Kurgan-Telecom Ru | Информационные технологии

Привет, Хабр! Меня зовут Илья Башкиров, я юрист по информационной безопасности в InfoWatch. В этой серии статей я расскажу вам про судебную зарисовку.

Обсудим появление этого феномена (а тянется всё это с Древнего Рима), историческое развитие, современный запрет на фотографию заседаний, разберём ряд самых известных судебных заседаний и подробно пройдёмся по школам судебной зарисовки. Их, к слову, достаточно — американская, британская, французская и, конечно, российская. Материал получился большим, так что в первой статье я расскажу про само явление зарисовки и из-за чего все невзлюбили фотографов в суде, а во второй — про школы зарисовки, их особенности и моих любимых художников. Будет много фото.

Начнём с исторического экскурса.

С чего всё началось

Рисовать человек научился задолго до изобретения письменности. А судить других он, я уверен, научился ещё раньше. Из-за этого, когда я начал разбираться в истории судебной зарисовки, у меня возник вопрос — а с чего мне, собственно, начать?

О судах древности мы знаем из письменных источников, но существуют и рисунки, статуи, изображающих правосудие времен Месопотамии, Древнего Египта и Рима. Это рисунки преторов, жрецов, фараонов, рабовладельцев, которые в разные исторические эпохи выполняли функции современного судьи.

Привет, Хабр! Меня зовут Наталья Стецук, в управлении проектами я больше 15 лет. Создала проектные офисы и руководила ими в производственной и ИТ-компании. Предлагаю об этом и поговорить: что такое PMO, для чего он нужен, и как построить процессы так, чтобы бизнес получил ту самую практическую пользу.

СИБУР планирует наращивать экспорт, в том числе в Китай, Вьетнам и арабские страны.

Что это значит: больше обращений на почте от зарубежных клиентов — с фотографиями изделий, PDF во вложениях и длинными цепочками переписки. 

Раньше этим занимались люди: прежде чем передать задачу специалисту, они анализировали, кто пишет, что хочет произвести и какая помощь ему нужна. Теперь всё это предстояло разбирать ещё и на разных языках.

Поэтому мы решили собрать ИИ-помощника: пусть сам читает переписку и собирает отчёты. Но кое-что пошло не так.

Одна из самых значимых перемен в интерфейсном дизайне последних лет происходит почти незаметно. Экран перестал быть самостоятельным продуктом с фиксированной информационной архитектурой. Теперь пользователь формулирует запрос, а агент выполняет задачу и возвращает вместе с текстом UI-компоненты — таблицу, график, карточку с действием или карту. Такой подход называется Generative UI, или GenUI. Но сам по себе пересобираемый экран — не революция. Персонализированную ленту и адаптивную вёрстку индустрия делает уже давно, но каждый раз в итоге пользователю приходиться изучать язык системы, просто другой.

Сейчас наблюдаются две перемены. Первая в том, что точкой входа в сценарий впервые становится жизненная ситуация пользователя, описанная его словами. Вторая в том, что единицей работы дизайнера становится правило, исполняемое в миллионах сгенерированных экранов. Отсюда термин «человекоцентричность», который так часто звучит рядом с GenUI, и трактовать его стоит буквально.

Мы прошли долгий путь от пересылки ТЗ в Word по электронной почте до автоматической генерации документации нейросетями прямо из Merge Request разработчика. Зачастую это происходит вообще без участия аналитика вплоть до этапа итогового ревью. Но делает ли автоматизация нашу документацию лучше?

В этой статье я хочу оглянуться на эволюцию того, как мы вели проектную документацию, обсудить одну неочевидную проблему работы с ИИ, о которой мало кто задумывается, и показать, как с этим бороться. А в конце я поделюсь полезными материалами — примером репозитория документации для двух подходов (классический водопад с элементами канбана и чистый скрам) с готовым ИИ‑скиллом для анализа изменений в коде.

Я пишу d9c, терминальный менеджер Docker для удалённых серверов, и однажды заметил, что через него к моим серверам ходит уже не только я, но и Claude Code. Таблицы для людей агенту не подходят. Ему нужен JSON, ограничение на объём вывода, чёткая граница между «посмотреть» и «сломать» и человек, который подтверждает удаление. Рассказываю, как сделал для агентов CLI-режим, MCP-сервер и десять skills, почему инструментов двенадцать, а не сорок, и как агент всё-таки удалил стейджинг, не спросив меня, хотя задумано было ровно наоборот.

