Kurgan-Telecom Ru | Информационные технологии

Документация редко отражает всю картину проекта. Самые важные решения часто остаются в переписках, памяти команды и привычках одного человека. На примере собственного ухода из компании я расскажу, как использовать ИИ-агентов для аудита знаний, поиска слепых зон и подготовки передачи дел — и почему даже идеальная wiki не заменяет профессионального опыта.

Пошагово от BIOS до первой загрузки: кому подойдёт эта сборка и что менять, если железо отличается; что скачать; какой SMBIOS; подмена CPUID; ACPI; кексты с версиями и назначением; карта USB на 15 портов; звук, сеть, NVMe, гибридные ядра. В конце — проверки после установки и порядок обновления загрузчика.

Одной из сильных сторон Kafka Streams является возможность хранить состояние приложения локально. По умолчанию в качестве локального хранилища используется RocksDB — встроенная key-value база данных, расположенная на диске.

Но есть одна особенность, о которой редко задумываются в начале проекта. State Store отлично умеет хранить данные, но совершенно не знает, когда их пора удалить. Если приложение однажды записало объект в Store, он останется там до тех пор, пока приложение самостоятельно его не удалит. Никакого встроенного TTL для обычного State Store в Kafka Streams нет. На небольших объёмах это практически незаметно.

Однако если сервис работает месяцами и ежедневно обрабатывает миллионы сообщений, локальное состояние начинает непрерывно расти. RocksDB постепенно превращается в архив всех когда-либо обработанных данных, большая часть которых уже никогда не понадобится.

Последнее время, наверное, ни один более-менее адекватный специалист в области ИИ не проходит мимо разговоров о том, насколько всё это опасно. То одна модель "сошла с ума", то другая начала убеждать живого человека в чём- то странном, то кто-то всерьёз заговорил про экзистенциальную угрозу человечеству. Я тоже как-то подустал от этого информационного шума, но одна мысль не давала покоя: а что, собственно, мы предлагаем взамен? Красивые лозунги "сделайте ИИ добрым" явно недостаточно, а на практике что?

Когда заходит речь о "безопасном искусственном интеллекте", первое, что вспоминают - это три закона робототехники Азимова. Красиво, правильно, звучит убедительно. Но на практике они однозначно неприменимы, и дело даже не в том, что они "устарели" - они просто не работают как алгоритм. Закон "не причиняй вреда человеку" в реальности упирается в неразрешимые противоречия. А если спасти одного человека можно только ценой гибели другого? А если "вред" наступит через десять шагов логического вывода, который робот ещё даже не сделал? Сам Азимов сто раз на этом играл в своих рассказах - законы постоянно конфликтуют друг с другом, и это не баг, а фича сюжета. Но нам-то нужна не фича сюжета, а рабочая система принятия решений. И вот тут начинаешь понимать, что декларации не спасают.

Так и родилась идея, которую я в итоге оформил в виде скилла DOF-Core (Degrees of Freedom - степени свободы). Базовый принцип даже не мой - я о нем читал лет 10 назад и он меня впечатлил. Ниже расскажу, как устроена эта идея и почему мне кажется, что математика тут важнее хороших намерений.

Как определить, на чём сфокусироваться, если в компании множество вызовов: техдолг, неоптимальная архитектура и проблемы надёжности?

Привет, Хабр! Я — Иван Нещадин, работаю тимлидом в компании Авито. Сейчас я руковожу двумя командами Arch и Bridge. В этой статье по мотивам доклада для TeamLeadConf я расскажу, как в Авито мы создали SWAT-команду, которая быстро решает самые проблемные задачи и живёт между миров платформы и продукта. Также подробно опишу, как снижаем хаос в архитектуре и улучшаем надёжность.

Это материал будет полезен всем, чья компания доросла до большой архитектуры и её качество стало сложно контролировать. Он основан на личном практическом опыте и описывает задачи, с которыми мы сталкивались и решали. 

Архитектура решений – мост между бизнесом и технологиями, и книга "Практическое руководство для архитекторов решений" дает практическую базу для успешного движения в данном направлении. Она предназначена для разработчиков и ИТ-специалистов, которые хотят сделать первые шаги в новой роли и уверенно закрепиться в профессии архитектора решений. Ее фокус - на той промежуточной области, которую часто путают либо с архитектурой приложений (код, фреймворки, внутреннее устройство системы), либо с корпоративной архитектурой (стратегия развития компании в целом). Это издание станет надежной базой для тех, кто переходит от разработки отдельных приложений к проектированию решений, приносящих пользу всему бизнесу.

До обновления API LLMCOD работал на Qwen 3.6. Модель справлялась, но по мере роста числа клиентов и усложнения промптов (длинные базы знаний, многошаговые диалоги, агенты) стало понятно: нужен более свежий бэкенд с лучшим качеством推理 и более эффективным использованием GPU.

