Kurgan-Telecom Ru | Информационные технологии

LLM-поиск товаров: R&D применения технологий RAG и Knowledge Graph Search для продвинутого поиска товаров по сложным текстовым запросам.

Удалёнка сдвигает рабочий день вправо. Утром — встречи и реакции на входящие, днём — операционка, и только к вечеру наконец доходят руки до задач, которые требуют головы. Итог: работаю до 22:00 (если повезет), утром с трудом включаюсь, и на следующий день всё по новой.

Это не проблема мотивации. Это проблема системы: нет чёткой границы конца дня, нет плана — есть только список, который всегда кажется выполнимым. До тех пор, пока не становится очень поздно.

Дальше — про то, как я это починила: фиксированный конец дня, задачи в блоках, один короткий ритуал на 15 минут. Без радикальных перестроек и советов «вставай в пять утра».

Привет, Хабр!

В своей работе мне приходится держать в голове очень много информации, иногда настолько, что нельзя не полагаться на современные технологии. В этот раз я хочу проверить, можно ли собрать для автора рабочую систему, в которой заметки, черновики и готовые статьи живут в хранилище Obsidian, а локальная большая языковая модель DeepSeek-R1 помогает работать с этим массивом знаний прямо внутри хранилища. Смысл эксперимента не в том, чтобы переложить письмо на нейросеть, а в том, чтобы быстрее доставать уже осмысленную информацию, а не каждый раз заново разбирать сырые источники. Готовый текст затем уходит в рабочий GitLab, где ту же базу видит другой автор и может продолжить работу по той же схеме.

Меня здесь интересует не очередной сервис «всё в одном», а воспроизводимый процесс, в котором каждый инструмент закрывает свой участок авторской работы. В предыдущем тексте о «Втором мозге» уже был важный вывод: нейросеть не заменила автора, но стала полезным усилителем там, где есть заметки, структура и понятные правила работы с текстом. Настало время для нового опыта с применением ИИ.

В этот раз я применяю ту же логику к локальному сценарию. Вместо облачного помощника использую DeepSeek-R1 через Ollama на своем рабочем компьютере. Подключаю модель к Obsidian через плагин Copilot и проверяю, насколько удобно создавать новые материалы на основе существующей базы знаний и корпуса текстов.

По сути, эта статья тоже является частью эксперимента: я собираю её из уже существующих заметок, связанных .md-файлов и ручной редактуры после диалога с локальной моделью.

От уравнений до верификации: как мы сравнивали разработанный веб-модуль для анализа потерь в НКУ (низковольтных комплектных устройствах) с нормативной базой

А можно ли рассчитать потери и нагрев шин для оценки тепловыделения в НКУ быстро, точно и прямо в браузере?

Мы решили проверить — и разработали веб-ориентированное расчётное ядро, которое затем сравнили с требованиями ГОСТ.

В электроэнергетике и электротехнике тепловой расчёт НКУ — это не просто рутина, а ключевой вопрос при оценке безопасности и эффективности НКУ. При тепловом расчёте НКУ необходимо учитывать потери мощности в шинах и аппаратах — именно они являются основным источником нагрева внутри шкафа.

Шины, при протекании по ним тока, нагреваются из-за Джоулевых потерь, и если температура выходит за рамки нормы, последствия предсказуемы: ускоренное старение изоляции, рост потерь энергии, а в критическом сценарии — перегрев и выход из строя оборудования.

На практике инженеры часто оказываются перед выбором:

Нормативные таблицы — надёжно и консервативно;

Дорогие CAE-пакеты (COMSOL, ANSYS) — сложно, точность требует времени и бюджета;

Упрощённые ручные расчёты — быстро, но менее точно.

А что, если объединить скорость, точность и прозрачность в одном веб-инструменте?

В этой статье мы покажем, как на основе физических уравнений мы разработали веб-ориентированное расчётное ядро для теплового расчёта шин, а затем — докажем его точность в сравнении с ГОСТ.

Год назад я написал парсер CSV, способный обрабатывать 64 символа за раз. Он создан исключительно в исследовательских целях и в нём не учтены важнейшие этапы продакшен-парсера наподобие валидации. Сегодня я расскажу о базовом алгоритме, использующем SIMD и побитовые операции для групповой фильтрации структурных символов.

Когда обсуждают AI-generated UI, разговор обычно быстро уходит в одну из двух крайностей.

Первая крайность звучит так: можно ли это сразу нести в продакшен?

Вторая так: насколько результат похож на дизайн-языки, от Apple до Material Design.

Проблема в том, что мы слишком рано начинаем оценивать AI-картинку как почти готовый интерфейс. Хотя во многих случаях она полезна совсем по другой причине. Не потому, что экран уже получился зрелым, воспроизводимым и пригодным для продуктовой среды. А потому, что он принёс редкую визуальную комбинацию, до которой человек вручную шёл бы заметно дольше, либо вообще не полез бы в эту сторону с первой попытки.