В RAG недостаточно найти документы на нужную тему: они должны содержать сведения, из которых можно обосновать ответ. Разберём три способа исследовать эту границу — от внешнего оценщика контекста до анализа активаций модели и испытаний на противоречивых свидетельствах.

Про N+1 в Laravel обычно пишут три строки про with() и расходятся. Я собрал небольшой стенд на Laravel 13 и SQLite, воспроизвёл проблему, посчитал запросы для каждого способа лечения и проверил, что «не ловится» режимом запрета ленивой загрузки. Отдельно разобрал места, где eager loading не помогает или сам создаёт нагрузку. Все числа в статье получены на этом стенде на искусственных данных.

Разработка большой фичи с нуля часто начинается обманчиво легко. Заказчик объяснил идею, команда обсудила экраны, разработчики примерно представляют архитектуру. Можно приступать. Но стоит перейти от общего замысла к конкретному поведению, как появляются вопросы, на которые у каждого участника свой ответ.

Возьмём веб-систему бронирования общего оборудования. Сотрудник выбирает проектор и время, подтверждает бронь, при необходимости отменяет её. Звучит как несколько форм и CRUD. Иллюзия простоты исчезает, когда два человека одновременно бронируют один проектор, временный резерв зависает навсегда, а отменённая заявка продолжает занимать время в календаре.

Разберём, как пройти путь от такой идеи до реализации через LLM: сначала сделать правила видимыми, затем согласовать модель и контракты, после этого передавать агенту небольшие задачи. Это учебный пример, а не отчёт о внедрении или обещание определённого ускорения.

23:14. Ночная смена в SOC — центре мониторинга, где аналитики круглосуточно разбирают сигналы о возможных атаках. Аналитик смотрит в экран шестой час. За смену пришло больше 400 алертов, первые полсотни оказались ложными. Он это понял быстро, а система — нет: система продолжает присылать предупреждения с той же частотой и с той же пометкой «высокая важность». К 340 алерту рука тянется к кнопке «Закрыть» раньше, чем глаза дочитывают текст. На 388 аналитик пропускает реальную атаку.

Разбор инцидента займет неделю, а то и больше. Вывод будет стандартный: человеческий фактор. Аналитик не среагировал, значит, нужно усилить контроль, дописать регламенты, провести обучение.

Никто не посмотрит на экран, перед которым аналитик просидел шесть часов.

Написала аналитику по результатам тестирования трех вузовских ИИ-детекторов на академических текстах с известным происхождением. Один и тот же текст оценивается разными системами детектирования от нуля до шестидесяти процентов ИИ, а показания одной системы меняются на треть за полтора месяца. Предлагаю обсудить более эффективный способ определения авторства, чем тот, что применяется сейчас.

Привет, Хабр! С вами команда Russtech — разработчики IT-решений ведущего российского оператора рекламы вне дома Russ (входит в RWB).

В этой статье мы детально разберем процесс автоматизации подбора рекламных поверхностей — и объясним, какую пользу это дает. Вы узнаете о различных алгоритмах формирования рекламных кампаний, особенностях составления адресной программы с учетом локации, а также о том, как выбор метода расчета расстояния между объектом рекламодателя и рекламной конструкцией зависит от конкретного сценария медиапланирования. Для удобства объекты рекламодателя будем называть объекты POI (Points Of Interest, т. е. «точки интереса»). К ним будут относиться магазины, офисы продаж, пункты выдачи заказов, сервисные центры и другие локации, куда рекламодатель планирует привести свою целевую аудиторию.

Для экспериментов с ИИ в AppSec необязательно покупать облачную подписку. Модель можно запустить на рабочей станции, связать с анализаторами кода и поручить ей часть исследования. Открытые инструменты-обвязки позволяют настраивать такую работу под своё приложение. Таким образом, у команды появляется выбор, какие данные передавать модели, где их обрабатывать и насколько самостоятельной делать проверку.

