Kurgan-Telecom Ru | Информационные технологии

Представьте себе картину: археологи раскапывают древнее кладбище, а антропологи, изучив кости, объявляют: «Женщины здесь были выше и массивнее мужчин!». Звучит как сенсация, не правда ли? Сразу всплывают образы амазонок, матриархата или загадочных миграций, которые привели на эту землю племя рослых дев. Но любой профессиональный антрополог, услышав такой вывод, первым делом скажет не «ура, открытие!», а задаст себе несколько скучных, но жизненно важных вопросов: «А все ли кости сохранились? А достаточно ли мы раскопали? А не обманывает ли нас сама земля?».

Кости — честный свидетель прошлого. Они хранят информацию о болезнях, травмах, питании и даже о роде занятий человека. Но, как и любой свидетель, они требуют умелого допроса.

Разработка требований обычно начинается с терминологии. Перед стартом проекта команда аналитиков формирует словарь проекта — единое пространство определений и артефактов. Это не формальность, однозначно трактуемая терминология напрямую влияет на качество требований.

В этой статье разберём ключевое понятие — функция. Понимание сущности функции Информационной Системы во многом определяет успех дальнейшего формирования функциональных требований.

Вот я сижу перед чистым листом. Я намерен писать только свои мысли, без постороннего влияния и без лишней спешки. Это должно быть совсем просто.

Мне нужно лишь сосредоточиться...поймать фокус...

Вот, кажется, сейчас... он близко, вот-вот придёт... ещё немного и...

Черт. Я не могу...

Когда будете выходить на новые рынки, не рассчитывайте на то что все вроде бы понятно. Культурный код, инструменты отличаются от тех что в РФ. И нужно адаптировать, чтобы все прошло хорошо.

Много лет назад, в один прекрасный день, начитавшись про микроконтроллеры, я решил попробовать заняться этими устройствами. Ведь это удобно, одна микросхема может заменить сложную цифровую схему. Сделать печатку и спаять схему — это не проблема. А вот для программирования микроконтроллеров необходим программатор.

Параллельные стримы в Java 8 выглядят как бесплатное ускорение: добавил .parallel() — и все ядра побежали работать. Но по факту всё сложнее, так как распараллеливание имеет накладные расходы, зависит от того, насколько хорошо делится источник данных, сколько стоит объединение результатов, и даже от локальности данных в памяти.

В новом переводе от команды Spring АйО на примерах и бенчмарках разберем, почему простая свёртка на маленьких диапазонах может стать медленнее, почему ArrayList часто выигрывает у LinkedList в параллели, как reduce может неожиданно сломаться из-за неверного identity, и что вообще происходит внутри common ForkJoinPool.

Переработал известную копилку от AlexGyver: напечатал новый корпус, сделал печатную плату вручную, устранил помехи LC-фильтром и наступил на грабли с энергопотреблением. Под катом — схема, осциллограммы и выводы.

Продолжаю свою небольшую «миссию» по разоблачению псевдо-экспертов и дешевых сенсаций на тему, которой я посвятил 12 лет работы в ФНС. 

В этот раз отличился Telegram-канал «Топор. Экономика», выдав новость, собравшую миллионы просмотров (на момент публикации 3 млн. просмотров). Звучит она так:

«ФНС усилила мониторинг соцсетей для поиска незадекларированных доходов: под анализ попадают фото и видео из отпусков, посты о дорогих покупках и другие признаки уровня жизни, который не совпадает с официальными заработками. Алгоритмы на базе нейросетей изучают открытые данные, выявляют возможные несоответствия и передают материалы инспекторам, особое внимание уделяют самозанятым, фрилансерам и людям без официальной занятости».

В новом дайджесте новая статья про шейдеры Metal и переход от Dagger к Metro, 10 фич в Android-приложение за один заход и лучшая производительность Flutter, новый подход к прогнозированию погоды, настройка конвейера доставки и многое другое. Заходите!

Недавно Anthropic возмущалась фактом дистилляции Claude разработчиками китайских LLM, при этом в качестве доказательства приводился мониторинг аккаунтов Claude, отслеживалась их история и связь с китайскими инженерами.

Мне стало интересно, возможно ли, имея только чат с LLM, понять использовалась ли дистилляция как инструмент обучения через самоотчет модели.

Спойлер: полагаю возможно.

Естественно, результаты исследования не могут служить каким либо доказательством или основой для любых обвинений. Потому что LLM штука темная, до конца неизученная и любые выводы лишь предположения.