Главная польза AI-generated UI часто лежит не в скорости производства экранов, а в поставке визуальных мутаций.

Но и это, как мне кажется, ещё не самый интересный слой темы.

Есть перспектива глубже. AI полезен не только тем, что выбрасывает необычные визуальные сочетания. Он постепенно меняет саму точку входа в процесс. Раньше сильный визуальный ход обычно должен был родиться внутри головы дизайнера. Теперь он всё чаще может возникнуть снаружи, в виде машины, которая массово производит промежуточные формы. После этого дизайнер уже не столько изобретает первый образ, сколько отбирает, фильтрует, нормализует и превращает удачное отклонение в систему.

Именно этот сдвиг, по-моему, и заслуживает более внимательного разговора.

У B2B SaaS появилась новая проблема: можно сделать нормальный сайт, аккуратный лендинг, базовое SEO и контент - и всё равно не попадать в рекомендации ChatGPT, Gemini или Perplexity.

Причина в том, что AI всё чаще выбирает не просто страницу, а собирает представление о бренде как об объекте знаний: через внешние источники, формулировки, отзывы, категории и контекст, в котором бренд цитируют. В статье разбираю, почему “хорошего сайта” уже недостаточно и что с этим делать на практике.

Традиционно весна — время для подведения итогов и анализа социальных трендов. В 2026 году главной темой экономических дискуссий стало растущее влияние женщин на глобальную рабочую силу и то, как технологический стек (в первую очередь ИИ) перекраивает карту занятости. По данным ВЭФ, женщины сегодня составляют 41% мировой рабочей силы, и этот показатель в развитых странах продолжает расти, меняя саму структуру экономики.

Нейронные сети сегодня уже не какая-то магия из научных статей. Они стоят за рекомендациями в сервисах, распознаванием изображений и, конечно, за LLM-моделями, которыми мы пользуемся каждый день. Но знакомство с ними у многих происходит через готовые библиотеки такие, как PyTorch или TensorFlow: написал пару строк кода — модель обучилась — всё работает. А что именно произошло внутри обычно остаётся загадкой.

Feed-forward нейронная сеть (FNN) — одна из самых базовых архитектур, на основе которой исторически выросли более сложные модели: DNN, CNN и многие другие современные подходы. Хотя сама по себе она редко используется в практических задачах в чистом виде, именно через неё проще всего понять фундаментальные принципы обучения нейросетей.

В этой статье мы реализуем нейронную сеть прямого распространения с нуля, используя только Python и NumPy — без готовых ML-фреймворков. Такой подход позволяет на практике увидеть, как работают основные концепции и принципы нейронных сетей. Погружаясь одновременно в математику и программирование, вы сможете получить более глубокое понимание того, что происходит внутри модели во время обучения и предсказаний.

Эта реализация станет основой для дальнейшего изучения: по мере освоения материала можно экспериментировать с более сложными архитектурами, различными функциями активации и методами обучения, улучшая свои собственные модели. Статья рассчитана на читателей с базовым пониманием линейной алгебры и Python, и ее цель — показать, как ключевые математические идеи превращаются в работающий код.

Когда мы запускаем контейнер, в большинстве случаев предварительно нужно указать настройки: порт, пароль, режим работы, адрес базы и т. д. Зачастую такие параметры жестко прописывают в самом коде, но это плохой стиль и вообще идея так себе. В будущем вы можете «затроить» и все это слить в git-репозиторий. А как мы знаем, хранить чувствительные данные в там нельзя.

Удобнее и гибче использовать переменные окружения. Те самые, которые environment variables. С помощью переменных можно настраивать поведение контейнера, использовать разные конфигурации (dev/stage/prod), безопасно передавать чувствительные данные. Как видите, одни плюсы.

Работа с переменными в Podman строится практически так же, как в Docker. Есть некоторые нюансы, но о них расскажу чуть позже. Сейчас давайте потыкаем на практике и посмотрим, что же происходит.

Половина краж с банковских карт в России за последние полгода — дело рук одного семейства троянов. SpyNote и его наследник CraxsRAT заражают Android-устройства, открывают банковские приложения и выводят деньги. Большинство разборов этих вредоносов заканчиваются списком IOC и общими рекомендациями. Эта статья устроена иначе.

Меня зовут Евгения Устинова, я старший аналитик сетевой безопасности в компании «Гарда». Я провела статический разбор нескольких версий трояна (v3.7.1–v7.6, включая форки EagleSpy, VIPRat, RedBat, MedusaRat, DesertRat и утечку исходного кода v6/v7), восстановила полную хронологию атаки по реальному трафику и разобрала протокол до байтов.

Оказалось, что у CraxsRAT есть сетевая активность, которую невозможно отключить, не сломав клиент. Я использовала эти базовые свойства протокола, чтобы построить правила Suricata, которые не устареют завтра, как обычные IOC. Читайте подробное исследование под катом.

