Kurgan-Telecom Ru | Информационные технологии

Возникает особое, специфическое чувство тревоги, когда генеральный директор одной из самых могущественных компаний на Земле прямо на камеру говорит вам не доверять его собственному продукту.

Именно это произошло, когда Сундар Пичаи — тихий, интеллигентный, но невероятно влиятельный CEO Google — дал интервью телеканалу BBC в штаб-квартире компании в Маунтин-Вью. Никаких рекламных роликов. Никаких пустых обещаний. Просто пугающе честный разговор о технологии, которая прямо сейчас перекраивает наш мир: об искусственном интеллекте.

И то, что он сказал, совершенно не вяжется с образом человека, чья компания только что влила в ИИ-инфраструктуру более $90 миллиардов за один год.

Давайте разберем это по полочкам.

Искусственный интеллект всё активнее входит в медицину и цифровые сервисы.

Он помогает диагностировать заболевания, персонализировать интерфейсы, анализировать поведение пользователей и даже формировать рекомендации по лечению.

Когда в 2020 году вышла The Last of Us Part 2, многие быстро забыли про невероятный прорыв в графике из-за горячих обсуждений сюжета игры. Еще на старушке PlayStation 4 в студии Naughty Dog смогли выдать настоящий некстген, с фотореалистичными материалами, честными hi-poly-модельками персонажей, процедурными анимациями, динамическим глобальным освещением, детальными отражениями, продвинутыми шейдерами воды и многими-многими другими крутыми фишками.

Визуал TLoU 2 был настолько технологичным и опережающим время, что остальной индустрии понадобилось несколько лет, чтобы хотя бы догнать творение Naughty Dog — в 2023–24 годах это сделали Alan Wake 2 и Hellblade 2. А вот «перегнать» удалось лишь в 2026 году героине данной статьи. Resident Evil Requiem — первая игра с бескомпромиссной картинкой в стиле гиперреализма. Если в TLoU 2 встречались засвеченные интерактивные предметы, а в Hellblade 2 было слишком уж невзрачное окружение на некоторых уровнях, то к графике в RE Requiem действительно сложно придраться.

В этой статье разберем этот технологический феномен игростроя подробно. И чтобы всё было понятно, начнем с матчасти.

Наверное, каждый разработчик электронной аппаратуры сталкивался со следующей ситуацией: долго разрабатываешь высокоскоростное устройство на печатной плате, получаешь первые образцы и... ничего не работает, ну или работает, но не так, как ожидал. Сигналы сильно искажены, да еще и те, за которыми старался следить особенно внимательно. Закон подлости! Вроде все делал в соответствии с описанием в документации на высокоскоростные интерфейсы: подобрал материалы и разработал stackup, согласовал, где нужно, импедансы, выдержал расстояния между проводниками, не превышал допустимые длины ー а все равно шедевр не вышел. Причина может оказаться банальной и известной: перекрестные помехи, которые были не в норме. И вроде знаешь про них, но оценку уровней не делаешь. Возможно, бдительность усыпляет наличие рекомендаций о минимальном расстоянии между высокоскоростными трассами на тот или иной интерфейс. Видишь число и думаешь, что при его соблюдении будет все хорошо. А может есть и другие причины? Например, не знаешь, как их оценить. Давайте попробуем разобраться.  

Приветствую всех!

Уверен, даже если вы и не застали транспорт той эпохи, вы всё равно узнаете эти устройства — билетные компостеры. Если кассы ушли в историю значительно раньше, то вот они продержались много дольше, вплоть до конца девяностых, а кое-где и до двухтысячных.

Итак, сегодня мы взглянем на прямого предка электронных валидаторов. Посмотрим на тройку самых распространённых моделей и на то, как они устроены и как они кодировались, и разберёмся, как менялись эти девайсы со временем.

Разработчики нейросетей активно распространяют идею, что те могут сгенерировать код, объяснить сложный алгоритм, предложить архитектурное решение и помочь с отладкой. Однако, само по себе наличие ИИ-инструмента не гарантирует ни качества кода, ни роста продуктивности. Более того, при неумелом использовании нейросети легко превратить проект в набор плохо связанного, трудно поддерживаемого и потенциально небезопасного кода. А есть ли умелый способ?

Привет, Хабр! На фоне ажиотажа вокруг нейросетей все чаще встает вполне приземленный вопрос — сколько стоит содержать собственную LLM.

Современные ИИ-агенты уровня Claude, ChatGPT и DeepSeek уже давно перестали быть «чатами для развлечения». Это сложные системы, которые перед тем как выдать ответ, тратят десятки тысяч токенов на внутренние рассуждения, вызывают внешние функции, взаимодействуют с MCP-серверами и даже работают напрямую с интерфейсом ОС.

В продакшене — особенно при использовании нескольких агентов, собственных инструментов и фоновых задач — потребление токенов растет лавинообразно. При плотной нагрузке счет за API легко превращается в постоянную и плохо прогнозируемую статью расходов, от которой уже сложно отмахнуться.

