Kurgan-Telecom Ru | Информационные технологии

ИТ‑проект может остановиться задолго до технических проблем: сроки начинают плыть, согласования затягиваются, а пользователи формально участвуют в работе, но фактически блокируют изменения.

Разберём, как аналитики могут распознать признаки сопротивления, найти реальную причину конфликта и выстроить работу с ключевыми стейкхолдерами — от первого сигнала до выбора стратегии действий.

Утром во вторник, 8 сентября, математики из OpenAI объявили, что группа из 10 000 автономных ИИ‑агентов под их руководством, работавших на продвинутой модели, недоступной широкой публике, обнаружила «сингулярность» в трёхмерных уравнениях Навье — Стокса. Тем самым была решена одна из шести остававшихся нерешёнными задач тысячелетия, сформулированных в 2000 году Математическим институтом Клэя. За решение каждой из них назначена премия в $1 млн. Результат был формально проверен на языке программирования Lean, что даёт математикам основания считать его правильным.

Если результат выдержит дальнейшую проверку, то с большим отрывом станет самым важным математическим доказательством, полученным на сегодняшний день с помощью модели искусственного интеллекта. Возможно, он знаменует фундаментальный перелом в том, как математики будут подходить к сложным задачам.

Эта конкретная сложная задача касается дифференциальных уравнений, которые выражают взаимосвязи между изменяющимися величинами. Пожалуй, это важнейший математический инструмент для объяснения окружающего мира. Как правило, такие уравнения легко записать, но трудно решить.

Уравнения Навье — Стокса представляют собой дифференциальные уравнения, которые на основе второго закона Ньютона описывают поведение жидкостей и газов, от океанических течений до воздушных потоков. Впервые их записали в середине XIX века, и с тех пор они играют центральную роль в механике жидкости. Однако один фундаментальный вопрос об этих уравнениях оставался без ответа: всегда ли их решения ведут себя «хорошо»? Или со временем решение может эволюционировать таким образом, что какая‑то бесконечно малая часть жидкости начнёт двигаться с бесконечно большой скоростью, создавая так называемую сингулярность?

Мой ассемблер резал исходник построчными правилами: срезал комментарий, искал двоеточие, делил по запятым. Я заменил это одним проходом с состоянием и попутно проверил, нельзя ли было обойтись заплатками.

Нельзя: вторая заплатка ломает то, что починила первая.

Как же за всем этим успевать?

За это время вышли ещё и обновлённый DeepSeek, и результаты по Навье-Стоксу. На этом фоне у GPT Images 2.5 были все шансы потеряться. Не потерялся.

Разве что реддит-модер ненадолго снёс официальный пост OpenAI из-за «вторника без картинок»...

Так вот, 8 сентября 2026 года OpenAI выпустила обновлённую версию своего генератора изображений – ChatGPT Images 2.5. Официально это не «тройка», хотя по объёму изменений можно было бы и замахнуться. Впрочем, это и в самом деле скорее «версия 2.0, доведённая до ума», чем революция. Но именно это доведение до ума и есть самое интересное.

Если в двух словах: генерация стала быстрее почти на 50%, редактирование – более хирургическим, а сама модель – заметно менее забывчивой в длинных диалогах. Дальше – details, details, details.

Спойлер: пеликана на этот анимировали в 96 кадрах и прокатили на велосипеде. Но обо всём по порядку.

Однажды я упустил огромный оффер в бигтех из-за того, что провалил собеседование по ML System Design. Возникает вопрос: как готовиться к прохождению такой секции, если в реальной работе задачи на проектирование встречаются не так часто?

Недавно я участвовал в ML Kata: 6 команд за 75 минут проектировали одну и ту же ML-систему — голосового агента для клиники. Я считаю, что проанализировав защиты команд и обратную связь от судей(одним из которых был Валерий Бабушкин), можно вкачать навык MLSD на уровень, достаточный для прохождения собеседования – при условии, что вы уже знаете метрики и модели для конкретной технической задачи. В этой статье я сделаю такой разбор за вас и систематизирую типовые ошибки участников, которых не смог избежать и сам.

В какой‑то момент я посмотрел на 13 ГБ весов LLaMA-7B и подумал: а почему, собственно, они должны занимать именно столько? Что, если не делать маленькую модель, не учить её заново и не заставлять копировать большую, а просто найти более короткую запись тех же «мозгов»?

