Kurgan-Telecom Ru | Информационные технологии

История о том, как сервис логирования Discord-серверов прошёл путь от сложной связки MySQL + PHP + Python до простого решения на Python + SQLite в одном Docker-контейнере — и почему упрощение стека того стоило.

На узле моей AI‑платформы крутятся 34 контейнера: Dify, RAGFlow, векторные базы, мониторинг и SSO. Большой языковой модели среди них нет: основную генерацию стек получает по LAN с DGX Spark. На втором таком же мини‑ПК я отдельно поднял локальную Qwen3.6–35B‑A3B и прогнал серию замеров от 1K до 64K при контекстном окне 256K.

Обе машины — Beelink GTR9 Pro на Ryzen AI Max+ 395 (Strix Halo). Ниже — что эти коробки реально умеют: 117,4 ГиБ GTT после настройки ttm.pages_limit, p50/p95 локальных эмбеддингов и реранка, около 70 tok/s генерации через Vulkan/RADV и три грабли gfx1151.

Всем привет! Я Марго, QA-инженер команды МС в Банки.ру. 

Этой весной мы с командой автоматизировали подготовку Acceptance Criteria (это по сути такой чек-лист, по которому команда проверяет, готова ли задача) с помощью ИИ. Это сократило рутинную работу и ускорило тестирование. Ниже расскажу, как мы это сделали.

Есть большая и сложная система сборки Gradle и андроид-плагин AGP для установки большей части компонентов Android SDK, необходимых для вашего приложения. Но что, если вам не хочется руками устанавливать Android Studio, Android SDK, cmake, scrcpy и прочие нужные вещи? Здесь на помощь приходит mise — при кажущейся простоте он умеет все, что нам нужно.

Год назад я уже делал обзор на девайс TerraMaster F8 Pro, если интересно то эта статья есть в моем профиле. Это довольно необычный NAS, полностью построенный вокруг NVMe-накопителей. Устройство получилось действительно быстрым, но после публикации обзора многие читатели задали вполне закономерный вопрос:

Пользователи допускают опечатки при регистрации, и база данных постепенно превращается в хаос. Мы столкнулись с этим в одном из наших проектов в компании, где система поддерживала артистов и помогала координировать выступления.

Меня зовут Илья Новиков, я технический директор компании «Исходный код».

Ранее карточки артистов создавались автоматически на основе заявок на выступления. Поначалу это казалось вполне приемлемым: артист подает заявку, система создает карточку, администраторы могут с ней работать.

На практике мы получили кучу дубликатов. В некоторых записях был один и тот же адрес электронной почты. В некоторых — один и тот же номер телефона. Некоторые были связаны и тем, и другим, но не всегда напрямую.

Для команды, которой приходилось администрировать эту базу данных и координировать выступления, это стало настоящей проблемой. Стало непонятно, какая карточка артиста является подлинной, где хранится история бронирований и какую запись следует использовать для дальнейшей работы.

Правильное решение — предотвращать появление дубликатов до того, как они попадут в систему. Я с этим согласен. Регистрация должна проверять данные, нормализовать контакты и проверять, существует ли человек уже в системе.

Нам этого было недостаточно. У нас уже были производственные данные, производственные пользователи и производственный беспорядок. Нам нужно было перестраивать систему в процессе работы.

Привет, Хабр!

Недавно у меня было собеседование, на котором мы довольно много времени обсуждали одну из фундаментальных концепций SwiftUI — View.

Docker Gitlab + Gitlab runners на Fedora 44. Как настраивал у себя и немного каких приколов может быть.

«СХД для ИИ» - маркетинг. На деле у склада три потребителя с конфликтующими требованиями: обучение (полоса и p99 потока), инференс/RAG (хвосты латентности) и чекпоинты (burst-запись). На примере реальной HA-пары NVMe-oF/TCP и арифметики тракта данных ответим на главный вопрос.

Почему RDMA и Gen5 часто не дают эффекта?

Где микросекунды протокола реально съедают SLA?

В каком порядке апгрейдить: сначала ворота фронта, потом плазму, и только потом реликвии бэкенда?

