Kurgan-Telecom Ru | Информационные технологии

Каждый, кто хоть раз искал работу в IT за последние пару лет, знает это чувство. Ты рассылаешь резюме, проходишь пять этапов собеседований, решаешь алгоритмические задачи, пишешь тестовые — и в конце получаешь шаблонное «мы остановились на другом кандидате». Без объяснений. Без обратной связи. Без малейшего намёка на то, что именно пошло не так.

Я работаю в IT больше десяти лет. Проходил собеседования с обеих сторон стола — и как кандидат, и как нанимающий. И чем дольше я в профессии, тем очевиднее становится мысль: найм сломан. Не «работает не идеально» — а именно сломан. Системно, фундаментально, на уровне базовых механизмов.

Астрономы разработали новый способ проверки одного из центральных допущений современной космологии — того, что Вселенная остаётся однородной на самых больших масштабах. Применив этот метод к реальным данным наблюдений, исследователи обнаружили предварительные признаки того, что это допущение, возможно, не полностью соответствует действительности. Если это подтвердится, то укажет на новую физику за пределами стандартной космологической модели.

В работе объединены наблюдения за далёкими взрывающимися звёздами и крупномасштабные обзоры галактик. Цель исследования — проверить, действительно ли Вселенная следует почти 100-летней математической модели, известной как космология Фридмана — Леметра — Робертсона — Уокера (FLRW). Анализ выявил слабые, но интригующие отклонения от предсказаний стандартной модели.

Есть вопросы, которые кажутся простыми — пока вы не оказываетесь на собеседовании и вам их не задают. «Расскажите про сложную задачу, которую вы решали сами и которой гордитесь». Казалось бы, что тут сложного? Вы работаете несколько лет, задач было море, истории есть. Но именно в этот момент что-то идет не так.

Меня зовут Ольга Колюкова, я консультант-эксперт в департаменте 1С в «КОРУС Консалтинг» с 13-летним опытом внедрений. В этой статье я на основе своего опыта расскажу о том, какие вопросы нужно отрабатывать заранее при подготовке к собеседованию.

Приветствую всех!

Осенью того года я однажды показывал начинку типичного карточного таксофона. Но, как нетрудно догадаться, самими аппаратами перечень такого оборудования не ограничивался. Сегодня мы поговорим об одной железке, напрямую к таксофону не подключавшейся, но имеющей к нему самое прямое отношение.

Зачем вообще была нужна эта коробочка и что она делает? Сейчас и разберёмся...

Привет, Хабр! Меня зовут Витя, я проектирую интерфейсы в Selectel. Недавно мы запустили новую функциональность — выделенные ядра для облачных серверов. Чтобы понять, как спроектировать интерфейс управления новой фичей, я решил погрузиться в матчасть: от работы планировщика Linux до архитектуры NUMA-нод.

В тексте разберем, чем физические ядра отличаются от vCPU, как Hyper-Threading влияет на производительность и почему «шумные соседи» — измеряемая потеря денег.

Привет, Хабр! Меня зовут Андрей Басов, я руководитель команды технической поддержки стрима корпоративных продуктов и сервисов в MWS, занимаюсь технической поддержкой и сопровождением продуктов линейки Partner Experience Platform.

В прошлом материале я рассказал о том, как мы с коллегами попробовали искать аномалии в логах наших систем с помощью методов машинного обучения. Сейчас мы провели работу над ошибками, все переработали (архитектуру, математический аппарат), внедрили генеративную LLM и Principal Component Analysis — и в итоге создали новую систему анализа жизни продуктов, которая самостоятельно балансирует, обучается, выявляет аномалии, паттерны и даже заглядывает в будущее.

Но не только сама разработка этой «живой» системы стала для меня в проекте вызовом. Мы столкнулись с тем, что некоторые коллеги из разных подразделений не всегда понимают, чем конкретно мы занимаемся и как это все работает. Не всегда разделяют границы ИИ между машинным обучением и генеративным интеллектом.

Поэтому я открываю серию материалов о том, как математика способна превратить пассивную кластеризацию в активную и самосознающую систему: от основ байесовской адаптации, динамических границ и топологического анализа до внедрения в практику. Разбираться будем на примере нашей новой архитектуры.

Восьмая статья с "деврел-супервизии". После мрачняка про рынок вакансий обсудили, что делать, если сокращать не сокращают, но нагрузили аж до выгорания.

Анонимный вопрос участника: как восстанавливаться, когда тебя ждут постоянного драйва и креатива, а ты выдохся, выгорел? На нынешнем рынке совсем не хочется никакого креатива — хочется сжаться и пересидеть. Что делать из такого состояния?

// todo: тут N+1 на invoice — надо переделать через entity graph.

Этот комментарий висел в коде полтора года. Все, кто заходил в файл, его видели. Никто не завёл тикет. В пятницу вечером он сработал — и забрал с собой три пода, 30% запросов на критичной ручке и моё спокойствие на выходные.

