Kurgan-Telecom Ru | Информационные технологии

Ну что, как там у вас с новогодними обещаниями?

Привет! Пару недель назад в x/twitter сильно разошлась статья Dan Koe, которая набрала 170млн просмотров, что для длинного формата очень много.

Я ждал, что ее кто-то переведет на русский, так как хотел скинуть друзьям и знакомым. Так и не дождался! Поэтому перевел сам и решил опубликовать.

Она местами резковата, но с общей идеей я согласен. Все лучшие изменения в моей жизни происходили после того, как текущий формат жизни начинал до невозможности угнетать.

Я добавил локальных мемов, чтобы сбавить градус серьезности. И убрал часть абзацев.

Погнали!

В книге я узнал себя, причем в худшем смысле этой оценки. Уважаемый человек, профессор менеджмента и прочая... — доктор Роберт Саттон выразился бы примерно так: «стойкое проявление враждебного вербального и невербального поведения». Мне нечего сказать в свою защиту. Просто не могу пройти мимо импликатуры. Так по-научному называется чушь.

Что ж, попробуем в ней разобраться.

Меня зовут Костя Дубровин. Я веду канал про книги.

Раньше я использовал плагин Reminder для отображения всех задач в боковой панели. Результат был предсказуем: каждый день передо мной возникал огромный список заданий без какой-либо системы приоритизации. Необходимо быстро понять приоритеты, оценить требуемый уровень включенности и временные затраты. Это создавало когнитивную нагрузку еще до начала рабочего дня.

В этой статье я расскажу о том, как я решил эту проблему, создав стартовую страницу-дэшборд в Obsidian, которая основана на простой, но мощной концепции категоризации.

Дескрипторы — одна из тех фич Python, о которых многие слышали, но мало кто использует напрямую. При этом они лежат в основе @property, @classmethod, @staticmethod, слотов и даже обычного доступа к методам.

Разберём, что такое дескрипторы, как их писать и когда они реально полезны.

Я инженер, занимающейся разработкой электронных устройств.

Мне кажется, что каждый кто с этим связан поймет, что это подразумевает, а значит может смело пропустить следующие 3–4 абзаца. Если никогда не сталкивались, то для понимания я немного расширю вводные:

Разработка электронных устройств — это отработка технического задания (чаще его даже нет, а надо сделать просто хорошо и быстро), разработка принципиальной схемы, моделирование функциональных узлов, проектирование печатной платы, трассировка печатной платы, аналитический расчет и подбор компонентов, монтаж макетных образцов, отладка и т. д. 

Основная мыль в том, что это различные этапы, связанные между собой, каждый из которых требует времени и внимания, а любой из нас знает – никогда это не идет по плану! Серьезно, за все время я ни разу не встречал другого разработчика, который сказал бы мне, что какое-то устройство у него получилось с первого раза, пройдя все проверки и оно ушло на серию. Любое устройство в первой итерации приблизительно выглядит как-то так...

Введение: Проблема ручного контроля

На работе одним из постоянных и важных процессов является проверка чеков на подлинность. Их поток достаточно большой (порядка нескольких сотен каждый день) и при этом каждый документ разбирается вручную - это может занимать до нескольких минут на один файл. На дистанции получается достаточно много. К тому же ручная проверка это медленно, дорого, и зачастую с ошибками из-за усталости аналитиков.
Потратив некоторое время на поиск готового решения нашей проблемы я нашел самописные гитхабные репы, которые максимум распознавали текст на картинке, даже не на PDF, платных решений я также не нашел, банки их не светят и естественно не продают.

Я ни разу не технарь (хотя по образованию инженер, ха), но благодаря опыту в антифроде я знал точно, что нужно проверять и как. Поэтому я подумал, что было бы прикольно (а в перспективе и полезно) сделать простенькую ML-ку и потихоньку ее обучать, пет проект который если стрельнет, то принесет пользу, а если не стрельнет - я потрачу время с удовольствием.

Я написал детальный промпт для курсора и вайбкодинг помог создать первую версию системы. А потом я итеративно улучшал ее на основе реальных данных.

Всем привет!

Долго я возился с маркдауном в своих проектах и, честно говоря, знатно подгорел. Первая проблема — это вечный выбор библиотеки.

С одной стороны, есть «конструкторы» типа unified, remark и rehype. Штуки мощные, но настраивать весь этот AST-конвейер и систему плагинов — это какой-то оверхед и лишняя сложность, имхо.