На Финансовом конгрессе Банка России в начале июля Герман Греф и Эльвира Набиуллина поспорили о переохлаждении экономики, а когда глава Сбербанка попросил слушателей высказать свое мнение, большинство воздержалось. Это не случайно: в силу ряда недостатков экономического образования, финансисты не в состоянии разобраться в проблемах, связанных с выбором правильной денежно-кредитной политики, и фактически это сейчас под силу только искусственному интеллекту.

Спор на конгрессе инициировала модератор встречи Набиуллиной и Грефа – Элина Тихонова, телеведущая на канале РБК. Она отметила, что в ЦБ не видят признаков переохлаждения экономики, так как безработица не растет, производительность отстает от роста зарплат, однако глава Сбербанка Герман Греф утверждает, что переохлаждение есть. «Где тут Банк России ошибается?» – спросила она его.

Почему никто не хочет спорить с Набиуллиной и Грефом?

Глава Сбербанка сказал, что Банк России говорит, будто экономика охлаждается, но не переохладилась, и риски инфляции и переохлаждения находятся в равновесии, но, по его мнению, асимметрия здесь очевидна, и точку равновесия уже прошли. В качестве обоснования своих слов он сослался на падение инвестиций в течение последних четырех кварталов.

Эльвира Набиуллина согласилась с тем, что инвестиции сокращаются, но отметила, что «Всем нравится переохлаждением пугать. Но когда мы говорим перегрев – никто не спорит, что перегрев – это когда спрос повышает предложение. А когда говорим переохлаждение – это значит, что у вас спроса недостаточно должно быть для тех возможностей, которые есть у предложения. Значит должны быть незадействованные ресурсы, прежде всего трудовые. Мы это видим? Нет.»

История про то, как я сделал себе виртуального аватара для коротких видео — без генерации видео через ИИ.

Задача была простая: превратить свои текстовые заметки в вертикальные ролики, не садиться перед камерой и не тратить день на монтаж каждого выпуска.

В итоге получилась самодельная полуавтоматическая DIY‑система:

— универсальные графические ассеты персонажа
— ручная озвучка моим голосом
— разметка фраз в аудио через Audacity
— текстовый сценарий с управляющими тегами для событий в ролике
— кастомный JSX‑плагин для After Effects

Система берёт сценарий с управляющими тегами, аудиодорожку с голосом и файл разметки, после чего собирает заготовку ролика: аватар, липсинк, мимику, субтитры и слайды.

В статье показываю, как всё устроено, немного логики кода, почему первая версия попала в зловещую долину, что удалось автоматизировать, а что всё ещё приходится доводить руками.

В конце — немного статистики по первым трём роликам, запущенным с нулевых аккаунтов: YouTube, Instagram, TikTok и ВК.

Всем привет! Меня зовут Катерина Цаплина, я AI Architect и программный эксперт курса «MLOps для разработки и мониторинга моделей». Работаю на стыке ML, инфраструктуры и корпоративной архитектуры в крупной промышленной компании и на практике вижу, насколько непросто выстраивать такие процессы в реальной организации.  

Это четвёртая и финальная статья цикла о том, как компании реализуют MLOps. В предыдущих частях мы разобрали, как компании могут строить MLOps в целом, рассмотрели пример внутренней ML-платформы Uber Michelangelo и на примере Netflix Metaflow разобрались, как workflow-фреймворки помогают навести порядок в ML-разработке.

Сегодня разберём ещё одну альтернативу собственной платформе: managed-сервисы облачных провайдеров. На примерах Google Vertex AI, Yandex DataSphere и Yandex AI Studio рассмотрим, как они устроены и чем будут полезны команде и бизнесу. И, наконец, подведём итог всей серии статей.

В мире разработки программного обеспечения редко можно увидеть, как зрелый, динамический язык добавляет мощную, статическую систему типов без ущерба для своей философии и существующего кода. 3 июня 2026 года команда Elixir сделала именно это, выпустив версию 1.20. Главное нововведение — постепенная типизация (gradual typing), которая обещает найти в вашем коде «верифицированные баги» (verified bugs — ошибки, гарантированно ведущие к падению в рантайме) без необходимости писать аннотации типов.