Приветствую, сегодня я расскажу про новый шифровальщик, который мне удалось обнаружить на просторах Интернета. Первые упоминания ClearWater появились ещё в январе 2026 года. Исследуя всемирную паутину, я ещё не находил ни одной нормальной статьи по этому вредоносу, поэтому решил сам написать такую. Данный шифровальщик не отличается какой-то технической сложностью или необычными приемами поэтому его обзор несёт больше информативный характер и предназначен для Malware и TI-аналитиков.

Привет!

Это одиннадцатый выпуск Frontend Status — дайджеста по фронтенд-разработке.

В этом выпуске:

Привет, Хабр! Я — Роза, Flutter-разработчица в Friflex. Уверена, многие из вас знакомы с Dart DevTools и уже использовали его для анализа своих Flutter-приложений. Но пробовали ли вы создавать собственные расширения? Недавно у меня была такая задача, и я хочу поделиться своим опытом.

Привет! На связи Антон Полухин из Техплатформы Городских сервисов Яндекса. На днях в Кройдоне состоялась встреча международного комитета по стандартизации языка программирования C++, в которой я принимал активное участие. В этот раз (как и в прошлый), всё внимание было сосредоточено на C++26 и… теперь он готов! Осталось пройти формальные этапы в вышестоящих инстанциях ISO, и мы получим C++26 который заслужили. В нём будут:

• reflection,

• контракты,

• SIMD,

• линейная алгебра,

• расширенные возможности сonstexpr,

• hardening,

• Hazard Pointer и RCU,

• #embed,

• executors,

• и многие другие полезные вещи.

почему ты не ленивый - и ты даже не устал

Есть состояние, про которое почти никто нормально не пишет. Когда ты открываешь ноутбук и внутри вообще ничего не происходит. Ни сопротивления. Ни интереса. Ни желания отвлечься. Просто пустота.

Ты смотришь на задачу и понимаешь: я могу её сделать… но не буду.
И вот это пугает сильнее всего.

Hola, Amigos! На связи Павел Гершевич, Mobile Team Lead агентства продуктовой разработки Amiga и соавтор книги “Основы Flutter”. В каждом приложении мы авторизуем пользователей, но не все встраивают механизмы обновления токенов.

Из статьи вы узнаете:

- Из чего состоит JWT-токен?

- Зачем нужны Interceptor’ы в Dio и  чем отличается QueryInterceptor?

- Какие есть способы обновления токенов?

Как работает блокировка Telegram в России, что такое ТСПУ и Deep Packet Inspection, почему MTProxy с Fake TLS — это больше чем прокси, и зачем мониторить прокси-серверы, которые умирают от обновления DPI-фильтров в 3 часа ночи.

В 1964 году испанский нейрофизиолог Хосе Дельгадо устроил психохирургическую корриду. Он сделал трепанацию черепа нескольким особо норовистым быкам и вживил в хвостатое ядро, структуру, отвечающую за агрессию, радиоуправляемые устройства — стимосиферы. Теперь, когда Дельгадо атаковал разъяренный бык, его можно было остановить нажатием кнопки на пульте — стимосифер посылал заряд электричества в мозг животного и тем самым усмирял его буйный нрав. Эксперимент стал не просто демонстрацией работы одного из первых нейроинтерфейсов, Дельгадо планировал использовать его именно для помощи людям с неврологическими болезнями — как альтернативу, кхм, популярной в те дни лоботомии.

С тех пор прошло 63 года, но база нейроимплантации не изменилась — максимально эффективно управлять мозгом можно только вживив интерфейс прямо в этот самый мозг. 

В робототехнике давно умеют делать машины, которые быстро двигаются, не падают на ровной поверхности и производят впечатление на видео. Но в 2026 году планка выросла. Теперь всех заботит целый ряд вопросов… А способен ли робот сохранять управление на высокой скорости? Сможет ли без падений передвигаться даже по льду, траве, песку, снегу? Что он будет делать, если дорожка из щебня перейдет в газон или внезапно возникнет препятствие? Как отреагирует на столкновение? Новая концепция, которую для красочности нарекли «рожденный двигаться» (Born to Run), отвечает на этот вопрос. Новый класс роботов проектируют для движения в условиях постоянной неопределенности — наконец-то все как в жизни, а не на демонстрационной трассе.

Разбираем работу ученых Северо-Западного университета. Исследователи представили legged metamachines — модульных роботов, собранных из автономных, напоминающих детальки конструктора Lego блоков с собственными мотором, батареей и вычислителем. Эти системы могут объединяться в разные конфигурации, менять структуру, восстанавливаться после повреждений и продолжать движение. Для отрасли это означает, что устойчивость больше не зависит от качества одного контроллера, она становится свойством всей архитектуры робота, от компоновки и привода до алгоритма принятия решений и способности системы реорганизоваться под новую задачу.