Kurgan-Telecom Ru | Информационные технологии

Где-то с месяц я вынашиваю план исследования, с помощью которого хочу оценить эффект практики заметковедения на профессиональную и личную деятельность человека. И каждый раз, как я подходил к этому «снаряду», люди, чье мнение имеет значение, задавали мне вопрос: а что такое заметковедение?

Всякая попытка объяснить разбивалась о стену непонимания. Мои собеседники своими вопросами и комментариями демонстрировали растерянность. В конечном итоге говорили, что им непонятно, и мне приходилось думать дальше. В попытке разобраться, что же такое заметковедение, я изучал свои записи, которых очень много в моей базе, спрашивал участников нашего сообщества, разговаривал с профессионалами из разных областей.

Каждый человек, когда я интересовался у него относительно того, как он ведет свои личные и профессиональные записи, отвечая, описывал технические особенности приложений и сервисов, или начинал душнить[^1], или говорил, что он записывает в приложении и «потом» разбирает, без уточнения, что значит «разбирает» и когда это «потом» наступает.

В общем, мне показалось, что имеется очевидная проблема с операционализацией понятия «заметковедение», как, собственно, и задачеделания, и творчества, и любого иного «сложного слова», требующего интерпретации. Тем не менее я не прекращал поиска определения заметковедению, однако найти формулировку, которая вбирала бы весь спектр заметковедческой деятельности, не получалось.

В какой-то момент мне подсказали, что можно сделать, а именно объяснили, как операционализировать понятие «заметковедение», спросив, что люди делают, когда им приходит идея, попросив описать то, как они «потом» разбирают свои записи, и что происходит при процессе «вдумчивого» обучения.

В предыдущих статьях Intro Reinforcement Learning и Reinforcement Learning: Model-free & Deep RL были рассмотрены подходы, в которых оптимальные действия находились косвенно через оценку полезности состояний или пар «состояние–действие». Такие методы принято называть value-based. Однако возникает вопрос: зачем строить сложные цепочки через value-функции, если можно напрямую обучать агента выбирать правильные действия? Такой policy-based подход интуитивно кажется проще и естественнее.

Здесь о том, как это делается (ﾉ◕ヮ◕)ﾉ

Хотя экосистема LLM в основном ориентирована на Python, мы нашли Go исключительно подходящим для производственных развертываний. Наша инфраструктура на базе Go обрабатывает миллионы ежемесячных запросов LLM с минимальной настройкой производительности. Помимо хорошо документированных преимуществ Go (см. отличное изложение Роба Пайка о преимуществах Go), три возможности оказались особенно ценными для нагрузок LLM: статическая проверка типов для обработки выходных данных модели, горутины для управления параллельными вызовами API и интерфейсы для построения составных конвейеров ответов. Вот как мы реализовали каждую из них в нашем производственном стеке.

В статье представлена реализация методов решения системы линейных алгебраических уравнений (СЛАУ) четырьмя методами: методом Гаусса, LU декомпозиции, компактной схемой исключения, QR декомпозиции. Для реализации был использован шаблон классов матрицы и вектора. Приводятся результаты решения СЛАУ, погрешность решения и время решения СЛАУ. Для сравнения результаты представлены в таблице.

В прошлом посте мне предрекли судьбу старухи у разбитого корыта. Комментаторы справедливо заметили: «Визионер без хард-скиллов - это просто мечтатель». Я обещал не спорить, а показать результат. Время пришло.

Убираем лирику, достаем «мясо». Внутри - полный разбор архитектуры AI-платформы на n8n + Supabase + OpenAI: как реализовать рекуррентные платежи, SRS-систему повторений и генерацию PDF-дипломов, не написав и сотни строк кода вручную.

Решить школьную задачу, просто сфотографировав её, — это реальность 2025 года. Современные нейросети могут распознавать рукописный текст, формулы и даже сложные рисунки, мгновенно выдавая подробное пошаговое решение. Технология оптического распознавания символов в сочетании с мощными моделями ИИ превратила смартфон в круглосуточного «репетитора». Это особенно полезно школьникам и студентам при выполнении домашней работы или подготовке к экзаменам.

В этой статье мы рассмотрим 8 популярных сервисов, в которых эту магию реализовали:
• BotHub,
• Photomath,
• MathGPT,
• Wolfram|Alpha,
• Gauth,
• Mathway,
• Symbolab,
• Nano Banana Pro.

Я живу в Москве и работаю в интернет‑маркетинге. Руковожу контентом, много пишу, много думаю и почти всегда живу в режиме «чуть‑чуть не успеваю». День обычно начинается рано, а заканчивается не тогда, когда хочется, а тогда, когда последний клиент из Европы наконец пишет: «Окей, давай завтра».

