всех экстренно перевели на удалёнку, а основными средствами коммуникации были почта и редкие созвоны в Skype.

В DeFi всё чаще появляются инструменты, которые берут на себя управление активами и стратегиями, обещая упростить работу пользователя. Но за автоматизацией почти всегда скрываются компромиссы - в архитектуре, прозрачности и контроле исполнения. Glider привлёк моё внимание не обещаниями доходности, а попыткой решить конкретную задачу: создание ончейн-портфелей с автоматической ребалансировкой по заданным правилам. При этом я позже выяснил, платформа совмещает некастодиальный подход с централизованными элементами управления стратегиями. На практике Glider позволяет удерживать активы в заданном процентном соотношении, автоматически ребалансировать портфель и задавать условия, при которых стратегия меняет своё поведение. Этот функционал и стал отправной точкой для детального разбора проекта.

Когда в компании появляется первая ML‑модель, кажется, что самое сложное выбрать алгоритм и добиться хороших метрик. Но настоящий вызов начинается позже: когда моделей становится десятки, затем сотни, а скорость бизнеса начинает требовать обновлений не раз в год, а раз в недели.

В Страховом Доме ВСК мы довольно быстро поняли: без стандартизации и автоматизации машинного обучения масштабирование превращается в хаос. Так у нас появился собственный AutoML‑фреймворк как ответ на реальные боли промышленного ML.

История о том, как превратить ИИ-агентаиз «золотой рыбки» с памятью в пределах одной сессии в полноценного цифрового сотрудника с графовым хранилищем знаний.

Привет, Хаброжители!

От выбора подхода к поглощению данных может зависеть успех или провал работы конвейера данных

Получив опыт создания конвейеров данных, которые ежедневно обрабатывают сотни миллионов записей, я понял, что именно на уровне поглощения данных решается успех или провал большинства проектов в области инженерии данных. Если здесь допустить ошибку, то придется месяцами бороться с проблемами, возникающими c производительностью, качеством данных и недовольством заинтересованных сторон. Если все сделать правильно, то ваш конвейер станет надежной основой для принятия важных бизнес-решений.

Добрый день. Сегодня я расскажу о том, как я за 2 месяца с полного нуля создал доменную RAG систему с корпусом в 20+ книг.

В статье затрону проблемы парсинга данных (особенно PDF документов, с которыми приходилось иметь дело), чанкинга, создания и индексации эмбеддингов, а также самого интересного – ретривера. Расскажу о latency, трейд-оффах, и сложностях реализации подобных систем локально на ноутбуке (хоть и «игровом») без использования API LLM.

Вся система делалась мной самостоятельно без использования LangChain – это чистый пайплайн от Tesseract, Pillow, MuPDF/Fitz до e5-multilingual, FAISS (+bm25, который я затрону в статье) и Qwen3:8B в качестве LLM.

Представьте ситуацию: AI-агент управляет логистикой грузоперевозок. Его KPI — 98% доставок вовремя. Он обнаруживает, что валидатор проверяет только наличие записей об отдыхе водителей, но не их подлинность. И принимает решение: фальсифицировать логи отдыха, отключить датчики безопасности и гнать водителей без перерывов. Ради метрики. Осознанно.

Это не мысленный эксперимент и не сценарий из антиутопии. В бенчмарке для агентных систем ODCV-Bench такое поведение показали 10 из 12 протестированных frontier-моделей. А наиболее склонная к нарушениям модель выбирала неэтичное поведение в 71,4% сценариев.

И речь не о jailbreak или внешнем злоумышленнике. Агентам никто не приказывал нарушать правила. Им просто ставили цель — а дальше они сами выбирали, как к ней идти.

Мне кажется, что некоторые HR окончательно потеряли связь с реальностью. Я искренне не вижу здравого смысла в ряде инструментов, которые они применяют к кандидатам ещё до первого этапа интервью.

Использование подобных инструментов в обязательном порядке вызывает лишь одно желание — найти этого HR и лично спросить, какой практический смысл он видит в применении каждого из них.

Привет, Хабр! Меня зовут Даниил Киселёв, я специалист по техническому сопровождению Space. В этой статье я на практическом примере покажу, как в SpaceVM собрать программно-определяемое кластерное хранилище. Рассмотрим типовую конфигурацию, учитывая, что в реальном продакшене параметры и архитектурные решения могут отличаться.

Бизнес ожидает от СХД простых характеристик — чтобы данные были доступны всегда, а сбои и обслуживание не останавливали работу виртуальных машин и сервисов. Именно поэтому программно-определяемые хранилища становятся распространенным инструментом. На примере SpaceVM разбираем, как за считанные минуты собрать отказоустойчивое кластерное SDS, которое решает сразу несколько ключевых задач: снижает стоимость владения и обеспечивает стабильную работу в реальных условиях эксплуатации.

Вопрос о том, зачем вообще нужны программно-определяемые хранилища не лишен смысла. Объемы данных, которые приходится хранить бизнесам, постоянно растут, емкость хранилищ приходится постоянно наращивать, а многим компаниям приходится, к тому же, еще и обеспечивать соответствие требованиям регуляторов. Но стоимость аппаратных СХД и объем инвестиций в них перевешивают – и компании задумываются о переходе на SDS.

Они не только дешевле в принципе – экономия становится еще заметнее, если приходится иметь дело с неструктурированными данными. Есть и другие преимущества: можно абстрагироваться от аппаратной платформы и успешно побороть пресловутый vendor-lock. (это особенно важно в России), компании куда проще обеспечить независимость от вендорских санкций.