Здравый человек, вероятно, скачал бы готовую квантизацию и пошёл заниматься своими делами. Я вместо этого поставил цель ужать модель сначала до 2 ГБ, а в идеале — до одного. Без дообучения, дистилляции, pruning и изменения архитектуры. Только математика над уже готовыми весами и небольшая выборка текстов для калибровки.

Так появился PCST — домашний исследовательский проект, который довольно быстро превратился в длинный сериал. В нём уже больше 60 проверенных методов, сотни конфигураций, несколько версий модели, один очень неприятный системный баг и приличная коллекция идей, которые выглядели прекрасно ровно до тех пор, пока я не запускал модель целиком.

Спойлер: одного гигабайта и качества Q8 я не получил. Текущий артефакт занимает 2.05 GiB и пока проигрывает обычной Q3_K_M и по качеству, и по скорости. Зато я наткнулся на вещь, которая оказалась интереснее очередной красивой цифры: можно заметно улучшить восстановление отдельных весов и одновременно сделать всю модель глупее.

Ниже — история о том, куда исчезают локальные улучшения, почему методы из картинок почти бесполезны для сырых весов и как одна ошибка с transpose заставила пересмотреть большую часть уже полученных результатов.

30 августа делал security-ревью собственной инфраструктуры и решил проверить один служебный маршрут вручную, вместо того чтобы верить, что раз он «внутренний», значит закрыт. Обычный curl с ноутбука:

Привет, Хабр! Я Елена Журавлева, системный аналитик в Т-Банке в команде импортозамещения АБС. Внедрять новые платежные методы в условиях санкций и одновременно менять ядро АБС — вызов для любой команды. Расскажу, как профессия стала инфраструктурой и как эта инфраструктура помогает аналитику менять проекты, не теряя в перформансе.

Моя история — часть проекта «20 в 20» в честь 20-летия компании: 20 специалистов из 20 городов делятся своими историями в серии статей, чтобы показать ИТ-хабы в разных городах и рассказать о людях, которые в них выросли.

В этой небольшой заметке хотелось бы познакомить читателя с основными принципами написания osl-шэйдеров. Конечно, познакомить коротко с тем, что это такое, чем отличается от glsl-шэйдеров. Мы не будем разбирать синтаксис, который можно посмотреть в официальной документации. Я предлагаю понять основные принципы, написав несколько (ровно четыре) примеров шэйдеров для решения разных задач. Прямо вот так, пишем - и разбираемся, что это всё значит.

И ещё, прежде чем переходить к делу, отмечу, что текст статьи полностью авторский. Редко сейчас такое встретишь. Но никаких этих ваших искусственных интеллектов ни на какой стадии написании статьи не использовалось. Ни для редактуры, ни для, прости-господи, генерации. Так что все ошибки наши - человеческие. А не бездушной машины. Может быть это единственное достоинство статьи. Ну, уж какое есть. Что-то у меня AI-дисклеймер большой получился...

Один SVG: при 640 пикселях QR не читается, при 320 читается. Разбираю, как локатор принял часть подписи за угол кода, почему удаление букв возвращало чтение и как удалось оставить подпись на месте. С контрольными опытами и исходниками.

Раз в неделю падает один и тот же сервис. Админ его перезапускает, пользователи возвращаются к работе, инцидент закрывают. Через несколько месяцев авария превращается рутину, и так продолжается годами. Управление проблемами — problem management — начинается в тот момент, когда кто-то все-таки спрашивает: «Почему это повторяется?». Для сервисного провайдера это логичное продолжение управления инцидентами. Обычно мы сами инициируем разбор, как только серия однотипных происшествий перестает выглядеть случайностью.  Но если ты аутсорсер, то найти root cause — это только полдела. Дальше нужно понять, что с ней делать. Причина может оказаться в продукте вендора, легаси заказчика или системе другого подрядчика — то есть там, где инженер внешней техподдержки не может просто взять и исправить ее. Но и тогда можно попробовать договориться и исправить ее. Об этом сегодня и пойдет речь. 

Меня зовут Наталия Сляднева и я руковожу Центром экспертизы по комплексному сервису К2Тех. Под катом — два расследования с разными финалами и третий случай, в котором проблему осознанно не стали решать. Иногда это самый рациональный вариант.

Сайт на 1С-Битрикс может месяцами работать вроде нормально, пока подключения к базе подбираются к 95%, диск незаметно заполняется логами, бэкап давно не запускался, а в логах копится одна и та же ошибка, на которую никто не смотрит.

Разбираем пять инфраструктурных причин, из-за которых Битрикс-проекты тормозят и падают: база данных, диск, PHP и веб-сервер, резервные копии, мониторинг. В каждом разделе есть простая проверка, которую можно провести у себя за 10 минут.

