Kurgan-Telecom Ru | Информационные технологии

На написание данной статьи меня вдохновила встреча с А.М. Семихатовым. Мне удалось на протяжении 2 часов пообщаться с Алексеем Михайловичем, задать ему вопросы. Некоторые отрывки из этой беседы я выложил у себя на Youtube. Если вам интересно, как вообще мне удалось организовать эту встречу и пообщаться с Алексеем Михайловичем, то могу рассказать об этом подробнее в комментариях. А сейчас хотел бы поделиться некоторыми инсайтами и впечатлениями о физике нашего мира, которые у меня возникли после того разговора.

Наш мир очень странный. Точнее даже не «наш» мир, а вообще весь в принципе тот единственный мир (даже если внутри него бесчисленное множество параллельных вселенных), в котором мы живем.

Вот мы видим что-то вокруг себя. Лес, траву, небо, машины, здания, людей, предметы. Всё это состоит из молекул, а те — из атомов. Атомы, в свою очередь, состоят из субатомных частиц. И вот тут начинаются странности. Все квантовые частицы, из которых словно выстраивается весь воспринимаемый нами мир, не обладают привычными нами свойствами. Вообще. Никакими.

Алексей Михайлович приводит пример с электроном, утверждая, что всё, что верно об электроне, верно и для других квантовых частиц. Так вот электрон не имеет положения в пространстве. Он не находится где-то. У него просто нет такого свойства. Он не занимает точку в пространстве. Он вообще не занимает никакого объема в пространстве. Ноль. Ничего. При этом электрон — не ничто.

Более того. Электрон не имеет траектории. Он никуда и ниоткуда не летит. Он не движется и не оказывается где-то. Мы «находим» его «где-то» в соответствии с расчетами, осуществляя коллапс волновой функции при измерении. Но до коллапса электрон был везде и нигде, никуда не летел и ниоткуда не прилетел в ту точку, где волновая функция коллапсировала.

За последние годы произошло несколько утечек, когда посторонние лица получали доступ к видеопотоку с домашних камер наблюдения через облачные сервисы Ring, Nest, Wyze и т. д. Утечка или взлом облачного сервиса — это угроза для многих пользователей.

Поэтому энтузиасты криптографии и открытого ПО разработали альтернативное решение — самодельные камеры видеонаблюдения со сквозным шифрованием потока от камеры до смартфона.

В магазине играла «та самая» песня — но это была не она: та же композиция, переигранная заново и на два с половиной тона ниже. Авторское право защищает выражение, а не идею, — но пересборка не отменяет прав на само произведение. Разбираю, что это значит для авторов в эпоху ИИ.

В этой статье — не маркетинг и не обзор рынка. Личный опыт, реальные цифры и честный разговор о том, почему большинство внедрений не работают так, как обещают.

Мы рассмотрим новые возможности рефлекС++ии для проектирования сверхбыстрого JSON. Вашему вниманию представляется библиотека yolo-json, позволяющая интегрировать знания о прибывающих JSON (порядок полей, размеры и т.д.) в удобной манере для достижения высокой скорости парсинга.

Как полусырой код может обойти simdjson? Давайте разберемся.

Физические особенности биологических систем позволяют сделать выводы о перспективах искусственного интеллекта.

Мы собирались начать автоматизацию закупок с одного завода: провести пилот, отладить решение и потом тиражировать его на остальные предприятия. План выглядел профессионально и безопасно – пока директор по закупкам не оценил пересечение процессов четырёх заводов в диапазоне 40–60% в зависимости от площадки и участка процесса. Это был не формальный расчёт, а суждение человека, который видел закупочную работу всех предприятий. Его хватило, чтобы увидеть риск: один завод не был уменьшенной копией остальных. Выбрав его пилотом, мы могли сначала автоматизировать значительную часть локальной специфики, а затем переделывать решение при каждом тиражировании.

Ночью, около двух по московскому времени, сервер просыпается и запускает конвейер. Сначала сервис идёт в Telegram и скачивает новые сообщения из чатов, которые пользователь отметил галочками. Через час стартует второй воркер и превращает эти сообщения в память: режет на куски, гоняет через DeepSeek, раскладывает по таблицам, выгружает в markdown-файлы. К утру у человека появляются дополнительная информация в сервисе второй памяти.