За последние три месяца у Anthropic вышло много, но большая часть — не там, где кричат. Subagents существуют год, skills — с октября 2025, MCP — больше полутора лет. Делать вид, что это новинки квартала, — нечестно. А вот реально новое: Agent Teams (5 февраля 2026), Claude Cowork в GA на Mac и Windows (9 апреля), Opus 4.7 с командой /effort и режимом /fast (поздний апрель), Plugin Marketplace с auto-update и --plugin-url, Agent View (12 мая). Я гоняю это всё на своих проектах и собрал честный топ-5 — что меняет workflow, что разочаровало, и одна анти-новинка, которая выжгла лимиты всей моей команде за один день в марте. Внутри: разбор каждой фичи через юзкейсы, виральная история про парня, который через Claude нашёл пароль от Bitcoin-кошелька на $400K, и контр-тезис, почему /effort на extra-high делает работу часто лучше Agent Teams в 3 раза дешевле.

← Третья часть

Сколько себя помню, я любил играть в LEGO. Больше всего меня восхищало то, что из одного и того же набора типов блоков можно построить что угодно: главными были не блоки, а воображение или план, показывающий, в каком порядке их соединять. Мой проект работает аналогичным образом: один набор исходников, хороший план и множество различных способов собирать и тестировать его.

В этой части я расскажу об окружениях и их взаимосвязи.

Главный принцип этого фреймворка заключается в том, что единственный набор файлов исходников на Verilog можно без изменений использовать в различных средах сборки:

ModelSim для потактово точной симуляции HDL с волновым выводом

Verilator для быстрой симуляции на C++, с тестовой обвязкой (calctest) и другими инструментами

Десктопное приложение на Qt для интерактивной работы с интегрированным отладчиком на уровне исходников

Qt WebAssembly для запуска калькулятора в браузере с попиксельной точностью

Quartus для синтеза и записи на физическую плату FPGA

Каждое из окружений позволило выявлять свой класс багов. ModelSim отлавливает проблемы таймингов на уровне сигналов. Verilator обладает достаточной скоростью для проверки тысяч тестовых векторов. Симулятор на Qt позволяет удобно пользоваться интерактивной отладкой. WebAssembly доказывает работоспособность кода в совершенно иной среде исполнения, в которой видением приложения можно поделиться со всем миром. Целевая платформа FPGA, реальная плата — это то, что можно потрогать, окончательная реализация идеи.

В прошлой статье я говорил, что конвейерная модель производства софта несовместима с AI, и что вместо конвейера нужен дирижёр — сильный инженер с продуктовым мышлением, управляющий оркестром агентов.

Ту статью многие прочитали как «вот и хорошо, нанимаем нескольких сеньоров, увольняем середину, экономим на FTE». Это понятно с точки зрения CFO — но это полупонимание.

Дирижёр без мотивации — это не дирижёр. Это дорогой пассивный наблюдатель. AI рядом с ним даст ровно ноль ускорения.

Сегодня — про вторую половину. Кто реально получает 10× от AI и почему это вопрос лояльности, а не технологии.

Опубликован релиз WildFly 40 — свободного сервера приложений Java, развиваемого сообществом WildFly при участии Red Hat. Одновременно подготовлены сборки WildFly, WildFly EE 10 и WildFly Preview 40.0.0.Final; пакеты расширений Galleon для новой версии размещены в Maven Central. Исходный код проекта распространяется под лицензией Apache License 2.0.

Главным изменением WildFly 40 стал перевод стандартной редакции сервера на Jakarta EE 11. Поддержка EE 11 до этого отрабатывалась в WildFly Preview начиная с ветки WildFly Preview 32, а теперь перенесена в обычную редакцию WildFly. Заявлена совместимость с Jakarta EE 11 Platform, Web Profile и Core Profile при запуске на Java SE 17 и Java SE 21.

Ключевые изменения WildFly 40:

( читать дальше... )

Полный список изменений к выпуску опубликованы в GitHub; там же перечислены решенные issues относительно WildFly 39.

 java, wildfly

Опубликован релиз WildFly 40 — свободного сервера приложений Java, развиваемого сообществом WildFly при участии Red Hat. Одновременно подготовлены сборки WildFly, WildFly EE 10 и WildFly Preview 40.0.0.Final; пакеты расширений Galleon для новой версии размещены в Maven Central. Исходный код проекта распространяется под лицензией Apache License 2.0.

Главным изменением WildFly 40 стал перевод стандартной редакции сервера на Jakarta EE 11. Поддержка EE 11 до этого отрабатывалась в WildFly Preview начиная с ветки WildFly Preview 32, а теперь перенесена в обычную редакцию WildFly. Заявлена совместимость с Jakarta EE 11 Platform, Web Profile и Core Profile при запуске на Java SE 17 и Java SE 21.

Ключевые изменения WildFly 40:

( читать дальше... )

Полный список изменений к выпуску опубликованы в GitHub; там же перечислены решенные issues относительно WildFly 39.

 java, wildfly

Представьте семинар у физиков или математиков. Идёт автоматическая запись лекции, а затем распознавание речи в аккуратный текст. В большинстве мест современные ASR-системы справятся неплохо. Но значительная часть такой записи будет состоять из фраз вроде «интеграл от икс в квадрате до бесконечности», «сумма по i от единицы до n» или «производная по t от функции f».