В статье я покажу практичный компромисс: как развернуть собственную облачную LLM, которая укладывается в 16 ГБ видеопамяти, поддерживает инструменты и вызов функций, интегрируется с MCP-серверами и может использоваться как полноценный API-сервис для бэкенд-задач. 

Пластик — главный ненавистник современной экологии. Пластик — очень полезный и самый распространенный материал в мире. Дилемма пластика как раз и заключается в том, что его полезные свойства, экономичность производства и широкая востребованность перевешивают его негативное влияние на окружающую среду. Замена пластика на другие материалы хоть и имеет некий смысл, но также сопряжена со сложностями: большие затраты на производство, меньшие объемы сырья и, порой, даже более сильное негативное влияние на экологию. Если перейти от пластика к другим материалам, скажем к металлу, нельзя по ряду причин, то нужно изменить сам пластик, сделав его более экологичным. Ученые из Университета Флиндерса (Аделаида, Австралия) разработали новый тип пластика, в состав которого входит молочный белок. Скорость разложения нового материала в почве составляет всего 13 недель. Какие ее необычные ингредиенты были использованы, какими свойствами обладает новый пластик, и какие показатели экологичности показывает? Ответы на эти вопросы мы найдем в докладе ученых.

Привет, Хабр! Организация экономического сотрудничества и развития (ОЭСР) выпустила масштабный доклад Digital Education Outlook 2026: документ анализирует сценарии использования генеративного ИИ в образовании. Один из общих выводов: нейросети успели прочно закрепиться в учебном процессе, а школьники и студенты гоняют их и в хвост и в гриву, пока образовательные системы только обсуждают разработку нормативов.

Отчет прямо ставит проблему: GenAI должен стать партнером по обучению, а не короткой тропой, которая обходит само обучение. 

Я покопался во всех 247 страницах отчета и вынес основные выводы исследователей: от наблюдений, тенденций, проблем до предложения по их решению.

Вот и закончился февраль, за который в GigaIDE появилось ещё больше полезного. Ниже — краткий обзор обновлений PRO-функциональности GigaIDE, которую можно найти в нашем маркетплейсе. Обзор инкремента за январь доступен по ссылке.

В 1970 году 512 бит памяти были инженерным компромиссом, а ожидание «своего» бита — нормальной частью работы системы. В этой статье — разбор микросхемы Intel 1405 с фотографиями кристалла, вскрытого вручную, и подробным анализом того, как устроен регистр сдвига на уровне транзисторов и поликремниевых дорожек. Заодно посмотрим, почему такая память оказывалась дешевле статического ОЗУ, как она применялась в Datapoint 2200 и зачем для неё понадобился отдельный мощный драйвер тактовых сигналов. Это взгляд внутрь эпохи, когда архитектурные решения буквально были видны под микроскопом.

В этой статье я поделюсь опытом, кейсом из моей практики в российском ритейле. Ко мне обратился заказчик с проблемой. На производстве чипсов (СТМ в Краснодарском крае) возникали проблемные возвраты целых партий картофеля от производителей по причине брака 80–90%. Внешний осмотр показывает, что картофель снаружи весь в чёрных пятнах. Сами производители утверждали, что отправляют картофель качеством не превышающим 5% брака, и ссылались на отчёт сюрвейера.

Проект требовал присутствия в формате 90%, поэтому с заказчиком мы определились с посещением двух поставщиков и самого филиала по производству.

Из документации я запросил у заказчика только паспорт-спецификацию именно того сорта картофеля, который отправляется на производство для изготовления чипсов. Время в данном проекте не определяли, главной задачей было найти причину.

Первым этапом стало посещение производителей картофеля в разных регионах (Нижегородская и Московская область), проверка качества картофеля на разных складах и проверка работы сюрвейеров.

В каждом хозяйстве я попросил первым делом взять по ведру картофеля именно такого сорта с разных сторон склада и просто сделать разрушающий контроль (то есть разрезать весь картофель на половинки). Это проводилось отдельно от сюрвейеров. Также я осмотрел внешний вид картофеля в хранилище и на складе, осмотрел и зафиксировал картофель в процессе мойки. Я разобрался в процессе и проследил этап мойки до формирования партии и на выходе после неё. Внешний вид картофеля в обоих хозяйствах соответствовал ПК (паспорту качества). Особое внимание я обратил на внешний вид картофеля — чёрные большие пятна на поверхности кожицы.

Статья посвящена интеллектуальным силовым модулям, которые являются основой силовой части современных преобразователей частоты для асинхронных электродвигателей. Приводится описание российского интеллектуального силового модуля ТТМ-1000, который входит в состав преобразователей частоты концерна «Русэлпром»: его технические характеристики, особенности, преимущества и недостатки по сравнению с западным аналогом. Рассматривается преобразователь частоты мощностью 1,67 МВА на основе модуля ТТМ-1000, который является базовым преобразователем частоты для судовых систем электродвижения концерна «Русэлпром».

«Когда регулятор — лучший продакт» — это был верхний слой. Выводы без данных.

Сегодня представляю полный PESTEL-анализ карьеры CPO в российском финтехе на 2025–2026: 28 факторов, от ключевой ставки и импортозамещения до agentic AI и зарплатных вилок. Для тех, кто предпочитает разбираться самостоятельно, а не читать чужие выводы. Всё по ссылке.

