Kurgan-Telecom Ru | Информационные технологии

Нефтяные компании строят цифровые двойники по этапам, и десятки систем плохо передают данные друг другу. Сравнил три открытых проекта: «Газпром нефть» со «Сбертехом», «Роснефть» и норвежскую Aker BP. Что они связывают, в каком порядке и с кем, и чего в открытых данных пока нет.

Меня зовут Антон Соколов, я независимый отраслевой аналитик. Пишу о том, как российские промышленные компании заменяют зарубежный софт.

Привет, Хабр! Это первая статья уже в блоге M2 Holo Lab. До этого я писал со своего аккаунта: сначала как крутить 3D-модели голыми руками через обычную вебку, потом про мозг, мышь, дом и ДНК.

Если вкратце: M2 это 3D-лаборатория в браузере. Камера следит за руками, а ты жестами крутишь, разбираешь и собираешь модели. Руки распознаёт MediaPipe, рисует Three.js, видео с камеры никуда не уходит.

После прошлых статей мне стали писать учителя, и сейчас у меня планируется пилот со школой. И вот тут вылезла проблема, о которой я дома даже не думал. Учитель стоит перед камерой, а за спиной у него сидит класс. У каждого тоже есть руки, и камера видит их все.

Ниже расскажу, как я научил M2 слушаться только того, кто ведёт урок. Без датчиков глубины, без второй камеры и без новой нейронки. Только те же 21 точка на руку, что и раньше.

Доступ к ресурсам в Zircon, микроядре операционной системы Fuchsia от Google, построен на том, что процесс работает с объектом ядра только через дескриптор, а права этого дескриптора задают, что с объектом можно делать. Такая модель задумана как основа безопасности и модульности системы: ошибка в драйвере не должна превращаться в угрозу целостности ядра.

Допустим, один процесс передаёт другому дескриптор объекта ядра с урезанными правами. Как убедиться, что получатель ни в одном сценарии не окажется с правом, которого не было у отправителя? Для ответа на этот вопрос мы построили в Isabelle/HOL учебную модель фрагмента capability-механизма Zircon и доказали это свойство для всех состояний, достижимых из корректного старта. Модель показывает и предел гарантии: один привилегированный обход через MMIO, прямая запись в память объекта, ломает изоляцию, хотя проверка прав остаётся на месте.

С GPT Image 2.6 кадр можно ждать на треть меньше и платить за него столько же, сколько в GPT 2.5. Так вышло в сравнении GPT Image 2.6 vs 2.5 на 14 задачах: промпты и надписи русские, время я засекал на каждом кадре. Но вычитка всё равно нужна: в таблице элементов новая версия написала «Матний» вместо «Магний». Покажу, где GPT 2.6 выигрывает, где разницы почти нет и какие ошибки остаются у обеих версий.

OpenAI обещает, что GPT 2.6 генерирует на 50% быстрее. 14 задач - это 16 кадров, потому что талисман идёт в 3 хода. У GPT 2.6 они заняли примерно 10 минут, у GPT 2.5 примерно 15, время упало на треть. Если 50% - это вдвое меньше ожидания, то обещание не сбылось. Если же 50% - это в 1,5 раза больше кадров за то же время, то сбылось: 15 минут против 10.

Обычный вечер просмотра вакансий: открытая вкладка hh, десяток вакансий, просмотренных по диагонали, и мысль «завтра откинусь на те пять, что понадёжнее».
Завтра их уже нет. На ходовую вакансию боты ставят отклики каждые четыре секунды. Я замерил однажды: 264 отклика за первые 18 минут.
Твоё место в очереди к HR решает не резюме — решает то, успел ли твой отклик попасть в первую минуту жизни вакансии.

Я энтузиаст, поэтому сделал то, что делают программисты — автоматизировал.
Но не в лоб: за два дня «скрипта, который откликается на всё подряд» HR заносит тебя в личный чёрный список, а письма по шаблону «здравствуйте, очень заинтересовала ваша вакансия» видны за версту.

Получился снайпер. Система каждую минуту проверяет свежие вакансии, дешёвыми правилами отрезает очевидный мусор, оставшихся читает LLM и скорит на соответствие моему резюме — уверенный выстрел уходит сам, сомнительный ложится в парковку и падает мне в Telegram с кнопкой. По уставу.

Девятнадцать дней в работе. 13 648 вакансий просеяно, 40 откликов, ни одного на вакансию стоматолога.
Хотя стоматологов система видела десятки. И не спросила у меня ни копейки за их прочтение, об этом ниже.

Как она устроена, где я ловил сам себя и почему письмо, которое уходит HR, не пишет ни одна нейросеть.

Ylem - медитативный симулятор первых 400 000 лет Вселенной, от кварк-глюонной плазмы до момента, когда Вселенная стала прозрачной. Это упрощённая, казуальная версия космологической модели. В ней не нужно бороться за цифры: можно просто наблюдать, как из плазмы собираются ядра и атомы, и немного в этом участвовать, меняя темп расширения и плотность вещества. При этом под картинкой работают модели, принятые в науке. Подгоночных коэффициентов нет, результат сходится с научным кодом AlterBBN и, как и он, даёт втрое больше лития, чем находят в старых звёздах.