Формально голос может быть распознан правильно. В расшифровке даже могут появляться отдельные символы вроде +, π или x. Но если человек произносит длинную формулу, результат почти всегда превращается в линейную фразу, читать которую физически больно. Хочется другого: чтобы система сразу понимала, где обычный текст, где математическое выражение, и выдавала не «один делить на икс плюс два», а корректный LaTeX-код, например, \frac{1}{x+2} или \frac{1}{x}+2, в зависимости от смысла.

Эта задача называется Speech-to-LaTeX или S2L: преобразование озвученных математических выражений и предложений в формальную LaTeX-запись. В отличие от обычного speech-to-text, здесь нужно распознать не только слова, но и структуру: дроби, индексы, степени, пределы, суммы, интегралы, скобки, вложенные выражения и границы формул.

Например, фраза «два делить на пи» в обычной расшифровке может остаться как «2 делить на π». Но в LaTeX она должна стать \frac{2}{\pi}. Именно такой формат нужен для статей, учебников, конспектов, Overleaf и других LaTeX-редакторов.

Несмотря на прогресс в automatic speech recognition (ASR), задача прямого преобразования озвученной математики в LaTeX долго оставалась почти неразработанной. Более того, нормальных открытых датасетов с человеческими аудиозаписями для такой задачи практически не было. В нашей работе мы попытались закрыть этот пробел: собрали открытый двуязычный датасет и сравнили несколько подходов к Speech-to-LaTeX. В статье, которую мы представили на ICLR 2026, описан датасет из более чем 66 тысяч человеческих аудиозаписей и 571 тысячи синтетических аудиозаписей на английском и русском языках. 

Проанализировал более 200 портфелей. Показываю фишки, слабые места, структура, самые необычные решения и портфели на века

Два года назад я уже делал разбор портфолио. В этот раз я вернулся, чтобы узнать что происходит с портфолио дизайнеров. Во-первых, как дизайнеру мне самому важно. Во-вторых, важно не советовать менти по памяти из 2024 года, а понимать, что работает сейчас: как дизайнеры показывают кейсы, как обходят NDA, как рассказывают про маленькие фичи, как используют метрики, анимации, шоурилы и личный бренд.

В выборке — портфолио продуктовых и UX/UI-дизайнеров из Т-Банка, Додо, Figma, Альфы, Revolut и других сильных компаний.

Состоялся релиз OpenDDS 3.34.0 — свободной C++-реализации спецификации Object Management Group Data Distribution Service for Real-time Systems. DDS применяется для построения распределённых систем по модели публикации и подписки, а сам OpenDDS, помимо C++, предоставляет Java/JNI-привязки и опирается на ACE/TAO. Релиз опубликован 21 мая 2026 года, готовые архивы доступны для Windows, Linux и macOS.

Проект распространяется как open source: OpenDDS можно использовать, изменять и распространять без лицензионных отчислений при сохранении copyright-уведомления; отдельно подчёркивается, что OpenDDS можно применять и при разработке проприетарного ПО без обязанности раскрывать собственный исходный код.

( читать дальше... )

 c++, opendds

Команда Wine выпустила VKD3D 2.0 — крупный релиз библиотеки, реализующей работу приложений с Direct3D 12 поверх Vulkan. VKD3D используется в обычном upstream Wine для поддержки D3D12-приложений; его не следует путать с VKD3D-Proton, отдельной игровой веткой Valve, применяемой в Proton/Steam Play.

Проект распространяется под лицензией GNU Lesser General Public License 2.1 или более поздней версии. Исходный код релиза опубликован на сервере WineHQ, также код доступен через репозитории Wine.

VKD3D 2.0 стал переходом с ветки 1.19 сразу на новую мажорную версию. Основной акцент сделан на развитии шейдерной подсистемы и низкоуровневой совместимости с Direct3D 12.

( читать дальше... )

 vkd3d, wine

Представлен очередной выпуск Apache NetBeans –– интегрированной среды разработки, поддерживающей языки программирования Java, PHP, JavaScript, C, C++ и др.

IDE написана на Java и распространяется на условиях Apache License 2.0.

( читать дальше... )

 ide, java, netbeans, php

Всем привет! Я Ольга Матушевич, преподаватель курса «Нейросети для бизнеса», а в прошлом наставница на курсе «Аналитик данных». В этой статье расскажу, какие отечественные аналоги редакторов электронных таблиц появились в России, на что именно можно заменить Excel и Google Таблицы в 2026 году и нужно ли это делать.

Я пишу FFI-код на Rust уже несколько лет и за это время понял одну неприятную вещь: на FFI-границе всё, что может сломаться, ломается молча. Компилятор не предупреждает, тесты проходят, а данные на C-стороне оказываются просто мусором. Или, что хуже, оказываются почти правильными, первые три поля совпадают, а четвёртое сдвинуто на два байта, и ошибка всплывает через недели.

Большинство этих проблем связано с двумя вещами: как структура лежит в памяти (layout) и как данные передаются при вызове функции (ABI). В чистом Rust-коде об этом можно не думать, компилятор всё решает за вас. Но на границе с C эти детали становятся вашей ответственностью.