Kurgan-Telecom Ru | Информационные технологии

Ранее мы писали похожие статьи о CSS, но JavaScript заслуживает не меньшего внимания! Тем более что JavaScript лучше справляется с версионированием. Мы рассмотрим новые возможности самого языка, а также основные среды выполнения, фреймворки, библиотеки и инструменты.

При работе с данными в SQL рано или поздно возникает задача ранжирования: топ-5 продуктов по продажам, рейтинг сотрудников по KPI, распределение клиентов по категориям.

На первый взгляд RANK() и DENSE_RANK() делают почти одно и то же. На тестовых данных разница может быть вообще незаметна. Но в проде именно здесь часто начинаются ошибки: — топ-3 внезапно возвращает 5 строк; — дашборд "врёт"; — backend-логика начинает вести себя не так, как ожидалось; — запрос, который вчера работал быстро, сегодня уходит в disk spill.

Две самые популярные функции для ранжирования — RANK() и DENSE_RANK(). Ниже разберём, чем они отличаются, где именно ошибаются разработчики и аналитики, и что важно понимать: не только что делает оконная функция, но и сколько она стоит на больших объёмах данных.

В свете последних новостей о том, что китайские компании начали копировать личности работников на основе их деловой переписки, изменений в кодовой базе и корпоративных баз знаний, вопрос этики встаёт остро…

Fortran — язык из 1957 года, который до сих пор используют в науке и инженерии.

Я попробовал разобраться, почему он не исчез — и неожиданно понял, что это один из самых честных способов увидеть, как работает программа: типы, память, вычисления без «магии».

В статье — небольшой вводный туториал по Fortran: переменные, типы и первые вычисления.

Если хотите лучше понять программирование «под капотом» — это хороший вход.

Это перевод хорошей статьи про базу того, как устроены кодинг-ассистенты и что для них важно: что такое харнесс и харнесс-инжиниринг, в чем разница просто агентной обвязки и кодинговой, что такое компактизация и почему та же самая модель в консольке ощущается мощнее, чем просто в веб-чате.

Сильного хардкора и больших откровений в ней нет, но это отличный материал для старта изучения архитектуры кодинг-ассистентов и лучшего понимания, как оно работает внутри.

Сделал себе VPN, который:

— работает через VLESS Reality, неотличимый от обычного HTTPS

— пробивает белые списки мобильных операторов через relay на Yandex Cloud

— имеет готовый код для аварийного канала через WebRTC и Яндекс.Телемост (пока не понадобился) — автоматически переключается между 4 уровнями защиты

— пропускает российские сайты (Яндекс, Госуслуги, банки) напрямую, без VPN

Весь код, конфиги, скрипты деплоя — всё написал Claude Code. Я только описал проблему и дал ему почитать несколько статей с Хабра про блокировки. Ну и бил его кнутом, пока всё не заработает.

Расскажу, как это устроено и как повторить.

Дофамин – это не просто гормон удовольствия, а нейромедиатор мотивации и предвкушения. Его главная задача – закреплять поведение, которое эволюционно полезно: поиск пищи, социальное одобрение, победы в конкуренции. Но в современном мире появились сверхстимулы – неестественно быстрые и интенсивные источники дофамина: лайки, бесконечный скролл,  новостные ленты, компьютерные игры и т.д. 

nanoCAD GeoniCS – это мощный современный инструмент для землеустройства и изысканий. Однако в высокоспециализированных отраслях, таких как маркшейдерское дело на угледобыче, стандартных инструментов часто бывает недостаточно. Яркий пример этого опыт «Разреза Кирбинский», который не только перешел с Civil 3D на nanoCAD GeoniCS, но и создал цифровую среду, идеально заточенную под сложные процессы: от планирования горных работ до контроля за буровзрывными операциями.

Как им это удалось читайте в этой статье.

Когда амбиции сталкиваются с экономикой, математикой и логикой — математика всегда побеждает.

Я писал об этом ещё в начале января: OpenAI тонет — и рискует утянуть за собой значительную часть ИИ-индустрии. Тогда мало кто был готов это слышать. Оно и понятно — со стороны казалось, что у Сэма Альтмана дела идут просто блестяще.

