Kurgan-Telecom Ru | Информационные технологии

Давайте сразу оговорюсь, дабы вы не судили меня строго. Я не программист, а скорее маркетолог с навыками программирования и некоторыми знаниями в IT. Но речь в этой статье пойдет далеко не о маркетинге, а о программе, которую мне довелось разработать. Для меня это было внезапно ;-)

Летом 2025 года мне мой муж начал рассказывать о проблемах своей компании. У них просто ужасно много времени уходило на внесение в 1С заявок клиентов. Настолько ужасно, что для этого держали 8!!! офис-менеджеров, при общем штате компании человек в 40. Это чтобы вы осознали масштаб проблемы.

Я хлопала глазами и предлагала воспользоваться стандартным функционалом сопоставления номенклатуры в 1С. Он крутил у виска и говорил, что это не сработает: клиенты любили очень причудливо описывать требуемые позиции.

Переносные колонки с ассистентом давно освоили уже даже в России. Новое здесь — камера, которая смотрит, как ты живёшь.

Суверенная облачная инфраструктура, независимая от американских гиперскейлеров, — давняя цель европейских стран. Появляются даже экзотические проекты: например, Нидерландский центральный банк для развертки независимого облака выбрал инфраструктуру немецкой сети супермаркетов-дискаунтеров.

Но в целом миграция идет не лучшим образом (в том числе из-за регулирования). Мы в Beeline Cloud решили посмотреть, получается ли у Европы строить суверенное облако, учитывая, что свою Кремниевую долину создать не вышло.

С чего всё началось

Периодически в дороге и в свободную минутку перебираю новостные ресурсы в поисках свежих новостей. Поймал себя на мысли, что ресурсов у меня безумно много. Я больше трачу времени не на чтение, а на их перебор.

Открываю один ресурс, второй, третий — реклама, баннеры, всплывающие окна. Не успеешь нажать на крестик можно вообще улететь в неизвестном направлении. Вроде ищешь события, а натыкаешь на блогеров, экспертов, мнения и особенно бесят душераздирающие истории представителей богемной тусовки.

Дальше по привычке открываю Телеграм. Там у меня десятки каналов и в каждом события дублируются раз восемь в восьми разных пересказах. А по‑настоящему важного среди всего этого набирается три‑четыре штуки в лучшем случае.

Мне не хватало не ещё одного источника — их и так достаточно. Не хватало того, чтобы кто‑то прошёлся по всему этому за меня: убрал повторы, выкинул лишнее и выдал короткий список по важности. Без экспертов, желтухи, рекламы, баннеров — чистая событийная лента.

Готового продукта с такой логикой для русскоязычного читателя я не нашёл, поэтому стал разбираться, как вообще устроены подобные системы: как они понимают, что две разные статьи — это статьи об одном и том же событии и где заканчивается работа алгоритма и начинаются редакционные решения. Читал документацию, проверял идеи на практике и постепенно собирал систему по кускам. Сначала запряг одну модель, потом две в связке, далее заменил их на третью. Спорил с ними, выбрасывал неудачные варианты, менял правила, так это медленно и превратилось в рабочую систему.

Почти все сегодня знают про LLM и могут сравнивать модели, спорить о качестве ризонинга, важности контекста и стоимости токенов.

Но в среднестатистической компании обычно все ограничивается генерацией текстов, простым чат-ботом и редкой автоматизацией поддержки разработчиков, так как команды не знают, как подойти к выбору моделей и интеграции без лишних затрат. 

Между тем инструменты для этого уже есть, например Evolution Foundation Models. И благодаря широкому пулу моделей помогают сделать продвинутый ИИ доступным для всех, а не только для сценариев разработки. 

Эта статья для тех, кто на практике столкнулся с дефицитом рабочих ИИ-решений для неайтишных сценариев: для аналитиков, продактов, тимлидов и технических лидеров, которым нужно грамотно внедрить LLM в рабочие процессы от маркетинга до бэк-офиса.

Большие языковые модели давно вышли за пределы «помоги дописать функцию». Они доступны всем — и злоумышленник тут не исключение. Отсюда практический вопрос, который нас и интересовал: может ли LLM самостоятельно, без человека, атаковать мобильное приложение, и если да — во сколько это обойдётся.