Сервис второй памяти - это не просто история переписки. Через полгода можно спросить «какой бюджет мы тогда согласовали на поездку» и получить ответ со ссылкой на конкретное сообщение в конкретном чате.

Как ни странно, почти вся моя работа по созданию сервиса была не в работе с LLM.

Вектором для кибератак все чаще становятся обычные собеседования. Злоумышленники используют дипфейки, чтобы выдавать себя за реальных кандидатов и рекрутеров, или распространяют зловреды под видом тестовых заданий — присылают «безобидный» код или пакет-зависимость, при запуске которого на устройство жертвы устанавливается вредонос. Сегодня мы в Beeline Cloud решили обсудить, какие методы используют фейковые соискатели и рекрутеры, как распознать злоумышленника «по ту сторону резюме» и при чем тут ИИ.

Первая версия позволила проверить саму идею аренды GPU в реальной работе. Но постепенно стало понятно: если продолжать добавлять новые возможности поверх старой архитектуры, платформа быстро превратится в набор временных пристроек.

В статье разбираем, как идея изменения основ сервиса отразилась на пользовательском опыте. В конце - полезная информация о том, как получить бонусы за обратную связь.

Начал я делать очередной сайт на Wordpress и решил упростить регистрацию пользователям. По этому пошел по схеме вход через другие сервисы. Как стало нынче модно-сковородно использовать авторизацию через ВК. Ее то я и решил прикрутить. Делал уже это раньше но вот сегодня столкнулся с проблемой.

Методы replaceUsing и replaceOn обеспечивают более удобный способ перезаписи, а каталог теперь проверяет каждую операцию, а не только фиксацию.

Выпуск Delta Lake 4.3 состоялся в июне 2026 года, и он основан на Apache Spark 4.1.0 и 4.0.1. Если прочитать примечания к выпуску от начала до конца, вы увидите длинный список изменений, охватывающих Delta Spark, ядро, UniForm, Sharing и Flink, который легко принять за релиз с исправлениями, дополненный описанием каталога обновлений.

Два момента заслуживают вашего внимания, и они находятся на противоположных концах стека. Первый — небольшой и сразу полезный: replaceUsingнаконец replaceOn-то API DataFrame получает возможность выборочной перезаписи, которая не является replaceWhere. Второй — структурный: теперь каждая операция с таблицей, управляемой каталогом, проходит через API Unity Catalog Delta , а не только фиксация изменений. В Delta 4.2 фиксации изменений были скоординированы с каталогом. В Delta 4.3 остальная часть интерфейса, загрузка таблиц, CREATE, CTAS, REPLACE, и запись метаданных, объединены в один проверенный путь.

В этой статье рассматривается версия 4.3 с точки зрения разработчика конвейера: какие изменения в коде вы вносите, какие изменения происходят под вашим контролем и что следует проверить перед обновлением. Приводятся примеры testing.defaultдля каталога и схемы, а также пример компании CH Enterprise. Ссылки на исходный код находятся внизу.

В этой статье я на пальцах объясню что такое RFC и дизайн документ, почему и как их писать, зачем они нужны, когда их стоит писать, а когда нет и почему их важно писать.

Отношение к ИИ в поддержке, мягко говоря, неоднозначное — компании активно используют голосовых ассистентов несмотря на то, что клиенты чаще всего не в восторге от таких «помощников». Поговорим, почему роботу на другом конце провода стоит дать шанс и на каких задачах голосовые системы ИИ могут проявить себя с лучшей стороны — в том числе, за счет новых фреймворков для разработки интеллектуальных систем телефонии. Также делимся подборкой открытых инструментов для создания мультимодальных голосовых агентов.

Написал ядро статического анализа для детекта IDOR-уязвимостей в Python-коде. Вместо поиска подозрительных конструкций и ключевых слов оно отслеживает путь от подконтрольного пользователю идентификатора до объекта и проверяет, была ли выполнена авторизация именно для этого объекта. В статье разберу архитектуру ядра, taint-анализ, логику детекта и покажу, как всё это работает на реальном коде.

Иногда Java-приложение ведёт себя странно: потребляет больше памяти, чем ожидалось, тормозит без видимой причины или будто «ничего не делает», хотя запросы всё равно обрабатываются медленно. В такие моменты хочется быстро посмотреть «внутрь» Java-приложения, например, сколько памяти оно потребляет, какие потоки в нём запущены и что с ними происходит.