И вот в какой‑то момент я поймал себя на том, что начинаю смотреть в сторону любых маленьких изменений, которые могут хотя бы немного улучшить ночи. Без идеи «починить жизнь». Просто сделать чуть менее шумно. Так в моей жизни и появился тейп для сна.

Если ты хоть раз пытался разобраться в мире нейросетей и искусственного интеллекта, то знаешь это чувство: нейросеть ChatGPT хочет VPN и иностранную карту, нейросеть Claude вообще не открывается из России, а за нейросеть Midjourney просят $10 в месяц — и это только за генерацию изображений. А если нужен ещё и текст, и музыка, и видео? Легко влететь на $50+ в месяц, при этом половина нейросетей и ИИ-сервисов будет глючить через VPN.

Именно поэтому появились агрегаторы нейросетей — сервисы на базе искусственного интеллекта, которые собирают десятки нейросетей и ИИ-моделей в одном месте. Один аккаунт, одна подписка на нейросети, никаких танцев с бубном. Представь: вместо того чтобы переключаться между пятью вкладками и помнить пять паролей, ты открываешь один сайт с нейросетями ИИ и получаешь доступ к генерации текста, изображений, музыки и видео в одном месте. Звучит как мечта? Это реальность нейросетей в 2025 году.

Эта статья — не про "как я выучил Python за неделю", а про реальный инженерный путь: от первых экспериментов с ChatGPT API до production-ready систем, которые обрабатывают тысячи запросов в день. Я расскажу про конкретные проекты, инструменты, пайплайны и главное — про ошибки, которые стоили мне времени и денег.

С помощью предобученной мультиязычной модели LaBSE и методов снижения размерности выяснил, что поэмы Лермонтова и Симонова, несмотря на столетнюю дистанцию, семантически близки. Подтвердил гипотезу, что русская патриотическая поэзия сохраняет устойчивое смысловое ядро, даже когда меняется стиль и идеология.

С моей точки зрения большинство разрабатываемых электронных плат работают под управлением микроконтроллера STM32. Если обобщить их схемотехнику, то можно кое-что вынести за скобки. Вот об этом сейчас и поговорим. Что должно быть заложено в каждую электронную плату на основе МК STM32? Само собой надо добавить квадратные первые пины на вилках, шелкографию, тест пады, симметричные отверстия 3мм по краям для крепления платы, удобный USB для питания и т.п. Но есть кое-что еще. Некоторые особенности проектирования PCB применимы только для STM32. Но обо всём по порядку.

В этом году нейросетевые сервисы, предназначенные для генерации кода, музыки, картинок и даже видео стали чем-то обыденным. Вау-эффекта, как пару-тройку лет назад, они уже не вызывают. Мы привыкли рутинно обращаться к ним, когда нужно сделать баннер с котиком или перевести с китайского языка.

Нейросети не стали панацеей. Они не начали выполнять нашу работу лучше нас. Ни писать, ни рисовать, ни кодить на достаточном для соперничества с живым человеком уровне они по-прежнему не умеют. Даже ассистенты из них получаются так себе – недавно, например, ИИ от Google «снес» все содержимое диска D: на компьютере, когда хозяин попросил его почистить кэш в одной папке. 

Так почему же нейросетей с каждым днем все больше в нашей жизни? Почему мы, образно говоря, плачем, колемся, но едим этот технологичный кактус? Попробуем разобраться под катом.

Как пробить многоуровневую защиту LLM-агента, обученную на 80+ млн атаках?

В декабре 2025 я вошел в топ-10 глобального рейтинга Lakera Agent Breaker. В этой статье - не просто обзор решения, а детальный разбор уязвимостей современных LLM-систем и архитектура кастомного фаззинг-пайплайна.

Некоторые люди воспринимают HRTech как что-то про очередную систему для рекрутеров. Как будто это история про удобство - меньше ручных табличек в Excel, быстрее согласования кандидатов-лидеров, красивее отчёты в BI системах.

Но HRTech это далеко не про интерфейсы и не про системы. HRTech это про управляемость процессов.

Когда рынок труда напряжённый, компания может сколько угодно много хотеть нанимать лучшие кадры в кратчайшие сроки. Вопрос тут в другом: а может ли она вообще держать весь процесс найма в руках, не теряя кандидатов на этапах воронки, не удлинняя сроки и не превращая найм в лотерею - дойдет кандидат или нет.

И вот здесь цифровые инструменты перестают быть простым экспериментом - здесь они уже становятся базовой инфраструктурой.

Эксперты Talantix (экосистема hh.ru) описывают 2025 как переломный год: HR-команды начали массово внедрять технологичные решения (в том числе на основе ИИ) во все направления работы с персоналом - от подбора до адаптации и обучения, а не точечно, что называется "для галочки". Ссылка на первоисточники: тут и тут.