В 2013 году в модном американском журнале PNAS вышла оч знаменательная статья (про которую, конечно же, из нас мало кто слышал) - «Automated reconstruction of ancient languages using probabilistic models of sound change». Если вы ничего не поняли, то на простом человеческом цель сего исследования звучала примерно: «вот бы нам восстанавливать формы древних слов, не склоняясь над пыльными архивами с карандашиками, а как-нибудь автоматически». Спонтанные желания в 3 часа ночи выглядят именно так.

Вчера вечером листал Telegram и наткнулся на пост в канале midov_channel (пост 775). У Ислама обсуждается пост в reddit в котором активно дискутируют, что 211 тысяч звёзд у репозитория — это «Fake stars, боты накручивают» .

Активно использую последнию неделю OpenClaw , имею своё мнение, и понимаю почему такой вопрос возникает: 211 тысяч звёзд — это много. Конечно, когда видишь такие цифры, первая мысль — «а точно ли это настоящие люди?»

У меня профессиональная деформация - доверяй, но проверяй. Всё таки 15 лет развивал департаменты Data и аналитики в L'Oreal. Это также трансформировалось в текущий мой бизнес AYGA Data & AI, где мы, с агентамиработаю в формате AI-first компании, привыкли к другому подходу — не спорить, а проверять. Есть гипотеза — есть данные. Данные либо подтверждают, либо опровергают.

Собственно, поэтому вчера дал своему агенту Gubin задачу: собрать все 211 тысяч профилей stargazers репозитория и провести forensic-анализ. Не выборку, не 1% — все до единого.

Через полтора часа Агент Губин прислал мне в телеграмм презентация из 14 слайдов. Дальше — разбор каждого из листа презентации.

Всем привет! На связи снова Карьерный Хакер — тот самый консультант по поиску работы, который не ленится изучать технологии, амбассадор здравого смысла на рынке труда и в HR Tech :)

Сегодня расскажу, как я поймала баги при AI-оценке релевантности опыта, когда тестировала самые популярные в России HR Tech-решения.

Также обсудим, куда уходят ваши персональные данные при интеграции российских ATS с зарубежными AI и какие есть риски на уровне государства при «сливе» данных о кадровых резервах страны в Пентагон по мнению GPT (надеваем шапочки из фольги).

Начну с небольшого экскурса в историю российских роботов-рекрутеров и того, как HR покупают технологии для решения своих задач. В этом важно разбираться, чтобы оценить потенциальный масштаб трагедии вокруг хайпа на ИИ в рекрутинге.

Погнали :)

Когда начинается разговор про Java, почти всегда он внезапно уходит в сторону Spring. И это не случайность.

Проблемы с релизами, поддержкой, миграциями, безопасностью — это не «проблемы Spring». Это следствие того, как изменилась сама Java-экосистема.

Чтобы понять, что происходит со Spring, нужно сначала разобраться, что произошло с Java.

В этом тексте я написал про своеобразный фильтр нижних частот.

Это гистерезисный фильтр на триггерах Шмитта.

Всем привет! В этой статье поделимся тем, как с помощью LLM анализировать поток из сотен договоров в ракурсе рисков и экономить на этом в год сотни часов работы юристов.

Если вы пишете сложный SELECT, в котором одно и тоже вычисляется несколько раз, например, для массовой обработки данных пачками, то наверняка вам хотелось завести локальную переменную

вот пример:

SELECT
price * quantity AS total_price,
(price * quantity) * 0.15 AS tax,
((price * quantity) + ((price * quantity) * 0.15)) AS grand_total
...

Здесь price * quantity вычисляется несколько раз, и tax вычисляется дважды. Но это выглядит еще ок, в реальности это зачастую всякие монструозные свитч-кейсы с NULLIF, COALESCE и прочими ребятами.

Но не суть, вам хочется один раз вычислить значение, без дублирования кода.

Long story short, это делается так:

Меня часто просили как-то удобно организовать поиск по всем материалам, которые были в моём геймдев-дайджесте, и... За один вечер я сделал небольшой сайт для этого, не написав ни строчки кода. В статье расскажу про сам процесс.

Клиент пришёл за AI-чатботом для поддержки — 200 обращений в день, четыре оператора, вечная текучка. Мы прочитали 500 тикетов глазами и обнаружили: 68% закрываются обычным API-вызовом, ещё 14% — формой-визардом. А вот AI понадобился совсем для другого — кластеризация жалоб выявила бракованную партию товаров до того, как проблема стала массовой.

Воздействие генеративного ИИ на окружающую среду

Быстрое развитие и внедрение мощных генеративных моделей ИИ сопровождается последствиями для окружающей среды, в том числе увеличением спроса на электроэнергию и потребления воды.

Адам Зеве | MIT News

17 января 2025 г.