Kurgan-Telecom Ru | Информационные технологии

Когда регулярно ревьюируешь чужой код или менторишь младших коллег, начинаешь замечать паттерны. Есть ошибки, которые кочуют из скрипта в скрипт, и совершают их не только джуны, но и вполне уверенные специалисты.

Сегодня разберем пять неочевидных нюансов SQL, которые могут незаметно исказить бизнес-метрики, сломать воронку или просто заставить базу выполнять лишнюю работу.

Не успели мы опомниться от предыдущего релиза пару дней назад, как 5 марта 2026 года OpenAI официально представила нам уже 5.4 в ChatGPT, API и Codex. Внутри самого ChatGPT модель идет как GPT-5.4 Thinking, так и в GPT-5.4 Pro. 

Нам дают улучшенную версию для набора задач, где собрать фактуру, удержать контекст, пройтись по инструментам, проверить себя и выдать результат. Именно на это OpenAI делает основной акцент в официальном анонсе.

Но, как обычно, одно дело - красивый релизный пост, другое - что из этого реально работает. Давайте попробуем разобраться.

Если же вы сами хотите покопаться в новой модели и протестировать ее на разных задачах, обратите внимание на рейтинг виртуальных карт, собранных на нашем сайте. Сравнивайте условия, выпускайте карту и с помощью нее оплачивайте подписку ChatGPT через официальный сайт. Также 20 марта на Paybeam появится возможность оплаты ChatGPT и других нейросетей без выпуска виртуальной карты, stay tuned.

Привет, Хабр!

Меня зовут Андрей, я – специалист по оптическим системам, расчётчик и конструктор в одном лице.

Это четвёртая, последняя и самая сложная статья из курса основ прикладной оптики, который был создан несколько лет назад для внутреннего обучения CV-разработчиков в моей компании.

В этой статье мы поговорим о разрешающей способности: насколько чётко и насколько далеко может увидеть конкретный объектив с конкретным сенсором.

Статья сочетает как упрощённые идеи из теории оптических систем, так и мой личный опыт, накопленный при работе с системами технического зрения.

На прошлой неделе Хабр опубликовал материал о том, как компании платят до 300 000 рублей в месяц за «скрытый аутсорс» задач в ChatGPT. История получила резонанс — но обсуждение ушло не туда. Говорили о доверии, об этике, о трудовом договоре.

Никто не спросил о главном: а как вы вообще проверяете, что задача была выполнена — агентом или человеком? И была ли она выполнена вообще?

В открытом демо-пайплайне dcl-eval-pipeline-demo я показала, как аудировать поведение агентов на практике. Теперь разберём, почему это критично и как построить полноценный слой верификации — вплоть до готового инструмента, который можно скачать и запустить прямо сейчас.

Это не риторический вопрос. Это архитектурная дыра, которая сейчас присутствует практически в каждой агентной системе. Называется она fabricated execution — ситуация, когда агент возвращает результат, не выполнив задачи, или выполнив что-то принципиально другое, оформив под видом запрошенного.

Это продолжение серии. Если вы не читали первую часть, рекомендую начать с неё: https://habr.com/ru/articles/1000766/

Вы спокойно работаете, и тут к вам приходит продакт с вопросом по A/B-тесту, который запустили две недели назад. «Ну что, мы уже набрали достаточно трафика? Можно подводить итоги?».

И всё бы ничего, но есть нюанс: на встречу по дизайну этого эксперимента вас позвать забыли. Длительность никто не считал, MDE (Minimum Detectable Effect) не фиксировал.

Чтобы ответить на вопрос продакта, вам нужно посчитать MDE с учетом текущего размера выборки и дисперсии, а затем сравнить его с порогом практической значимости. Выгружать сырые данные только ради того, чтобы посчитать дисперсию в моменте — занятие довольно муторное, особенно если речь идет о неконверсионных (непрерывных) метриках. Даже на highload-проектах, где данных море, тратить время на лишние ETL-операции ради промежуточного чека совсем не хочется.

Но, к счастью, у вас под рукой есть A/B-платформа, которая уже услужливо посчитала доверительный интервал. Например, она показывает вам отложенный эффект: 2% ± 1.5%.

Держите лайфхак: берем половину ширины доверительного интервала (те самые 1.5%), умножаем на 1.43 и получаем наш текущий MDE.

Давайте разберем математику, которая за этим стоит.

Изначально, в этой части цикла я планировал разместить объемный материал про установку Git, Cursor, изначальную настройку и видео с ходом реализации проекта с первых строк, но реакция читателей показала, что написать нужно совершенно о другом.