Давайте немного конкретики.

Привет! Это команда AmneziaVPN, и нам есть о чём вспомнить вместе с вами в уходящем 2025 году. Он стал временем непрерывной борьбы VPN-сервисов с цензорами, что привело к технической эволюции с обеих сторон.

За этот год мы прошли через блокировки, шатдауны и новые вызовы. Каждый месяц приносил новые испытания, и они сделали нас сильнее. Практически весь год регуляторы сразу нескольких стран предпринимали разные действия для блокировки наших серверов, сигнатур протоколов, DNS-адресов, сайтов, приложений и т. д. Со своей стороны мы отвечали теми решениями, которые были необходимы пользователям в конкретный момент, делимся нашим обзором событий, а к итогам вернёмся ближе к концу статьи.

В версии 8.4 наконец‑то появилась одна из тех фич, о которых давно мечтали многие, — хуки свойств. Что это такое? По сути, это встроенные механизмы get/set для свойств объектов, которые позволяют добавить свою логику при чтении или записи значения прямо внутри определения свойства. Никаких больше громоздких геттеров и сеттеров, никаких загадочных get и set, теперь всё можно сделать красиво и понятно на уровне самих свойств.

01.10.2025, Джон Келви, журнал Aerospace America (октябрь-декабрь 2025 года)

Несмотря на выполнение всех задач 10-го испытания Starship в августе, цель SpaceX по отправке первых кораблей Starship к Марсу в этом десятилетии может оставаться недостижимой. Джон Келви анализирует предложенный план и необходимые технологии.

Свежая публикация экспертов «Лаборатории Касперского» посвящена последствиям успешной фишинговой атаки. В статье подробно раскрывается техническая сторона передачи украденных данных пользователя, а также в общих чертах описывается дальнейший путь приватной информации по закоулкам черного рынка. Эта сторона массовых кибератак часто остается недоисследованной: во многих отчетах о кибермошеннической деятельности она описывается одной строчкой «ваши данные попадают злоумышленникам». Как именно попадают и что с ними дальше происходит — также важно понимать.

Рассматриваемый в публикации сценарий начинается с ввода жертвой приватных данных на фишинговой странице. Собранную информацию надо как-то передать организатору атаки, который может одновременно управлять сотнями страниц. Есть три наиболее распространенных способа передачи: через электронную почту, бот в Telegram и специализированную панель управления. Почта, возможно, самый традиционный способ, предусматривающий наличие на фишинговой странице PHP-скрипта, который пересылает данные на адрес, подконтрольный злоумышленнику. Используется он, впрочем, все реже: как из-за возможности блокировки сообщений сервис-провайдером, так и из-за непредсказуемых задержек по пути.

Вселенная наполнена всяким разным, куда бы мы ни заглянули. Несмотря на то, что большая часть Вселенной является «тёмной» в том смысле, что мы ещё не выяснили, как её непосредственно обнаружить — 95 % плотности космической энергии состоит из тёмной энергии и тёмной материи — оставшиеся 5 %, которые представлены различными формами материи и излучения, имеют огромное значение. Из них состоим мы, планеты, звезды и галактики, а также звёздный свет, плазма и облака нейтрального газа, обнаруженные внутри и за пределами галактик, и всё остальное, что мы можем наблюдать. Из этих 5 %, с точки зрения массы, более трёх четвертей находится в форме протонов: простейших и самых лёгких барионов во всей Вселенной; частиц, состоящих из трёх кварков.

Насколько мы можем судить, протон является стабильной частицей. Экспериментально мы установили нижний предел его жизни в 1034 года: это примерно в септиллион раз больше, чем нынешний возраст Вселенной. И всё же вопрос о том, распадается ли протон, и если да, то какова его продолжительность жизни, находится в центре одной из величайших загадок всей теоретической физики. Как мы работаем над поиском ответа и что именно поставлено на карту? Именно это хочет узнать читатель, задавая вопрос:

«Как... мы когда-нибудь сможем узнать, распадаются ли протоны? Какая технология нам нужна, чтобы это обнаружить? Можем ли мы заставить это произойти?»

Это сложный и глубокий вопрос, но его важность не всегда очевидна. Давайте разберёмся, почему вопрос о стабильности протона так важен, а затем вернёмся к нашим лучшим нынешним и будущим попыткам найти ответ.

Привет, Хабр! Cегодня я хочу поговорить о самом непонятном и переоцененном термине в мире архитектуры — Domain-Driven Design (DDD). Я объясню его так, чтобы стало понятно даже джуну, и покажу на реальных примерах, чем он отличается от других подходов.