Впрочем, установить модель заметно проще, чем понять, какую работу ей стоит доверить и как её организовать. Разобрать сообщение сканера, восстановить путь пользовательских данных или провести многошаговое исследование приложения – это всё задачи разного масштаба. Если сразу поручить небольшой локальной модели весь аудит, то по результату такого эксперимента будет трудно судить, какие отдельные задачи она способна решать.

Поиск подходящих задач связан и с организацией проверки. Открытые инструменты позволяют менять её под своё приложение и понимать, какие решения повлияли на результат. Постепенно у команды складывается собственная методика работы с ИИ, которую можно уточнять и применять в следующих проектах.

В этой статье мы сначала проследим, как появились эти возможности, а затем рассмотрим локальные сценарии AppSec и последствия свободного выбора моделей и инструментов.

Меня зовут Настя, я Data Scientist и TeamLead. Сегодня хочу рассказать про вредную занозу, которая засела у меня в голове и далее я не могла это игнорировать.

Сейчас я читаю книгу Себастьяна Рашки «Строим LLM с нуля». Читаю по-взрослому: глава за главой, с открытым Jupyter рядом и кружкой кофе (не первой). И на разделе 2.8 про позиционные эмбеддинги я встала. Прямо как вкопанная.

Причём там не сложно! В книге это буквально три строчки кода: есть таблица эмбеддингов слов, есть таблица эмбеддингов позиций, складываем — и вперёд, к attention. В других учебниках и статьях то же самое: «просто прибавим вектор позиции той же размерности». Ну понятно же? Понятно. Только в голове вместо ясности почему-то остался список вопросов:

Один фишинговый документ, несколько событий в SIEM и подозрительный met.exe. На примере заданий Standoff Defend в очередной раз разберём, как по логам восстановить цепочку атаки: от открытия письма до дампа LSASS.

Немного аналитики, практических запросов и рассуждений в процессе расследования :)

24 ноября приглашаем вас на вебинар, где мы на практике разберем, как эффективно работать с облачной платформой. В прямом эфире мы создадим профиль компании в личном кабинете и на реальных примерах покажем, как облако помогает решать бизнес‑задачи «здесь и сейчас».

Особенность формата:

Вы — главный режиссер! С помощью онлайн-опросов и чата для вопросов вы определяете, какие темы разобрать подробнее. Мы адаптируем демонстрацию под ваши запросы в реальном времени.

Мы шаг за шагом покажем:

- Как быстро начать работу в облаке.

- Какие инструменты экономят время и деньги.

- Как разворачивать виртуальные машины.

- Как подключать любой из 45+ сервисов в несколько кликов.

- Как безопасно масштабировать бизнес.

Привет! Это команда AI VK. В конце января мы рассказали про Discovery-платформу — единый инфраструктурный слой для рекомендаций, поиска и рекламы во всех продуктах VK. Тогда разобрали её устройство, а теперь расскажем, что улучшили за последние месяцы — от запуска Discovery Portal до оптимизации инфраструктуры — и как эти изменения повлияли на продукты. 

Если вам нужно дать постороннему человеку войти в админку работающего интернет-магазина на Next.js, а данные покупателей не показывать, копия базы не единственный путь. Можно открыть живую панель с ролью только для чтения и закрыть утечки на трёх уровнях: запросы, поля и разделы. Расскажу, как это устроено у нас и где оно уже протекало.

Я сам рисую интерфейсы и сам их верстаю. У меня есть библиотека стилей pbstyles: цвета, размеры и шрифты в ней описаны дизайн-токенами. Тему для Tailwind я хотел собирать из этих токенов, а не переписывать руками после каждой правки в Figma. Так появился пакет tailwind-dictionary.

Он берёт токены в JSON и собирает из них тему Tailwind CSS. Светлая и тёмная тема собираются из тех же файлов.

Пакет пригодится, если у вас уже есть токены, но переходить на Tailwind не хочется из-за того, что тему придётся вести отдельно. Или если вы уже на Tailwind и хотите выгружать переменные из Figma и сразу получать тему.

GitHub показывает звёзды и форки, но не показывает, сколько раз скачали файлы из релизов. Цифра есть в API, поле download_count у каждого ассета. Я захотел видеть её сразу по всем своим проектам, да ещё с историей, и написал утилиту. Ниже — как она устроена и на что я налетел.