Первое, что приходит в голову, это VisualVM или JDK Mission Control. Однако во время разработки приложения удобнее не переключаться между инструментами, а открыть состояние процесса прямо в IDE.

Для этого мы в OpenIDE выпустили Profiling Tools — плагин для мониторинга и исследования Java-приложений. Его разработкой занималась команда Axiom JDK.

В этой статье разберём, что из себя представляет Profiling Tools и как с его помощью можно быстро и удобно разобраться что не так с приложением.

На kwork.ru/projects каждый день 50 проектов, половина не подходит. Фильтра «скрыть» нет листаешь одно и то же. Сделал расширение Kwork Hider. Кто листал, тот знает.

Вирусное видео (на самом деле, это целая серия видео) "dubai poop trucks" натолкнуло меня на осознание одной интересной, на мой взгляд вещи: цивилизация начинается с канализации.

Точнее, цивилизация начинается с городов. А город — это канализация. То есть, выгребная яма в деревне или биотуалет в походе, как и сами поселения, временные или постоянные — это уже культура (то есть, не природа), но ещё не цивилизация.

Для начала сразу скажу, что MEO (Multiple Engine Optimization) – пока что не отраслевой стандарт, не спецификация, не метрика. А заодно и не «техника», которую можно было бы при желании «внедрить по методичке». Это рабочая модель, которую я предлагаю для описания одной технической проблемы. Суть такая – у современного бренда (или продукта, или даже отдельной страницы) отсутствует единый алгоритм-судья, который решает, покажут этот бренд/продукт/страницу пользователю или нет. Таких алгоритмов могу с ходу назвать минимум 8. Лучше даже сказать - это принципиально разные классы, и у каждого своя механика извелечения, ранжирования и репрезентации сущностей.

Предлагаю разобрать подробно, что технически происходит внутри каждого из этих классов.

С чего все началось

Классический поисковый движок - инвертированный индекс плюс ранжирующая модель поверх сигналов. Сюда можно отнести ссылочную массу сайта, поведенческие факторы и релевантность запросу. Это достаточно понятная и хорошо задокументированная механика.

Генеративные ответные системы работают по другим принципам. Часть моделей отвечает на вопросы пользователей, использую сведения из параметрических знаний. Это те данные, которые были вбиты в веса на этапе претрейна. Другая часть систем используют RAG, то есть извлечение релевантных документов через векторный или гибридный поиск. Затем они генерируют «наиболее вероятный» ответ поверх найденного контекста. Это 2 принципиально разных механизма получения значимости бренда в ответе, и они требуют разных технических действий для влияния на результат:

Ну что ж, этой статьёй я завершаю цикл про использование ЭВМ в народном хозяйстве СССР. В предыдущих частях мы прошли путь от ламп и «Урала-1» до ЕС ЭВМ, заглянули в металлургию, на железную дорогу и в кассу Аэрофлота. Осталась последняя серия. Как считали снабжение целой страны? Почему в магазине ещё в восьмидесятых щёлкали счётами, а на телефонной станции уже стояла машина с программным управлением? И чем закончилась история сети, которая должна была накрыть весь Союз?

Начнём с самой масштабной задачи: всем нужны ресурсы для реализации своих планов. Чтобы понимать, чего кому сколько отправить, существовала специальная организация, которая называлась Госснаб. Не путайте ее с Госпланом, хотя в каком-то смысле они родственники. И всё же Госснаб — отдельное подразделение советского народного хозяйства. Очевидно, что именно снабженцы сталкивались с колоссальными проблемами в своих расчётах. И именно им ЭВМ нужны были как воздух.

Например. Представьте, что вам надо распределить по стране металл. Вообще весь. Не тонну и не вагон, а весь прокат страны. Балки, швеллер, лист, арматуру, трубы. Получателей — десятки тысяч предприятий, и каждое раз в месяц пишет на бумаге, что у него лежит на складе, что оно собирается выпускать и чего ему для этого не хватает. Бумаги едут в Москву. Там их надо свести в одну картину: кому отгрузить, сколько, в какой очерёдности и с какого завода.

Задача решаемая? Арифметически — да. По срокам — нереально абсолютно. Пока сводку досчитают вручную, наступит следующий месяц и заявки поменяются. А мы по Госбанку мы помним, что считать могли и годы.