Сайт на Тильде есть, трафик идет, но 20% заказов теряются в Telegram, а менеджеры работают вслепую. Покупать дорогую CRM или писать свой бэкенд?

Пока одни стартапы гонятся за прибылью, а другие за хайпом, компания Anthropic, создавшая Claude, умудрилась ввязаться в публичную ссору с Пентагоном, отказавшись поставлять технологии для слежки и автономного оружия. И знаете, что произошло дальше? Рынок ответил овациями.

Пока Пентагон клеймил компанию как «риск для цепочки поставок», простые пользователи и крупнейший бизнес устроили Claude настоящие золотые дожди. Только за первые выходные марта 2026 года приложение Claude взлетело на первое место в App Store в США и ещё в 15 странах, включая Канаду, Францию и Японию. Ежедневные загрузки в Штатах достигли 149 тысяч, обогнав самого ChatGPT, у которого в тот же день было 124 тысячи.

Но давайте по порядку. Как получилось, что скромный ИИ-помощник, созданный группой философов и инженеров, всего за три с половиной года дорос до оценки в 380 миллиардов долларов и начал откусывать куски от многомиллиардного пирога софтверных гигантов вроде Zendesk и UiPath? И при чём тут двое влюблённых, конкуренция с OpenAI и новая конституция, в написании которой участвовали католические священники? Давайте разбираться.

Приятного прочтения!

«При виде этой простой диаграммы я испытал, вероятно, то же, что почувствовал Эйнштейн, когда он вывел свою знаменитую формулу E = mc^2.» — Рэй Далио.

Допустим, вы — типичный обитатель этого ресурса. Сидите по 10 часов перед экраном, компенсируете магнием и омегой-3, мониторите HRV через Oura или Apple Watch, слушаете Хабермана, ходите в зал три раза в неделю, спите по трекеру. Вы, возможно, даже знаете, что такое глимфатическая система и зачем нужен глубокий сон. И всё равно — что-то не складывается. Может энергии не хватает, или шея хронически зажата, сон нестабилен, тревога фоновая, а последний ОРВИ длился три недели вместо пяти дней.

Знакомо? Тогда у меня для вас новость: вы дебажите симптомы, а не архитектуру.

Современный биохакинг — это попытка чинить систему перебором драйверов. Для обычного пользователя — нормальная стратегия. Но вы же не обычные пользователи. Вы — люди, которые умеют читать логи, понимают, что такое архитектура, и знают, что перебор драйверов без понимания, какая подсистема сбоит, — это не дебаг, а карго-культ. Так вот: у организма есть архитектура. И её можно описать.

Я потратил изрядное количество времени на то, чтобы собрать воедино результаты шести независимых областей нейронауки, которые последние 30 лет, каждая по-своему, приходят к одному и тому же выводу: информационные состояния высшего порядка реально, измеримо, через конкретные биохимические каскады влияют на физиологию. И написал научную статью (PDF на английском), в которой эти разрозненные наблюдения собраны в единый фреймворк.

Эта статья на Хабре — попытка рассказать о том же самом человеческим языком, с IT-аналогиями, практическими выводами и без единой мантры.

Всем привет! Разработка интерфейса платформы для риелторов — задачка нетривиальная. В этой статье я расскажу о том, как мы делаем наш интерфейс понятным и дружелюбным.

Как я заменил Excel-сводные на Telegram-бота и ускорил контроль потерь на складе

Я автоматизировал рутинный процесс, который постоянно отъедал время: сбор выгрузок, построение сводных в Excel, перенос результатов в Google Sheets и ручной контроль повторений. Теперь всё делается одной кнопкой в Telegram: бот берёт последний файл из папки на Яндекс.Диске, обрабатывает данные и выкладывает готовую витрину в Google Sheets. Отдельно он показывает товар, который начнёт списываться в ближайшие 24 часа — это стало не просто ускорением, а новым инструментом управления потерями.

Сегодня предлагаю вам вообразить, будто некий безумный учёный вдруг решил воспроизвести инфекции из игр на основе реальных аналогов. 

C вами Аскар из Plati.market, и давайте вспомним самые известные игровые патогены, заболевания и эпидемии. Проведём параллели с существующими на самом деле микробами. Разберёмся, могут ли действительно наши земные бактерии и вирусы стать субстратом для превращения людей в зомби и вызвать другие катастрофические последствия. Рассмотрим, чего им для этого не хватает. А, может быть, и убедимся, что в чём-то они даже превосходят своих фантастических «коллег».

