Kurgan-Telecom Ru | Информационные технологии

Сегодня софт скиллы в IT превратились в удобный инструмент для манипуляций и газлайтинга. Под видом адаптивности и эмпатии нам продают некомпетентность менеджмента и отсутствие внятного планирования. Почему ваши личные качества обсуждают чаще, чем профессиональные результаты? Почему вместо нормальной работы требуют бесконечной гибкости? Разбираемся, почему мода на мягкие навыки стала токсичной и почему обычное человеческое воспитание гораздо важнее любых корпоративных тренингов.

31 марта OpenAI объявила о раунде финансирования с оценкой $852 миллиарда. На следующий день, 1 апреля, Bloomberg вышел с заголовком: «OpenAI теряет популярность среди вторичных покупателей». Что произошло за сутки?

Представьте: вы наняли идеального сотрудника. Он пишет код как senior, разбирается в архитектуре за минуты, работает 24/7 без выгорания. Но у него одна особенность - каждое утро он забывает абсолютно всё. Не помнит, что делал вчера. Не знает, почему в платёжном модуле реализован тот самый workaround. Не помнит, что его коллега уже разбирался с тем же багом и нашёл решение.

Эта особенность работы с ИИ-агентами в 2026 году до сих пор многим доставляет неудобства.

Запуск нового устройства — это всегда выбор. Один из первых и самых непростых вопросов, с которым сталкиваются как стартаперы, так и крупные компании при выводе нового продукта на рынок: стоит ли разрабатывать уникальный корпус с нуля или лучше использовать готовое покупное решение?

Кажется, что для опытных разработчиков ответ очевиден, но на деле он далеко не однозначен. Чтобы этот вопрос не стал для вас камнем преткновения, давайте разберем несколько практических примеров. Наш обзор поможет вам взвесить все «за» и «против» и принять верное решение.

Идея: сейчас можно написать сервис, который не просто проводит отсев кандидатов по ключевым словам, но и полностью эмулирует собеседование между кандидатом и компанией. А по результатам такого виртуального собеседования сразу выдаётся оффер самому перспективному кандидату. Для создания виртуального профиля кандидата можно использовать не только его резюме, но и профили в соцсетях и т.д.

То есть схема такая: создаются виртуальные агенты HRа, тимлида и менеджера. Далее пайплайн:

1. Кандидат присылает резюме;
2. Создаётся виртуальный профиль кандидата или агент, выполняющий роль кандидата;
3. Далее эмулируются все этапы стандартного собеседования в виде диалогов между HR’ом, Тимлидом, Менеджером и Кандидатом.
4. На основе проведённого диалога создаётся оценка кандидата: какой-то общий балл, перспективы в компании, вероятность ухода, потенциальная зарплата, на которую может кандидат согласиться;
5. Из всех кандидатов на основе оценки выбираются самые перспективные и с ними уже проводится очное собеседование. А можно и просто оффер отправлять.
6. Профит!

Добрый день, это моя первая статья на Хабре, прошу не судить.

Я хочу рассказать вам немного о моём исследовании и то как стоит честно относиться к LLM моделям, так как вы скорее всего знаете, что такое LLM модель не будем терять времени на её определение давайте перейдём к сути моей работы: LLM не дают гарантии правильности ответа особенно операций с большим количеством шагов и формальным рассуждением, даже когда ответ правдоподобный или оказывается верный. (Вы же все видели дисклеймер ChatGPT can make mistakes.Check important info)

Начнём с самого начала 4 сентября 2025 года прошло исследование о галлюцинациях в моделях (в котором участвовали инженеры OpenAI), и одно из утверждений было, что даже при наличии безошибочных обучающих данных статистическая целевая функция, минимизируемая в процессе предварительного обучения, приведет к языковой модели, генерирующей ошибки, почему же это так потому, что сама природа LLM моделей вероятностная.