Но почему это должно волновать вас, если вы пишете на Python, Java или Go? Команда Elixir поставила перед собой цель, которую многие считают «святым граалем». На практике сочетание всех трёх свойств почти не встречается.

И я считаю, что это отличный повод присмотреться к Elixir, даже если вы никогда не писали на нём ни строчки. Зрелый и интересный язык, работающий на виртуальной машине Erlang (BEAM) и исповедующий функциональную парадигму. Он известен своей отказоустойчивостью и конкурентностью, но, увы, остается малоизвестным языком, и я надеюсь что эта статья заставит вас заинтересоваться Elixir.

С развитием больших языковых моделей качество автоматически сгенерированного текста достигло уровня, при котором он становится практически неотличимым от написанного человеком. Это создаёт как новые возможности, так и значительные вызовы, связанные с фальсификацией информации, мошенничеством, генерацией дезинформации и другими рисками.

В связи с этим встает вопрос по обнаружению и защите от созданного искусственным интеллектом контента. Особенно в академической среде. Кроме того, одной из немаловажных проблем также является возможность обеспечения универсального обнаружения сгенерированных искусственным интеллектом текстов и противодействие обходу методов классификации созданного контента. На Хабре уже неоднократно освещали эту тему. 

Мы решили разобраться, что происходит с патентами в данной сфере.

До момента, когда я сел писать эту статью, я вообще не понимал, что такое тамагочи. Нет, не в смысле «никогда не слышал» — конечно, слышал и видел (не вживую, через экран). Где-то на уровне культурного шума это слово всплывало регулярно в американских фильмах или сериалах, где герой с придыханием вспоминает игрушку детства и рассказывает, как ему это нравилось. Ярче всего у меня в памяти отпечаталась сцена из знаменитого детективного сериала «Менталист»: Патрик Джейн с неизменной полуулыбкой вручает коллеге тамагочи, и тот, взрослый серьёзный мужик (не очень серьёзный на вид, но в момент моего просмотра все взрослые люди серьёзные), вдруг расплывается: «О боже, у меня в детстве такой был! Я их обожал! Как ты узнал!» и т. д.

Раньше я реагировал на такие моменты как на упоминание Game Boy или Dendy: «ну да, старая штука, скорее всего, что-то похожее на Game Boy, который мне был понятен на то время», и я думал: «кому-то дорога как воспоминание, но мне-то чего с того, игрушка есть игрушка». Но сейчас в какой-то момент мне стало понятно, что если об этой игрушке говорят до сих пор, если она пережила три десятилетия и кучу переосмыслений — значит, там внутри что-то большее, и надо посмотреть, что это и как работает.

Так я и сделал. И для начала — немного истории, потому что без неё нет смысла вспоминать и описывать старые вещи (всё, что больше 10 лет назад, уже старое, поэтому, надеюсь, без обид xd).

A/B тест это один из немногих инструментов в аналитике, который используют настолько часто и который у всех на слуху. К тому же, он достаточно простой - две группы, контроль, готово. Всё четко.

Но на моей практике, большинство A/B тестов в компаниях не доказывают ничего.

История о том, как обучение в высшем учебном заведении вдохнуло вторую жизнь в моё почти забытое хобби.

ВИЧ-1 быстро мутирует. При геномном анализе вируса нужно определить две вещи: к каким антиретровирусным препаратам он может быть устойчив и к какому субтипу относится. В мировой практике для этих задач используют Stanford HIV Drug Resistance Database и COMET: первый сервис помогает интерпретировать лекарственную устойчивость, второй — определять субтип. 

Мы собрали локальные ML-модели для анализа ВИЧ-1 по данным геномного секвенирования. Первая модель прогнозирует лекарственную устойчивость к антиретровирусным препаратам, вторая — определяет субтип вируса. Обе работают внутри биоинформатического конвейера и запускаются без обращения к внешним API.