Из всего списка рисков мы взяли один конкретный сценарий: внедрить в приложение вредоносный код так, чтобы после пересборки оно осталось рабочим и его можно было раздавать живым пользователям. Проверяли на Android.

Можно ли подключить AI-агента за минуту? Смоделировали путь клиента по самостоятельному подключению известного агента без помощи менеджера и специалиста, и вот что у нас получилось.

Пользователи все чаще начинают поиск товаров и услуг не в поисковых системах, а сразу на площадках с объявлениями, где можно сравнить предложения, цены и выбрать подходящий вариант. Вместе с этим меняются и подходы к рекламе: платформам становится важно понимать не только, что человек ищет, но и насколько он близок к покупке.

Один из примеров интент-подхода — Авито Реклама, которая использует данные о поведении пользователей на платформе, чтобы показывать персонализированные рекламные сообщения. В этой статье разберем, как работают интент-платформы, какие данные они анализируют и почему этот подход становится важной частью современного перформанс-маркетинга.

Проектирование, финансы, документооборот… Казалось бы, на стройке все процессы с самыми дорогими ошибками давно автоматизированы. Но если у них нет общего фундамента, еще дороже могут быть проблемами, которые возникают не внутри этих направлений, а между ними. 

Чтобы стыки между процессами были идеальными, сервис деск собирает разрозненные системы в едином контуре. Как это выглядит на практике, покажем на реальных кейсах с цифрами — от Level Group и ЦДС до Property Moscow Group.

Задача обнаружения объектов на изображении не нова, подходов к её решению существует масса. Вероятно, самым популярным и известным среди них будет YOLO. Появившись в 2015 году, эта серия систем по сей день используется, когда хочется сделать детекцию быстро, без долгих экспериментов с архитектурой.

Однако, какой бы ни была архитектура, все их объединяет одна и та же проблема — данные. Для полноценного обучения нужны сотни и тысячи изображений, с разных ракурсов, в разных условиях. Если цель — академический проект, обнаружение машин или колосков пшеницы, то найти датасет не составляет проблем. Но что, если датасета нет и/или его невозможно собрать в принципе в нужном объеме? Скажем, редкий дефект в производстве, истребитель новой конструкции? Ждать, пока накопится много брака, или надеяться на утечку чертежей?

Мы провели пару экспериментов с моделью YOLO для проверки гипотезы: как далеко можно уехать, используя исключительно синтетические данные?

Статья про то, как построить приложение с AI-ассистентом и не застрять на самом неприятном месте, когда бэк готов, а интерфейс внезапно съедает недели.

Почему современный фронтенд сложнее, чем кажется снаружи. Особенно если вы идёте через spec-driven development, пишете требования вместо кода и ждёте, что Claude, Cursor или Kiro быстро соберут работающий продукт.

В прошлой статье, к моему сожалению, код оказался не рабочий. Из-за недостатка опыта, я читал свои же данные на шине и воспринял это как работоспособность памяти. Исправляю это недоразумение в этой статье. Опытным разработчикам читать только из спортивного интереса :-).

Немного изменим аппаратную часть. Итак постановка задачи. Будем передавать по последовательному каналу (RS232) с компьютера маркер адреса 0x80, за которым ожидаются два байта содержащие адрес. Маркер данных 0x40, за которым ожидаются два байта данных. Команда 0x20 запись в память, команда 0x10 чтение из памяти (данные не требуются). Кроме этого будем отображать на семи сегментном индикаторе принятые адрес, данные (как переданные, так и прочитанные), и команды. Далее схемы. А так же имейте ввиду, так как я начинающий и опыта у меня мало, пожалуйста внимательно проверяйте всё, если будете повторять.

Привет, Хаброжители! «Книга с кабанчиком» — вы наверняка слышали о ней? Бестселлер Мартина Клеппмана, изданный почти 10 лет назад, знают и любят все, кому приходится строить высоконагруженные системы, обрабатывающие огромное количество запросов.

Хотим сообщить всем заинтересованным: мы открыли предзаказ на книгу «Высоконагруженные приложения. Программирование, масштабирование, поддержка. 2-е изд.». Новое издание значительно переработано. Хотите узнать, что в нем изменилось? Расскажем коротко.