Но так как мы живём в мире где мы внедряем системы LLM повсюду появляется закономерный вопрос как же верифицировать LLM и тут у инженеров есть готовый по их мнению инструментарий, который массово внедряется:

Недавно Apple подтвердила стратегическое партнерство с Google для интеграции ИИ Gemini в свои устройства.  Сегодня мы их опередим и поднимем свою LLM в Android-смартфоне. С блэкджеком и WebUI.

Дали мне недавно задачу написать тесты для одной CLI-тулзы. Это мне уже привычно и понимание, зачем тулза нужна, есть. Я только не знал, что меня ждёт в коде. Программист, писавший её, сделал гигантскую работу — претензий нет (не обижайся, пожалуйста, если читаешь это, но это стоит отдельной статьи). Там суммарно, наверно, порядка 30к строк кода написано. Нюанс в том, что, видимо, он раньше не писал на C#,

Так что тут я соберу для вас примеры, как нельзя писать и как стоит.

На старте у клиента уже были дашборды, но они не закрывали текущие задачи бизнеса. Данные находились в разных системах — 1С, Excel, Google Таблицы, XML-выгрузки и внутренняя система.

Клиент принял решение выстроить аналитику заново и выбрал Apache Superset как инструмент визуализации. Сначала собрали единый слой в PostgreSQL, настроили загрузку через Python, привели метрики к одной логике и зафиксировали правила расчётов.

После этого уже собрали дашборды под управленческие задачи клиента. Визуализация строилась так, чтобы быстро находить отклонения и принимать решения, а не просто смотреть отчёты.

В результате у клиента появилась система, где данные считаются одинаково для всех, автоматически обновляются и используются в работе без дополнительных проверок.

Два одинаковых товара, одинаковая цена, одинаковая позиция в выдаче. Но у одного сниппета – звёздочки рейтинга, цена, статус «В наличии», а у другого – голый title и серый текст. Кликают на первый. Всегда.

Разница между ними – структурированные данные (machine-readable описание контента страницы по стандарту Schema.org). И если Вы разработчик, который отвечает за e-commerce проект, эта разница – Ваша прямая зона ответственности.

Я Пётр Гришечкин, эксперт в области SEO. Последние 15 лет я проектирую системы кратного роста трафика для крупнейших сайтов. И последнее время пишу всякие околоSEO статьи – https://t.me/seo_and_sem. В этом руководстве – конкретные шаги, рабочий код и грабли, на которые наступают почти все.

Разбираю как выглядит нормальный QA-пайплайн в GitHub Actions: от линтинга до E2E тестов на Playwright. С рабочими конфигами, кэшированием и уведомлениями о падениях.

Знакомая история - товар хороший. Цена нормальная. Но карточка на Wildberries или Ozon выглядит так, будто её фотографировали на кухне при выключенном свете. Конверсия — ноль. Продаж — нет.

Раньше выход был один: нанять фотографа, арендовать студию, заплатить дизайнеру за обработку. Это время и деньги — от 5 000 до 30 000 рублей за одну позицию. Для малого бизнеса или начинающего селлера — часто неподъёмно.

Теперь есть другой путь.

В данный момент в России идёт работа по созданию закона о «Робототехнике и беспилотного автономного транспорта», который предположительно появится в 2027 году. Но подобные законы, планируются и в других странах и будет нелишним рассмотреть опыт других стран.

Анализ ключевых тенденций, описанных в исследовании «Robots In Public: Building the Governance Framework for shared Human‑Robot Spaces» (2025–2026 гг.). Отчёт основан на данных экспертного воркшопа в MassRobotics (Бостон), анализа кейсов и международного опыта.

Прямо сейчас, на расстоянии более 24 миллиардов км от Земли, 48-летний космический аппарат мчится через межзвёздное пространство со скоростью 61 000 км/ч. Это самый удалённый от Земли объект, созданный человеком. Он передаёт научные данные, которые не может собрать ни один другой существующий прибор. И он делает всё это, имея в распоряжении всего 69 килобайт памяти и 8-дорожечный магнитофон.

У телефона в вашем кармане примерно в миллион раз больше памяти, чем у компьютера, управляющего «Вояджером-1». Одна фотография с низким разрешением, сделанная на том же телефоне, содержит больше данных, чем вся бортовая память «Вояджера-1».