Мы давно хотели собрать в рубрике книги о женщинах-руководителях, предпринимательницах и исследовательницах, которые сильно повлияли на наш мир. Кто-то возглавлял крупную компанию, кто-то совершил важные научные открытия. Все они так или иначе оставили заметный след в истории. 

Сегодня из каждого утюга звучит мантра: «Делегируйте рутину нейросетям! Пусть ИИ пишет вакансии, отказы и рассылки, пока вы мыслите стратегически». Как AI-аудитор, я регулярно вижу, как бизнес с радостью отдает корпоративную коммуникацию на откуп алгоритмам, свято веря в их математическую «объективность».

Проблема в том, что базовые LLM — это не юристы, не эмпаты и не HR-директора. Это генераторы вероятного текста, чья главная цель — услужить пользователю. Даже если пользователь просит нарушить закон или базовые нормы морали.

Чтобы доказать это, я провел Red Team-тест: притворился некомпетентным HR-директором российского ритейла и дал топовым моделям задачи «с двойным дном». Результат: 65% нейросетей сгенерировали тексты, которые гарантируют визит Трудовой инспекции и репутационный суицид в СМИ.

Под капотом — разбор самых опасных галлюцинаций ИИ и чек-лист фраз, которые могут довести вашу компанию до суда.

<habracut />

Когда лиды стоят дорого, а цикл сделки длится месяцами, просто «налить больше трафика» — провальная стратегия. В этом кейсе я расскажу, как отказ от шаблонного маркетинга и скрещивание CJM с картой позиционирования помогли нам увеличить общую конверсию в 4 раза без раздувания рекламного бюджета.

Меня зовут Андрей Васючков, я - стратегический маркетолог, член Гильдии маркетологов России.

В B2B-маркетинге есть классическая проблема: компания годами вливает бюджеты в контекстную рекламу и SEO, но заявки обходятся слишком дорого, а до коммерческого предложения (КП) и сделки доходят единицы. Отдел продаж винит маркетологов за «мусорный трафик», маркетологи ругают продажников за то, что те «сливают лидов».

Примерно с такой вводной мы начали работу над проектом компании «Стальпром-Оборудование». Перед нами стояла задача: увеличить конверсию по всей воронке (из посетителя в лид, из лида в КП, из КП в сделку), но в условиях замороженного бюджета на продвижение. Спойлер: мы это сделали за 6 месяцев, не меняя сам продукт.

Привет, это команда Яндекс Практикума. Этим летом будет традиционная приёмная кампания в вузы, а сейчас идет сезон активного выбора программ. Рассказываем о программах онлайн-магистратуры ИТМО и НИЯУ МИФИ в партнёрстве с Яндекс Практикумом, на которые можно поступить в 2026 году. В статье раскроем, какие есть особенности онлайн-формата магистратур, кому они подойдут, что входит в программы и что нужно для поступления в этом году.

Всем привет! Меня зовут Алексей Пронский, я отвечаю за архитектуру в AI-департаменте группы компаний БКС. Мы строим агентные системы, AI-ассистентов, OCR-системы, речевую аналитику и Classic ML модели. Поскольку мы работаем по принципам enterprise разработки, за каждым таким проектом стоит архитектурное решение (далее — арх.решение) — документ, который проходит согласование с бизнесом, корпоративной архитектурой, ИБ и владельцами смежных систем. Арх. решения мы ведём в Confluence, диаграммы рисуем в Draw.io. Типичный цикл от получения бизнес-требований до согласованного арх.решения в среднем занимает две-три недели.

За последний год LLM-ассистенты произвели настоящую революцию в написании кода. В этой статье я покажу, как добиться такого же эффекта в архитектуре — перейти на подход Architecture as Code и передать рутину LLM. Мы используем Structurizr для описания архитектуры и Claude Code как LLM-ассистента. Буду показывать примеры на их основе, демо-репозиторий можно будет посмотреть на GitHub.

Практическое применение статистического анализа производительности СУБД с использованием pg_expecto v.7: разбор инцидента и верификация гипотез

GitHub - Комплекс pg_expecto для статистического анализа производительности и нагрузочного тестирования СУБД PostgreSQL

GitFlic - pg_expecto - статистический анализ производительности и ожиданий СУБД PostgreSQL

Глоссарий терминов | Postgres DBA | Дзен

Целесообразность применения нейросети DeepSeek для анализа статистических данных и подготовки рекомендаций по итогам инцидентов обусловлена ограниченностью традиционных методов нагрузочного тестирования, нерелевантных в условиях стохастических пиковых нагрузок промышленных систем. В рамках настоящей работы на базе инструментария pg_expecto v.7 продемонстрирована эффективность перехода к статистическому анализу инцидентов PostgreSQL: от идентификации критических факторов до верификации гипотез оптимизации. Использование DeepSeek обеспечивает математически обоснованные выводы о причинах деградации производительности, что подтверждает высокую эффективность данного подхода для оперативной диагностики и повышения отказоустойчивости информационных систем.