Каждый год несколько мобильных жанров коронуются как «следующий прорыв» (следующий хит). Гиперказуальные раннеры, клоны королевских битв, айдл-тайкуны — все они получают свою минуту хайпа, за которой следуют насыщение рынка и сокращение маржинальности для всех, кто пришел слишком поздно. Но есть один жанр, который тихо продолжает приносить стабильные загрузки, сильное сессионное время и удерживать лояльных игроков из года в год, никогда не проходя через цикл резкого взлета и падения: цифровые настольные игры.

Привет! Я Андрей Иванов, NLP-исследователь в R&D-лаборатории red_mad_robot.

Персональные данные попадают в языковые модели постоянно. Отдельные пользователи и компании отправляют модели рабочие тексты, и вместе с ними уходят имена, телефоны, номера документов и другие чувствительные данные. 

Чтобы избежать рисков утечек, компании разрабатывают целые системы маскировки персональных данных, которые передают модели уже обезличенные тексты. Но у такого процесса тоже есть свои минусы: защита данных ломает рабочие сценарии, ведь модель возвращает точно такие же обезличенные тексты.

Поэтому в последнее время запрос к системам маскировки изменился. Теперь они должны уметь не только скрывать данные, но и подставлять их обратно в ответы модели, которая работала с обезличенным текстом. В этой статье я расскажу, как мы строили такую систему и какими путями шли к ней — результаты работы лежат в репозитории. В конце покажу метрики на датасетах и сравню с другими открытыми решениями.

Всем привет, меня зовут Алина, я работаю системным аналитиком. Я не программист. Но в какой‑то момент на нашем проекте передо мной встала задача, которую вручную невозможно было решить в разумные сроки. Пришлось взять в руки VBA‑скрипты, нейросеть, немного упрямства и находчивости. Но обо всём по порядку.

ИИ‑агенты получают доступ к данным и инструментам, но вместе с автономностью появляются новые риски. Разбираем, как работают атаки на агентные системы — от промпт‑инъекций до отравления данных — и какие подходы помогают защитить ИИ‑системы.

Между покупателем и продавцом в карточном платеже стоят четверо: банк-эмитент, платёжная система, банк-эквайер и процессор с агрегатором. Обмануть покупателя может только продавец. Но подключить продавца к инфраструктуре может только посредник — и вопрос, отвечает ли он за это подключение, до сентября этого года внятного ответа не имел нигде.

4 сентября 2026 года Федеральная торговая комиссия США объявила о мировом соглашении с Nuvei, одним из крупнейших мировых платёжных процессоров. Компания выплатит 4,85 млн долларов и перестроит процедуры проверки подключаемых магазинов.

Сумма для компании такого размера символическая. Интересно другое: впервые внятно сформулировано, за что отвечает посредник, который сам ничего покупателю не продавал.

Полгода назад я начал писать сжатую файловую систему для macOS. Идея была довольно простой. В macOS уже существует decmpfs — встроенный механизм прозрачного сжатия файлов. Приложение продолжает видеть обычный файл, хотя физически его содержимое может храниться в сжатом виде. Но у этого подхода есть неприятное для моей задачи свойство: после изменения файла сжатие может исчезнуть.

Например, можно сжать node_modules, получить приличную экономию места, потом запустить сборку — часть файлов перезапишется, распакуется, и каталог постепенно снова начнёт занимать почти исходный объём. Мне хотелось другого поведения: если файл лежит на сжатом диске, он должен оставаться сжатым независимо от того, сколько раз его переписывали.

Я пользуюсь TorrServer на Mac и хотел избавиться от постоянных переходов между Терминалом, Web UI и плеером. Так появился TorrServe Silicon — нативное open-source приложение на SwiftUI для Apple Silicon. В статье рассказываю, почему выбрал прямую работу с API вместо WebView, как устроены библиотека, метаданные, поиск через Jackett, запуск внешних плееров и управление сервером из строки меню.

После ковида многие перешли на удаленку, а у удаленщиков таких точек контакта почти нет. Можно ежедневно видеть коллегу в Teams, годами обсуждать архитектуру микросервисов, запускать совместные проекты и иронизировать над статусами в Jira. Между тем за 5 лет совместных проектов так и не узнать, что один коллега объездил половину Азии, а другой за две секунды угадывает любой трек из 90-х. У нас так и было. Люди работали рядом, но друг друга не видели. 

Вот мы и решили это исправить.