Kurgan-Telecom Ru | Информационные технологии

Во времена, когда Nokia владела Qt, инженеры были отважнее. Они разработали и релизнули QMediaPlayer в Qt5Multimedia для проигрывания медиа файлов на основе подгружаемых плагинов. Архитектура позволяла сначала выпустить API, а реализацию конкретного бекенда добавить позже. Поэтому API уже существовал даже там, где полноценного воспроизведения видео ещё не было.

С учётом того, что публичный API нельзя изменить или удалить в мажорной версии, кто готов проделать такое еще раз?

Этот подход породил интерфейсы, часть функционала которых не так работала или полностью отсутствовала на некоторых платформах.

Всем привет! Меня зовут Сергей Бобров aka BlackFan. Я работаю в Лаборатории Касперского, занимаюсь анализом защищенности мобильных и веб-приложений, участвую в пентестах и редтимах. В свободное время я также разрабатываю собственные инструменты, занимаюсь исследованиями в области безопасности и ищу баги на платформе Standoff Bug Bounty. Сегодня мы разберем на практике мисконфигурации, связанные с объектным хранилищем S3, и углубимся в проблемы, возникающие при его интеграции в веб-приложения через прокси (например, nginx). В основе статьи — 10 лабораторных стендов, каждый из которых поясняет различные уязвимости интеграции: от классической хранимой XSS и подмены бакетов до обхода правила rewrite и отравления кэша. 

История ретинола — это путь от древних эмпирических наблюдений до хорошо изученного инструмента косметологии, подтверждённого тоннами клинических исследований. Мы не раз и не два писали о пользе этого актива, но ретинол так интересен и многогранен, что не грех и повторить. 

Представьте ситуацию, вы вкладываетесь в рекламу и вроде приводите заявки, но часть из них всё равно теряется. Ваши менеджеры не всегда отвечают вовремя, забывают вернуться к клиенту иногда или вообще не фиксируют договорённости после звонка, и от этого вы часто в базе видите такую пометку "клиент думает". От этого сложно понять, где срезается конверсия по продажам и насколько хорошо менеджеры.

Я и моя команда с 2019 года помогаем компаниям выстраивать и автоматизировать продажи в amoCRM. За это время реализовали более 500 внедрений и видим, какие задачи отдела продаж сегодня имеет смысл отдавать ИИшке.

Я собрал со своего опыта семь практических сценариев (мы их внедряем и себе и клиентам) от мгновенного ответа на новую заявку и разбора звонков до автоматического follow-up и возвращения сделок в работу, которые зависли.

OpenAI представила новую функцию Set up writing style, которая изучает, как вы пишете в гугловских документах, а затем переносит ваш стиль, манеру речи, формулировки и форматирование текста в черновик.

Само собой, ChatGPT не напишет сиквел Евгения Онегина, но подачу и структуру ИИ повторит лучше, чем по обычному запросу аля пиши в моем стиле.

На планёрках RuDesktop прямые продажи, партнёрский отдел и маркетинг приносили отчёты с разными цифрами. Вместо обсуждения результатов начиналась сверка таблиц. Мы собрали общую аналитику, но сотрудники ещё какое-то время продолжали пользоваться привычными отчётами.

Через год компания изменилась, и систему пришлось дорабатывать. Рассказываю, как разбирались с участием партнёров в сделках, отслеживали результат выставок и избавляли руководителя внедрения от ручной проверки календарей.

Привет, Хабр!

Термодинамические расчёты равновесного состава сложных химических систем требуют много процессорного времени, а значит и денег. А мне хотелось сделать какой-то бесплатный вариант, который бы не был особо затратным, и его могли бы использовать для расчётов научные работники, технологи химических предприятий и прочие заинтересованные специалисты.

Так появилась идея заранее просчитать ряд систем, сохранить результаты и потом эти результаты выдавать из базы данных. И я так и поступил. Выбрал температурный диапазон пошире (до 3000 К), 2 базы данных веществ (с газами и без).

Сначала запустил программу на перебор по парам всех возможных элементов из таблицы Менделеева, и для каждой пары запускал расчёт их взаимодействий. Расчёт длился около суток.