И тем не менее он здесь, по-прежнему функционирует, по-прежнему передаёт данные, по-прежнему делает открытия в области космоса, куда ни один космический аппарат никогда не добирался, спустя почти полвека после того, как он покинул Землю в рамках миссии, изначально рассчитанной на пять лет.

«Вояджер-1» — это, по любым меркам, самая невероятная история успеха в истории человеческого освоения космоса.

Мы привыкли винить LLM‑агентов в галлюцинациях, бесконечных циклах и слитых бюджетах на API. Но что, если проблема в инфраструктуре, которую мы им скармливаем? Я написал детерминированный CI‑сканер для оценки качества MCP‑серверов и прогнал через него 30 публичных пакетов. Результат оказался интересным: почти половина серверов убивает агента ещё до старта, а официальные инструменты дают ИИ гранату в руки. Под катом - хардкорный разбор костылей экосистемы, графики и Open Source инструмент, который защитит ваш продакшен.

Можно ли превратить coding agent не просто в помощника по коду, а в персонального ассистента с долговременной памятью? Я собрал для Codex иерархическую базу знаний на Markdown и Git, добавил роли, автоматизации, AnkiConnect и Telegram-архивы, а затем проверил, насколько далеко можно зайти без векторных баз и сложного RAG. В статье показываю, как устроена такая система, где она реально полезна и почему главный вопрос здесь не в модели, а в архитектуре памяти.

Продолжаем data mining путешествие в погоне за удачей. Сегодня разберем как устроены жизненные факторы. Эти категория достаточно скучна, но статистически хорошо подтверждена. И интуитивно понятна большинству людей. Но влияние ее очень сильное. Поэтому рассмотрим ее подробнее.

Проектируете REST API и всё ещё используете 200 OK для ошибок?

А знаете, почему неправильные статус-коды могут убить производительность и как всего один кейс с TSB Bank показал цену плохого анализа?

В этой статье разбираем реальные принципы REST, модель зрелости Ричардсона.Полезно всем, кто пишет бэкенд или проектирует микросервисы.

Claude Cowork превращает часы работы в минуты. ChatGPT так не умеет.

Я работаю с Claude Cowork с первого дня его появления.

Это потрясающий инструмент для автоматизации рутинных компьютерных задач.

Вот чем Claude Cowork принципиально отличается от ChatGPT:

У него есть прямой доступ к вашим локальным файлам — а значит, он может мгновенно браться за любую задачу (при правильной настройке)

Он берёт на себя многошаговые задачи и выполняет их автономно

Он создаёт профессиональные документы — Excel, PowerPoint, Word

К нему можно подключать плагины для специализированной работы: продажи, юридическая сфера, финансы, продуктивность

Работа с ChatGPT — это как сидеть в пузыре чата. Бесконечные уточнения туда-сюда, потому что он понятия не имеет, что вы на самом деле пытаетесь сделать.

Claude Cowork устроен иначе.

Его контекст — это папка и файлы, к которым вы даёте ему доступ.

Вы указываете на папку, формулируете задачу → Cowork составляет план и выполняет сам.

К концу этой статьи вы узнаете:

Как пользоваться Claude Cowork

Как экономить часы работы с Cowork (то, чего ChatGPT не умеет)

Как сделать Cowork ещё мощнее с помощью плагинов и коннекторов

В этом посте продолжаем дневник TAPe‑детекции на COCO: добавляем сегментацию по контрастным патчам на границе объектов, дорабатываем классификацию, избавляемся от learning rate и смотрим, как ведёт себя YOLO на нашем маленьком датасете.

А уже завтра покажем базовые и COCO‑бенчмарки, сравнения с YOLO и RF‑DETR по точности (mAP50/mAP50‑95), скорости, числу параметров и требованиям к данным, а заодно чуть подробнее поговорим про аннотацию и то, почему нам хватает десятков изображений на класс там, где другим нужны сотни тысяч.