Посудите сами. OpenAI — Компания года по версии Yahoo! Finance. Оценка на вторичном рынке перевалила за полтриллиона. Главный стратегический партнёр — Microsoft. Крупнейшие сделки с Oracle, AMD, Nvidia. На горизонте восьми лет — $1,4 триллиона инвестиционных обязательств.

Красота, правда?

А теперь давайте посмотрим, что из этого получилось на самом деле.

Поколения сотовой связи меняются приблизительно раз в десять лет. Возможно, в будущем, мы увидим ускорение этого процесса, но пока тайминги более-менее выдерживаются. И если старт внедрения 5G пришелся на 2020-е годы, значит совсем скоро, года через четыре, мы уже можем ждать 6G.

Спойлер: можем. В феврале 2026 года был утвержден драфт техтребований к стандарту.

Каким он будет? На какие запросы пользователей он ответит? И как он собирается изменить нашу жизнь? Давайте обсудим!

Меня зовут Аскольд Романов, я руковожу продуктовой командой в Яндекс Образовании. Сегодня я хочу поделиться историей своего проекта K2-18. Это опенсорс‑инструмент, который трансформирует учебный текст в семантический граф знаний с образовательными метриками. Я назвал его в честь экзопланеты, в атмосфере которой (предположительно) нашли водяной пар: тоже история про извлечение скрытой структуры из наблюдаемых данных. В этой статье — как устроен инструмент, какие решения за ним стоят и что с этим графом можно делать.

Моя основная задача в Образовании — внедрение AI‑технологий в образовательные процессы, и K2-18 вырос из этой работы напрямую. Мне нужно было решить конкретную задачу: как превратить учебный контент в структуру, с которой LLM сможет эффективно работать для построения различных образовательных сценариев.

Идея родилась не на пустом месте. Я закончил ВМиК МГУ и аспирантуру там же с научным фокусом на компьютерной лингвистике. Сейчас, когда LLM научились читать текст, понимать его структуру и контекст, оказалось, что знания, опыт и контекст текущей работы позволяют решить эту задачу системно. 

Конечно, семантические графы — это не новая идея. Но мне всегда хотелось сделать знания в учебных курсах действительно структурированными, а не скрытыми за линейными страницами учебника — так, чтобы и студенту, и преподавателю было легко ориентироваться и развиваться в своем темпе. По сути, это и есть один из продуктивных сценариев применения ИИ в образовании: помогать лучше структурировать знания и выстраивать более персонализированное обучение. 

У многих из нас есть слабость к маленьким многофункциональным гаджетам. К тем самым коробочкам с мигающими светодиодами, которые покупаются под лозунгом «ну это же мне очень надо!», а потом укоризненно смотрят на тебя с полки. У меня к этой категории относятся «тамагочи для хакеров» Flipper Zero и оранжевый свисток M5StickC Plus2.

С «Флиппером» всё понятно: для классических хакерских шалостей (открывать шлагбаумы и пугать соседей) я его не использую, пару раз клонировал ключи от подъезда да дублировал пропуск на работе. Для меня это стильные настольные часы, токен для аутентификации и крошечная панель мониторинга (я переписал под себя приложение для мониторинга ПК, чтобы выводить на экран загрузку процессора, ОЗУ, видеокарты, состояние сети и прочие метрики).

С M5StickC Plus2 история похожая. Он был куплен по той же причине, по которой айтишники покупают седьмую механическую клавиатуру: потому что штука прикольная. Я покрутил разные прошивки, поигрался с Bruce — швейцарским ножом для устройств M5 — и даже попытался сделать из него такой же экранчик мониторинга, но в отличие от Флиппера, заряда которого хватает на пару дней приёма метрик с ПК через BLE, стик садится почти моментально, да и его экран ощутимо меньше. А потом он предсказуемо перешёл в режим ждуна: лёг на стол и стал ждать своего часа.

Мы побывали на крупной птицефабрике в Татарстане. Интегратор из Казани реализовал здесь несколько проектов: автоматизацию дезинфекционного барьера на въезде, диспетчеризацию микроклимата птичников, а также мониторинг комбикормового завода и системы водоподготовки.

Ниже разберем, как устроена каждая из этих систем.

В малом и среднем бизнесе ИТ почти никогда не падает «одним щелчком». Сначала CRM просто «задумывается». Потом счета за облако растут из месяца в месяц, а техподдержка отвечает все дольше. Потом увольняется единственный приходящий сисадмин — и внезапно выясняется, что паролей от серверов нет, резервные копии не делались год, а новый подрядчик возьмет инфраструктуру без документации с более высоким чеком.