После я проделал то же самое с 3мя элементами. Расчет занял около недели.

Четыре элемента рассчитывались около месяца.

Прикинув, сколько займёт расчёт 5ти элементов, я решил закончить на 4х.

После этого сделал бэкенд на сайт по извлечению соответствующего результата.

С одной стороны этот функционал бесплатно закрывает множество основных потребностей, с другой стороны рекламирует более сложные расчёты.

И конечно же мне после этого захотелось сделать соответствующее мобильное приложение. Быстро сделал WebView обёртку на сайт. Отправил в магазин Гугл – и получил не только отказ, но и удаление всех своих предыдущих приложений.

 Долго пытался зарегистрироваться на RuStore. И потом уже быстро получил отказ, мол WebView у нас не катируются.

Полез разбираться – и оказалось, что с того момента, как я написал последнее нормальное приложение, много чего поменялось. Придётся изучить и Kotlin, и много чего ещё. Либо писать с ИИ. Поэтому мысль о приложении отложил на будущее.

Массовое удаление документов по определенному отбору — стандартная задача при работе с экономическими программами. Но в 1С:ERP нет штатного инструмента, позволяющего выбрать, например, все документы за определенный период и удалить их.

Чтобы это сделать, нужные документы приходится сначала разыскать в разных разделах программы и пометить на удаление. Для автоматизации этой задачи я решил создать внешнюю обработку. Но все оказалось не так просто — и все не просто так. Одной обработки оказалось недостаточно: понадобились еще и довольно нетривиальные настройки самой 1С:ERP.

Код внешней обработки, границы ее применения, а также описание необходимых настроек 1С:ERP и составляют содержание этой статьи.

Недавно я обновил свою видеокарту до RTX-5060-TI 16GB. Получив новую карту я решил исследовать, что можно на ней запустить из нейросетей. Традиционно пишут, что нормальные ИИ модели начинаются с rtx3090 и выше, что ниже 24GB VRAM жизни нет. В этой статье я постараюсь развеять этот миф.

В статье представлю разбор с тестами, проведенными лично, и объясню, откуда берутся большие всплески открытия постов в первые минуты публикации, обеспечивающие дальнейший взлет и продвижение.

Это вторая редакция статьи, первую забанили модераторы, ее писал Клод. Она мне нравилась больше, легче читалась, НЕ было воды, только сухая суть тестов, наблюдений и анализов. Так, что запаситесь терпением или читайте выводы в конце.

Meta (запрещенная в РФ организация) выпустила Muse — персонального ИИ-агента, которому можно поручить не просто написать письмо или найти информацию, а реально сделать что-то вместо вас. Можно попросить его забронировать поездку, отправить письмо, купить что-то в интернете или даже помочь продать автомобиль. Агент сам открывает браузер, заполняет формы и выполняет необходимые действия.

Мониторинг редко начинается с разработки собственного кода. Обычно всё гораздо прозаичнее: устанавливаешь готовый агент, подключаешь его к существующей системе мониторинга, убеждаешься, что метрики поступают, и переходишь к следующей задаче.

У нас получилось немного иначе.

При подключении нового пилотного контура PostgreSQL к Zabbix выяснилось, что Mamonsu успешно работает с базой данных и собирает метрики, но не может передать их на сервер мониторинга, если тот принимает от узла только защищённые соединения с TLS PSK.

Можно было изменить настройки Zabbix или построить обходную схему вокруг штатного zabbix_sender. Вместо этого мы решили доработать сам Mamonsu. В результате появилась поддержка TLS PSK и сертификатов с сохранением совместимости как со старыми серверными версиями Python, так и с современными версиями Python, где PSK уже поддерживается стандартным модулем ssl.

Доработку проверили на пилотном контуре, после чего отправили разработчикам Mamonsu в upstream.

Продолжаем делиться кейсами внедрения ИТ-решений экосистемы Directum. На очереди — системный интегратор TANAiS, который выстроил на базе Directum Projects единый проектный контур вместо множества разрозненных сервисов. Компании удалось получить 100%-ую сквозную аналитику, за счет чего быстрее адаптируются графики проектов в 4 раза и эффективнее планируются ресурсы и в 2 раза.