В IT тема спортивного (соревновательного, олимпиадного) программирования очень спорная. Я это замечал и здесь на Хабре, и в работе. Не раз я слышал о том, что навыки, полученные на соревнованиях или при подготовке, никак не помогают в работе, а в худшем случае, даже мешают и создают проблемы другим.

Не буду с этим спорить, так тоже бывает. Но в этой статье расскажу о том, почему я считаю спортивное программирование полезным.

Хотите научиться генерировать видео по тексту или аудио, но не знаете, как это сделать? Wan2.2 отлично работает в ComfyIU, но интеграция в собственные проекты затруднительна. К счастью, есть альтернатива: LTX-2 можно легко запустить без дополнительной обвязки.

В этой статье рассмотрим, как запустить модель LTX-2 на своем облачном сервере.

Это статья о том, почему написать SaaS оказалось проще, чем превратить его в продукт.

После университета я начала искать первую работу разработчиком. Вакансии для начинающих почему‑то не выглядели вакансиями для начинающих. Я читала требования, понимала, что многого не умею, нервничала всё сильнее, а потом решила сделать собственный проект — конструктор магазинов.

Уже звучит как начало чего‑то плохого.

Идея была такой: владелец отправляет токен своего Telegram‑бота, мой сервис подключает к нему команды и витрину. Покупатели открывают его бот‑магазин внутри Telegram, собирают корзину, оформляют заказ. Владелец управляет всем через отдельный Mini App.

Руководитель готовит расчеты, приводит факты, отвечает на возражения. Участники совещания соглашаются, но через несколько дней оказывается, что ничего не изменилось: команда работает по-старому, заказчик возвращается к прежней позиции, а решение остается в презентации.

Обычно в такой ситуации добавляют новые аргументы. Однако проблема часто не в их количестве. Человек может понимать логику предложения, но не считать его важным, безопасным или применимым к своей работе....

Я работаю разработчиком в компании «Сибтех», и последние полгода мы занимаемся переносом VBA-макросов из Microsoft Office в Р7-Офис.

И я хочу поделиться, как это было и почему это так важно.

Пару недель назад кандидат прислал мне резюме на позицию Senior PM. Мы разбирали его кейс как реальный, для воркшопа на ProIT Fest VII: полный психометрический профиль, опыт, портфолио. В резюме была указана целевая компенсация. Я задался простым вопросом: он в рынке или нет?

После разбора выяснилось: ровно в рынке. Сумма, которую он указал, легла точно на медиану Senior PM в его отрасли.

Его реакция была ожидаемой: значит, я все правильно оценил, я в рынке. Моя же реакция была несколько другой. Не потому что закрались подозрения в неверности цифр, а потому что совпадение с медианой ничего не говорит о том, понимает ли кандидат, из чего эта медиана состоит или нет. Он попал в точку, не видя карты, на которой эта точка находится. И это гораздо более распространенная ситуация, чем кажется: сейчас многие ищут работу, опираясь на ощущение рынка, которое сформировалось год, а то и два назад. Кто-то запрашивает выше медианы и не понимает, почему получает отказы. Кто-то ниже, и просто недополучает то, что мог бы взять.

Сегодня разберу, из чего физически складывается зарплатная вилка Senior/Lead PM в 2026 году на примере двух отраслей, PropTech и FoodTech, и что с этой структурой делать на переговорах. Фактура была собрана для воркшопа «Карьера как стратегический проект» на ProIT Fest VII: агрегация открытых источников, отчет ProductSense «Менеджмент продуктов 2025», обзоры NEWHR, отраслевые Telegram-каналы, с последующей валидацией вилок в разговорах с HRD и практикующими Senior/Lead PM обеих отраслей. Это не официальная статистика, а рабочая модель, которая тем не менее держится на реальных источниках, а не на интуиции.

Классический RAG (Retrieval-Augmented Generation) решает задачу поиска релевантного контекста в векторных базах данных. Однако при работе с большими объемами знаний возникают вопросы структурирования, управления и актуализации информации.

В данной статье рассматривается альтернативный подход: использование LLM-роутера и виртуальной файловой системы (VFS) для организации базы знаний. Реализация выполнена на базе модели Qwen2.5-3B-instruct-q5_0 и представляет собой концептуальный прототип.