С другой стороны, есть @next/mdx, который вроде и ок, но слишком завязан на страницах и вообще не умеет работать на клиенте.

Раньше я обычно выбирал что-то вроде markdown-to-jsx или react-markdown.

DX у них приятнее, работают и на клиенте, и на сервере, весят мало.

Но вот беда: они «из коробки» не переваривают HTML или MDX, и ты снова вязнешь в настройке плагинов. А если добавить туда i18n (типа i18next или next-intl), начинается настоящий ад. Куча if/else в коде, чтобы отрендерить нужный язык, и бандл раздувается до небес. Плюс вечные косяки с front-matter. Ну и до недавнего времени всё это было только для React.

В общем, решил я написать свое решение для intlayer. Чтобы просто работало.

> К слову, за основу я взял форк markdown-to-jsx v7.7.14 (от quantizor), который базируется на simple-markdown v0.2.2 (от Khan Academy).

Когда пилил этот парсер, ставил перед собой такие цели:

- Максимально легкий вес

- Кросс-фреймворковость (React, Vue, Svelte, Angular, Solid, Preact)

- Простая настройка: никаких бесконечных цепочек плагинов

- Поддержка SSR и клиентского рендеринга

- Настройка на уровне провайдера: можно легко прокинуть свои компоненты из дизайн-системы

- Компонентный подход: полный контроль над рендерингом каждой части приложения

Команда работает на полную, задачи в трекере есть, но релизы выходят нерегулярно. Стейкхолдеры спрашивают «когда будет готово?» — а вы не знаете, что ответить.

Знакомо?

Меня зовут Артём Герасимов, я владелец продукта SimpleOne SDLC. В этой статье расскажу, как превратить хаос в управляемый процесс разработки — без внедрения тяжёлых фреймворков, бюрократии и микроменеджмента.

Никогда и не думал, что мне предстоит написать статью не на техническую тему. Началось всё с того, что у нас в коллективе обсуждалась какая-то неинтересная для меня тема про самолёты. Один из новоиспечённых членов коллектива делился знаниями, какой самолёт громче какого, и сколько децибел звука они издают.

При работе с Bitrix24 понадобилось сохранить адрес из Google Maps в стандартное поле Address у лида. Не просто строку, а полноценный адрес: с координатами, разбивкой на части и корректной работой всей CRM-логики.

REST API рассматривался первым, но быстро стало ясно, что в этом сценарии неудобен. Нужно было переносить адрес между сущностями Bitrix24, сохраняя связи с модулем location. REST такого контроля не даёт.

При этом в Bitrix24 уже есть стандартное поле address, связанное с Google Maps и модулем location. Оно умеет хранить координаты и структуру адреса, но в документации нет описания, как правильно заполнять его через код.

В статье разберу практический кейс: как сохранить адрес из Google Geocode во внутренние сущности Bitrix24 без REST API и без пользовательского интерфейса.

На чём будут учиться нейросети дальше в 2026-2027, если публичные Q&A-площадки (вроде StackExchange/Stack Overflow "высыхают". Небольшая исследовательская заметка какие источники данных будут доминировать в 2026–2027, и почему “интернет как датасет” заканчивается в привычном виде.

Пока на Хабре пишут очередной лонгрид о том, почему нейронки «никогда не заменят настоящего инженера», EPAM и intive молча переводят 50 000 своих сотрудников на AI-рельсы.

Спойлер: поезд уже ушел. Вы либо в нём, либо стоите на перроне и кричите, что «код грязный».

Ну, грязный. А ваш прям чистый?

Программирование привело меня в режиссуру, а режиссура (и преподавание) привели в психологию (см.предыдущие статьи). Ещё во времена знакомства с первыми компьютерами у меня возникло ощущение – взаимодействия software и hardware очень похожи на взаимодействия сознания и тела. В этой публикации я попробую прокомментировать свою статью (ранее публиковал её на профессиональных ресурсах психологов) о функционале обиды через эти аналогии.

— Расскажите, пожалуйста, о родителях, — начинаю, выслушав клиента на первом занятии, вникать в его ситуацию,
 — Опять детство разбирать... — капризно и разочарованно тянет клиент и уже в этом он похож на маленького мальчика лет 3-4х.
 — А можно, мы не будем лезть в детство? — с той же интонацией говорит новая клиентка на другой консультации. И тоже в этот момент становится похожей на 3-4летнюю девочку.
 Ещё один вариант реакции:
 — Ну, почему вы все, психологи, в детстве обязательно копаетесь? Прошлое не вернёшь и не переделаешь.