Цель — получить максимум от имеющегося железа (Tesla V100-SXM2-32GB), не покупая новый GPU.

Генеративный ИИ демонстрирует знатный прогресс в последнее время — даже вроде как решил одну из задач тысячелетия, правда, с весьма существенными оговорками. Оставим в стороне вопросы финансовые, насколько устойчива вся схема финансирования этих компаний.

Хотелось бы поговорить в этой новости о проблеме, которую я бы условно назвал «Не бывает плохих учеников, только плохие учителя». Смысл в том, что вычислительные мощности, используемые ИИ, модели и архитектуры — это все, конечно, замечательно, но не имеет смысла без правильного целеполагания, закладываемого в системы. Как гласит старая немецкая поговорка, хромой, бредущий в правильном направлении, обгонит всадника, скачущего не туда.

Данная статья о том, что если компании, эксплуатирующие ИИ, не ставят цели улучшения пользовательского ПО, то все усилия по строительству дата‑центров, производству чипов и памяти, совершенствованию моделей — не приведут к улучшению этого самого ПО. По факту эта статья является отсылкой к классической статье «Почему новый дизайн Gmail такой медленный?», написанной задолго до прихода генеративного ИИ в массы.

Представьте: на дне реки проложен трубопровод, по которому транспортируется сырьё широкая фракция легких углеводородов (ШФЛУ) от газоперерабатывающих заводов.

Для контроля герметичности трубопровода требуется регулярный контроль не предмет утечек.

Периодический контроль внутренней поверхности ведется при помощи специальных устройств для очистки и диагностики. Помимо этого, используется несколько инструментов, такие как контроль технического состояния, телемеханика, системы обнаружения утечек, мониторинг с помощью БПЛА. А контроль при осмотрах велся при помощи отбора проб воды на лодках.

Способ рабочий, но долгий и опасный, а добрую половину года им вообще не воспользуешься. 

Наши коллеги из направлений Экология и линейных-эксплуатационных служб пришли с задачей по замене данного метода на более эффективный и безопасный для персонала. Идея была в том, чтобы искать потенциальную утечку не в воде, проводя анализы в лаборатории, а в воздухе, облетая трассу при помощи дрона с высокоточным газоанализатором. Звучало как задача на вечер.

Холмс, я убрал 993 лишних IPC-вызова, и моё приложение стало тормозить в два с половиной раза сильнее. В логах было тихо. Бэкенд на Rust молчал. На границе с WebView творилось что-то необъяснимое…

Собрать бесплатный конвейер новостей на связке Google Таблицы + Gemini API + Telegram просто, пока не упрёшся в жесткий лимит Google Apps Script: 6 минут на запуск и долгое ожидание ответов LLM.

Мне требовался умный фильтр и саммаризатор сотен иноязычных отраслевых новостей по узкой теме (AI в энергосбережении). При последовательных запросах скрипт банально «умирал» по таймауту на первой же пачке.

В статье покажу конкретный рабочий приём: как распараллелить независимые запросы к Gemini через UrlFetchApp.fetchAll(), уложить обработку 50 анонсов в 20 секунд вместо двух минут и при этом не сломать бесплатные квоты API.

QEMU — это не просто виртуализация с KVM. Его главная cуперсила — способность запускать программы, скомпилированные для одной архитектуры, на совершенно другом процессоре. Безо всякой поддержки со стороны хоста. Например, запустить прошивку для ARM-микроконтроллера на x86-ноутбуке.

Как это работает? Под капотом QEMU скрывается JIT-компилятор под названием TCG (Tiny Code Generator). В этой статье мы разберем его устройство на практических примерах для RISC-V и посмотрим, как инструкции превращаются из одного машинного кода в другой, как формируются блоки трансляции, и зачем там нужны longjmp и цепочки блоков.

В своей статье «Научная истина» я показал, что научная истина — это результат консенсуса научного сообщества, который сейчас формируется в научной прессе. Сейчас эта пресса образует закрытый клуб взаимопризнаваемых научных журналов, которые по некоторым ключевым вопросам имеют негласное, но единое мнение. Основу этого мнения составляет представление о том, что научная истина, как конечное знание, существует, и есть теории, в которых это знание представлено. По этой причине эти теории являются неприкасаемыми, а потому для любых статей, ставящих это под сомнение, доступ в официальную научную прессу закрыт. Этот запрет является интернациональным, в чем я убедился лично.

Короткий дисклеймер: Проект живой, ленту бот крутит дважды в сутки. Почитать готовый результат можно в моём Telegram-канале Bio_news, а покритиковать тут. А теперь к тому, как вся эта система устроена.