Одна из последних историй из практики. Производственная компания: четыре физических и десять виртуальных серверов, около 150 пользователей, критичные системы — 1С, файловые ресурсы, почта, виртуализация. На уровне ощущений «все работало»: да, были сбои, но их списывали на нагрузку и «особенности 1С». Когда владельцы задумались о росте производства, выяснилось, что никто не знает, выдержит ли текущая инфраструктура этот рост. Аудит показал: нет централизованных обновлений и нормальной антивирусной защиты, не хватает дискового пространства на ключевых серверах, виртуализация без отказоустойчивости, нет резервных копий для важных баз и беспорядок в Active Directory. Формально все еще «работало». Фактически компания жила на пороховой бочке: один серьезный сбой или вирусная атака — и производство встает надолго.

Мы разобрались с асинхронщиной, идемпотентностью и моками. Код выглядит хорошо. Тесты проходят. Но когда проект вырастает до тысячи тестов, начинают падать вещи которые падать не должны, и причина почти никогда не в логике теста.

Причина в архитектурных минах которые заложили месяц назад и забыли. В этой части разберём самые частые из них и настроим ESLint чтобы робот ловил их вместо лида на ревью.

Примеры кода намеренно упрощены для наглядности. Фокус на идее, не на архитектуре.

О том, как одна базовая задумка – сделать разработку управляемой, пережила эпоху тяжелых каскадных проектов, DevOps, CI/CD, и подошла к 2026 году уже в совсем зрелом виде.

Target encoding кажется удобным способом «сжать» категориальные признаки и добавить модели сигнал, но вместе с этим он легко приводит к утечке таргета и завышенным метрикам, которые не переживают прод. В статье разбирается, где именно возникает leakage, почему наивная реализация ломает модель и как правильно считать признаки через LOO и K-Fold, чтобы получать честный результат, а не иллюзию качества.

Есть мнение: раз ты рекрутер, то знаешь рынок изнутри, понимаешь, как устроены собеседования, и по вакансиям сразу видишь, чего хочет работодатель. Это не так

Пишет Катя, ИТ-рекрутер Outlines Tech. Я в найме с 2013 года, но когда сама выходила на рынок, то сталкивалась с тем же, что и многие: ожиданиями, сомнениями, непонятными отказами со стороны компаний и ситуациями, которые трудно объяснить логикой. Хочу поделиться несколькими такими историями из моего опыта и что я из этого почерпнула.

Когда в медиа появилась новость, что выращенный в лаборатории мозговой органоид научили решать задачу управления, многие увидели в этом очередную научную сенсацию из серии «человечество создало живой компьютер». Другие, наоборот, отмахнулись: мол, это красивый эксперимент, который не имеет отношения к реальной индустрии и никогда не выйдет за пределы научной статьи. Обе реакции понятны, но обе упускают главное.

Ценность подобных работ в другом: они показывают, что на стыке вычислительной техники, нейронауки и биоинженерии постепенно формируется новое поле, в котором вычисление перестает быть исключительно задачей кремниевой электроники в ее привычном виде. Еще недавно разговор о нейроморфных системах воспринимался как смесь академической романтики и идеологического футуризма. Но теперь у этого разговора появляются собственные артефакты — метрики, архитектуры, платформы, ранние продукты и, что особенно важно, инженерные ограничения, которые уже можно обсуждать всерьез.

Поговорим о том, что такое нейроморфные вычисления, почему ими занимаются не только нейробиологи, но и крупнейшие технологические компании, почему между лабораторным прототипом и настоящим рынком лежит огромная дистанция и как, несмотря на разрыв, за развитием этой сферы уже стоит следить почти так же внимательно, как когда-то за первыми GPU-ускорителями, квантовыми компьютерами или edge AI.

Всем привет! Я Ольга Матушевич, преподаватель курса «Нейросети для бизнеса», а в прошлом наставница на курсе «Аналитик данных». В этой статье я постараюсь дать рецепт хорошего промпта на все случаи жизни. Если вы пользуетесь популярными нейросетями вроде ChatGPT или Gemini, но при этом получаете стабильно разочаровывающие результаты — читайте дальше.