Модель лекарственной устойчивости проверили на независимом датасете RuHIV, предоставленном ЦНИИ Эпидемиологии Роспотребнадзора: средний ROC-AUC по 14 препаратам составил 0,990. Для субтипирования основной российской линии A6 точность модели составила 99,64%, F1 = 1,00. 

Полный путь обработки тестировали на наборе сырых прочтений PRJDB17699 из NCBI: от FASTQ до итогового отчета. Модели также запустили в составе программно-аппаратного комплекса OnSiteSeq на NVIDIA Jetson AGX Xavier.

Я оказался в этой ситуации на реальном проекте — desktop-приложении на Avalonia. Нужно было объяснить пользователю пять экранов, три из которых со скрытыми боковыми панелями и элементами, зависящими от режима. Я написал онбординг прямо внутри приложения. А потом понял, что написал ровно ту вещь, которой в экосистеме Avalonia не хватает в принципе — и вынес её в отдельную библиотеку.

В июле 2023 года 25-летний мужчина по имени Джагдиш Уиттен из Сан-Франциско вышел на пробежку. Когда он перебегал оживлённую дорогу, его сбила машина; по его словам, он сделал «лёгкий кувырок» над автомобилем, приземлился на проезжую часть, после чего ползком добрался до обочины. Свидетели происшествия вызвали для него скорую помощь. Однако Уиттен отказался от помощи и позвонил другу, который сам отвёз его в ближайшую больницу: «я знал, что скорые дорогие, и понимал, что не умру».

По обоим пунктам Уиттен был прав. В больнице врачи определили, что у него небольшое сотрясение, сломан палец на ноге и есть несколько ушибов, то есть ничего особо серьёзного. Но из-за того, что он был травмирован, врачи обязаны были отправить его в Центральную поликлинику Сан-Франциско, в котором расположен единственный травматологический центр города. На этот раз у него не было выбора. Его погрузили в скорую и отвезли за десять километров в поликлинику, где оценили состояние, не потребовавшее вмешательства, и в тот же вечер отправили домой.

Через несколько недель Уиттен получил счета от обеих больниц. Всё было приблизительно так, как он и ожидал, и все расходы покрывались его страховкой. Но спустя несколько месяцев Уиттен получил ещё один счёт, на этот раз от American Medical Response — поставщика услуг скорой помощи, перевозившей его между больницами. Из счёта он узнал, что поездка на скорой будет стоить ему $12873: $737 за пройденный километраж, $314 за мониторинг его сердца в поездке, $151 за инфекционный контроль и $11670 «базовой ставки».

Уиттен перенаправил счёт своей страховой, которая сначала отказала ему в возмещении затрат, мотивируя это тем, что услуги AMR ею не покрываются и что перевозка не была одобрена заранее. (Разумеется, Уиттен не выбирал скорую и остальные тонкости поездки.) После подачи апелляции страховая компания согласилась покрыть $9967 от запрошенной суммы, но мужчине всё равно оставалось погасить самостоятельно примерно $3000. После множества неудачных попыток опротестовать счёт в AMR, не желая, чтобы коллекторы снизили его кредитный рейтинг, он выплатил примерно $2900. Короткая поездка на скорой из одной больницы в другую стоила ему гораздо больше, чем все остальные части процесса лечения.

Уиттен получил так называемый «счёт-сюрприз» — затраты, которые возлагаются на пациента, когда его лечит без согласия поставщик, не покрываемый его страховой компанией. Страховая платит сумму, которую считает разумной; поставщик выставляет пациенту счёт на непокрытую разницу, и пациент, несмотря на наличие страховки, которая должна оплачивать лечение, вынужден покрывать расходы. Для потребителя это ужасная ситуация.

Но именно так по умолчанию работает расчёт услуг скорой помощи в США. Каждый год примерно три миллиона американцев со страховкой частной компании перевозят на каретах скорой помощи; примерно половина из них получает счёт за отсутствие покрытия; этот показатель несравним ни с одной другой областью медицины. А для пациентов без страховки ситуация ещё