Для поиска ответа попробуем разобраться, как растёт человек, как формируется его психика.

В первые недели жизни младенец способен выражать только самые примитивные эмоциональные состояния — крик, плач. К концу месяца у него начинает появляться вполне осмысленная улыбка, чуть позже — любопытство, смех, начинает тянуться руками к маме, к игрушкам. С полугода он начинает пытаться ползать. Концу года ребёнок осваивает первые слова, Ещё через год-два начинает изъясняться предложениями — от простых к сложным.

В конце прошлого года обсудили с Head of R&D red_mad_robot Валерой Ковальским, как будет развиваться AI в 2026 году. В статье делимся его прогнозами и разбираем, какие изменения уже формируют индустрию и какие станут критичными в ближайшие годы — с точки зрения инженерии, масштабирования и реального применения в продуктах.

Дополнительный контекст и комментарии дал Саша Абрамов — AI-визионер, руководитель AI/ML-команд и автор Dealer.AI.

Рассказ о том, как с помощью одной матрицы и двух чисел научиться распознавать любые созвездия на небе.

Фоновая музыка, гул, шипение — классические фильтры с этим не справляются. Нейросети справляются, но падают на длинных файлах. Решение: чанкование + сохранение прогресса. Делюсь инструментом.

Теперь легко и просто можно попробовать поиграться в упаковку скиллов - до всяких платных Claude Code и Clawdbot/Moltbot. Напомню, что это способ превращать удачные сессии с агентом в переиспользуемые сценарии /воркфлоу для агента: один раз настроили, дальше запускаете по команде и получаете результат в том же стиле.

В Manus это можно попробовать и бесплатно. К тому же, вы можете даже скачать Skill, который вы сделали совместно с Manus, тоже совершенно бесплатно.

Я проверила это на простом и полезном кейсе: агрегатор свежих AI-новостей с Reddit, который делает выжимки под Telegram. Ниже по шагам и со скринами.

Всем привет! Меня зовут Артём Харченков, я руководитель направления Java-разработки компании Crosstech Solutions Group. В этой статье хочу поделиться практическим опытом построения команды с нуля: от ситуации, когда вся экспертиза сосредоточена в одном человеке, до управления большой командой из пятидесяти специалистов, которые параллельно развивают несколько продуктов в различных классах решений информационной безопасности.

Общий вывод по всем исследованиям - смарт часы крайне точно определяют пульс, очень точно ловят фибрилляцию и тахикардию, до 95 - 97 % точность, точнее только профессиональные аппараты ЭКГ.

1

Accuracy of Consumer Wearable Heart Rate Measurement During an Ecologically Valid 24-Hour Period: Intraindividual Validation Study

Цитата — Целью данного исследования было определение точности измерения частоты сердечных сокращений двух популярных носимых устройств, Apple Watch 3 и Fitbit Charge 2, по сравнению с золотым стандартом эталонного метода, амбулаторной электрокардиограммой (ЭКГ), в условиях использования потребительского устройства у отдельного человека. Данные собирались в 5 ежедневных условиях, включая сидение, ходьбу, бег, повседневную деятельность (ADL; например, работа по дому, чистка зубов) и сон.

Итог — Apple Watch 3 и Fitbit Charge 2 в целом показали высокую точность в течение 24-часового периода. В частности, Apple Watch 3 показали среднюю разницу в −1,80 ударов в минуту (уд./мин), средний абсолютный процент погрешности 5,86% и среднее согласие 95% при сравнении с ЭКГ в течение 24 часов. Fitbit Charge 2 показал среднюю разницу в −3,47 ударов в минуту, среднюю абсолютную погрешность 5,96% и среднее согласие 91% при сравнении с ЭКГ в течение 24 часов. Эти результаты различались в зависимости от состояния.

То бишь даже недорогие смарт часы отлично ловят пульс.

Потребители все чаще ждут от банков не только профильные товары и услуги. Клиентам интереснее участвовать в игровом процессе, а не просто совершать операции или знакомиться с новыми сервисами. В итоге банки создают гейминговые проекты или вступают с коллаборации с другими компаниями. Рассказываем в нашей статье о таких примерах.