Представьте типичный понедельник в отделе закупок производственного предприятия. Пришло пять коммерческих предложений на одну и ту же позицию – допустим, нужен стандартный компонент, который регулярно идёт в производство. Менеджер открывает таблицу, смотрит на столбец «Цена за штуку» и выбирает минимум. Это занимает десять минут. Решение кажется очевидным.

Через три недели выясняется, что на складе лежит втрое больше компонентов, чем нужно. Поставщик с самой низкой ценой работает только от крупной партии, а об этом менеджер не подумал, когда смотрел на цифру за штуку. Деньги заморожены на складе. Оборотные средства иммобилизованы. Реальная стоимость единицы нужного товара оказалась не самой низкой, а самой высокой среди всех предложений.

И это не исключение – это норма для большинства предприятий, где выбор поставщика до сих пор делается вручную, на глазок, без формализованной процедуры. Хуже того: даже если менеджер учитывает партионность, он всё равно не учитывает историю взаимодействия – сколько раз поставщик привозил вовремя, сколько раз приходилось оформлять рекламацию. Эта информация хранится в ERP-системе, но почти никогда не используется для принятия решений.

В этой статье мы разберём математическую модель, которая закрывает оба пробела. Три критерия – приведённая стоимость закупки с учётом минимальной партии, срок поставки и интегральный уровень доверия к поставщику, вычисленный из данных ERP. Один алгоритм, реализованный в Engee на языке Julia. И числовой пример, где поставщик с самой низкой каталожной ценой закономерно оказывается наихудшим выбором – а модель это выявляет автоматически.

Почему iperf никогда не покажет скорость из свойств подключения Wi‑Fi? Разбираем популярный миф о том, что максимальная Data Rate достижима в лаборатории. На конкретных примерах и формулах заглянем под капот физического уровня и докажем, почему канальная скорость математически недостижима для полезных данных ни при каких условиях.

Мост на Rust, который поселил модели GPT внутри расширения Claude Code для VSCode - через существующую подписку OpenAI, без API-ключа и ручного запуска серверов.

Некогда IBM произвела революцию в мире персональных компьютеров, утвердив свою архитектуру ПК раз и навсегда. Но мало кто знает, что она была еще на пороге и другой революции: в её руках находился ключ к принципиально новому рынку умных телефонов, но воспользоваться этим ключом по назначению она так и не сумела.

Среди всех типов лазеров, пожалуй, особняком стоит один из них, имеющий совершенно уникальные возможности, за счёт чего его даже иногда называют «машиной времени» для света. И речь пойдёт о голографических лазерах…

Пентест принято мерить по количеству найденных дыр. По-хорошему мерить надо бы по другому: что осталось после команды. Работает ли инфраструктура, не разошлись ли данные, не прилетело ли тем, кого в проекте вообще не было.

Я работаю в Singleton Security. Ниже 5 ошибок, после которых проект превращается в проблему. Часть я видел со стороны, часть слышал в кулуарах на конференциях, где такое рассказывают охотно, а в отчётах не пишут никогда. Два случая наши собственные: упавший сервер и домен, который не надо было регистрировать. Свои разбирать проще, про них хотя бы точно знаешь, как всё было.

«Сделай мне аналитику по этим пяти резюме, вот они» — с такого сообщения могла начаться история, из-за которой я вообще стал бы разбираться в обезличивании. Думаю некоторые HR-специалисты крупных компаний смело вставляют в ChatGPT пять резюме целиком: с паспортами, адресами, СНИЛС. Для него это была рутина, экономия часа работы. Для компании — передача персональных данных пяти человек неизвестно куда, без основания, без уведомления, в сервис, чьи серверы стоят за пределами России. Формально — сразу несколько нарушений 152-ФЗ. Все чуть сложнее или проще но в целом посыл был примерно такой.

Я делаю Pigard — прокси, который маскирует ПДн до отправки в LLM, — и большую часть разговоров с заказчиками начинаю не с продукта, а с базы: что закон считает персональными данными, когда обезличивание действительно снимает обязательства, а когда создаёт только видимость защиты. Кажется что потребность только формируется и нужно понятийная база.