Привет, Хабр! Меня зовут Максим Кишмерешкин, я аналитик JET CSIRT. Наша команда ведёт мониторинг инфраструктуры заказчиков и расследует реальные инциденты.

Самые опасные хакерские атаки строятся не на экзотических эксплойтах из фильмов, а на программах, которые есть почти на любом рабочем компьютере: стандартных утилитах Windows, архиваторе, привычных бизнес-приложениях. За последние два года мы вместе с коллегами собрали техники и тактики злоумышленников из наших реальных расследований — и я хочу показать их вам.

Когда я разбираю инциденты, то вижу, что по арсеналу атакующие делятся на три своеобразные касты, я назвал их Скрипт-кидди, кодмастеры и грандмастеры. Главное различие между ними — в том, как и какими инструментами они пользуются. Покажу каждый уровень, разберу по косточкам одно свежее расследование, а потом расскажу, что помогает останавливать такие атаки.

Мы продолжаем рассказывать об истории компании Siemens. В предыдущей части речь шла о бизнесе после Второй мировой войны. В этой поговорим о конце прошлого и начале нынешнего века.

[картинка: habr-09-kdpv.jpg]

Мораторий на проверки малого и среднего бизнеса - самое повторяемое слово в осенних пересказах для бизнеса, и почти всегда без единого числа. Мне надоело цитировать чужие пересказы, и я пошёл в первоисточник: единый реестр контрольных (надзорных) мероприятий, который ведёт Генеральная прокуратура, отдаёт свои данные файлами, без регистрации и капчи. Я скачал октябрьскую выгрузку, разобрал два с четвертью гигабайта разметки и посчитал. Плановых проверок за октябрь 2026 года в реестре ноль. Внеплановых - 48 292, и у 37 тысяч из них в записи стоит субъект МСП. Ещё 218 673 записи - профилактические мероприятия, о которых в пересказах моратория не пишут вовсе.

Ниже - метод, нормы и числа со снимка 3 ноября 2026 года. Этот разбор не является юридической консультацией и рекомендацией: решение по своему случаю остаётся за вами.

Когда я проходил онбординг в нескольких командах, я повидал три варианта использования сервиса: прямой импорт инстанса, инверсию через фабрику, реализация на абстрактных методах для запросов к бэку.

Все эти три способа очень похожи и приводят нас к одинаковым проблемам. В статье разберём их и поговорим о том, почему «дикие» глобальные синглтоны в React — это антипаттерн, и пошагово пройдём путь эволюции архитектуры от простых хуков до предсказуемого DI на React Context.

Всем привет! На HardFest 2026 я рассказывал о безопасности серверов до загрузки ОС. В этой статье разберем, как устроена предзагрузочная среда, какие уязвимости встречаются в UEFI и BMC и что может сделать производитель оборудования, чтобы снизить риски их эксплуатации.

1 октября 2026 года в России заработала норма, которая превращает привычную фразу «нужны люди на смены» в вычислительную задачу: если самозанятый превышает 60 часов работы в месяц на одного заказчика через онлайн-сервис полгода подряд, сервис обязан заблокировать этой паре заключение новых договоров. Ограничение действует до 1 октября 2032 года.

Звучит как очередная юридическая новость, мимо которой можно пройти. Но если разобрать формулировку критерия, оказывается, что за «60 часами» спрятана нетривиальная конструкция: помесячный счётчик с обнулением, жёсткая привязка к паре «исполнитель - заказчик» и срок срабатывания, который легко пропустить. Ниже - разбор арифметики нормы по слоям: что именно считается, как обнуляется и в какие ловушки попадает любое планирование по старым правилам.

Собрать по кускам БЯМ и сшить из неё ассистента, отличающегося умом и сообразительностью, выливается в солидную копеечку. Выясняем, сколько в итоге нужно потратить на ChatGPT и прочих флагманов столь непростой индустрии.

С появлением ИИ вопрос «что у нас в проде» усложнился. Когда мы говорим о безопасности приложений, у нас уже есть устоявшийся набор инструментов: SAST смотрит на код, SCA на зависимости, Secrets на утечки ключей, DAST на работающее приложение. Но как только в продукте появляется ИИ-компонент (агент, модель, векторное хранилище, датасет), то привычные сканеры перестают отвечать на главный вопрос: из чего вообще состоит эта ИИ-система и какие у неё дефекты?

ИИ-модель – это не просто файл с весами. Это адаптеры, промпты, MCP-серверы, конфигурации инференса, обучающие данные, ML-библиотеки, ноутбуки и пайплайны. Каждый из этих элементов – потенциальная точка отказа и потенциальный вектор атаки. И, что важнее, большинство из них никто не объявлял: они появились в репозитории «сами собой», и о них не знает ни CISO, ни AppSec-команда.

В этой статье разберём, как MLSecOps-сканер, встроенный в INFERA AI.SafeCode, определяет состав ИИ-системы, какие дефекты он ищет и почему реестр ИИ-активов – это не бюрократия, а важный инструмент контроля в современных процессах разработки.