2026 год. У вас 8–16 ядер в ноутбуке. M-чипы летают.

Swift компилируется параллельно.

Вы нажимаете ⌘B – и одно ядро уныло крутится на 100% загрузки, пока остальные отдыхают.

Добро пожаловать в мир однопоточной компиляции Asset Catalog’а.

В этой статье я покажу, почему Asset Catalog тормозит сборку и как заставить Xcode использовать больше ядер CPU. Пошагово и с примерами.

Для передачи аналоговых сигналов по цифровым каналам связи необходимо провести их дискретизацию, для чего необходимо выбрать частоту дискретизации. В большинстве случаев стоит задача минимизации потерь информации при дискретизации и для достижения этого используется теорема Котельникова (теорема отсчетов, теорема Найквиста-Шеннона). Наличие нескольких названий у теоремы объясняется тем, что Котельников в 1933 году опубликовал статью с доказательством теоремы в сборнике трудов конференции, посвященной 15-летию РККА (Рабоче-Крестьянской Красной Армии). Естественно, что этот сборник не был издан за границей и теорема Найквиста-Шеннона появилась через несколько лет совершенно независимо.

В общем случае дискретизация состоит в замене непрерывного сигнала  набором дискретных значений, которые могут быть представлены как  результат свертки сигнала x(t) с весовой функцией φ(t). В идеальном случае, когда  в  качестве  функции φ(t) используется δ-функция, результатом дискретизации являются мгновенные значения входного сигнала, используемые в теореме Котельникова. Дискретизация изменяющихся во времени сигналов при φ(t) ≠ δ(t)  приводит к появлению динамической погрешности.

Грубую оценку характера зависимости динамической погрешности от вида весовой функции и параметров сигнала можно получить следующим образом. Длительность весовой функции φ(t) τφ связана с таким параметром устройства дискретизации, как апертурный сдвиг, или систематическая составляющая времени задержки отсчета, а неопределенность этой длительности Δτφ  – с апертурным временем ta. Характер  изменения сигнала во времени удобно оценивать с помощью корреляционной функции B(t), определяемой, в свою очередь, по амплитудному спектру и не зависящей от формы сигнала. Воспользуемся для сопоставления с длительностью весовой функции τφ интервалом корреляции τк:

Когда выгорает разработчик — это баги в коде и сорванные дедлайны. Когда выгорает тот, кто создал эту команду — это тихая катастрофа, о которой не принято писать в соцсетях. Мы привыкли «держать лицо», быть для всех наставниками и громоотводами, забывая, что под этой броней — живой человек, который тоже может сломаться.

Это разбор того, почему руководители становятся заложниками собственных команд и как системно выбраться из этой ловушки.

2026 год. Нейросети окончательно вошли в раж. Они пишут код, озвучивают ролики и требуют за это электричество и воду.

В какой-то момент кто-то гениальный (или просто отчаявшийся) предложил: “А давайте отправим всё это железо в космос? Там же места полно, энергии – залейся, и никому не мешаем!” Звучит как идеальный план. Илоны Маски мира уже потирают руки и рисуют чертежи мегасозвездий из миллионов спутников. Но есть одно “но”.

Пока одни считают будущую прибыль, другие – скептики – указывают на пять фундаментальных препятствий. Три из них – просто вопросы денег и технологий. Но оставшиеся два – это железобетонные столпы мироздания, с которыми не поспоришь. И именно они, скорее всего, поставят на паузу космическую экспансию ИИ.

Добро пожаловать в мир, где даже самый умный алгоритм разбивается о суровую физику вакуума. Перед вами — пять причин, почему законы физики жёстче любого технического задания и почему орбитальный ИИ-центр обработки данных пока остаётся не более чем смелой фантазией.

Всем привет. В ходе этого материала вы узнаете:

1. Как сделать простой рендер на c# в MonoGame

2. Что использовать, чтобы вызвать python из c#

3. Почему пункт 2 - это плохая идея

4. Как MonoGame игру сбилдить в web/html с помощью его форка KNI

Пристёгивайтесь, будет весело!

Высоконагруженная система. Несколько миллионов страниц. Много сервисов, много данных. Имеются кэши разного уровня. Возникла идея сделать полный html кэш страницы. Достаем с полки nginx, ставим перед системой, включаем кэширование запросов. Работает. Но как быть, если данные изменяются? Надо сбрасывать кэш.