Kurgan-Telecom Ru | Информационные технологии

В первой статье я описал эксперимент с автономным ИИ-агентом и предложил модель слоёв исполнения:
агент должен понимать, на каком уровне системы он сейчас работает и где именно возникла проблема.

Если в предыдущем эксперименте слои выглядели так:

Мы строим карьеру на умении решать сложные задачи, но часто пасуем перед задачами, на первый взгляд, простыми, но такими важными — теми, что затрагивают не техническую область, а область человеческих отношений. Наш логический ум способен разобрать любую систему на компоненты. Почему же он отключается, когда речь заходит о трудном диалоге с руководителем, коллегой и даже близким человеком.

Задумывались ли вы, что аналитика до того, как вы открыли рот и начали диалог, может быть, столь же важна, как код-ревью до запуска программы в продакшен?

Эта статья о том, как использовать главный профессиональный навык проведения анализа — аналитическое мышление — для подготовки к самым важным диалогам на работе и в личной жизни. Мы разберём, что происходит, если этого не делать. Вы узнаете, как, используя аналитические инструменты, распутать сложный клубок проблем и определить последовательность их разрешения в самых важных для вас диалогах.

Все началось с комментария для СМИ про атаки на умные гирлянды. Мне стало, во первых интересно разобраться глубже, а во вторых, показалось, что мне есть, что сказать по теме. Зря я что-ли два года продвигал решения по защите промышленных сетей и АСУ ТП. Умные гирлянды - это подвид IoT, умного дома или умного офиса. А умный дом – это частный случай промышленной сети. Но это не точно! Отсюда вывод - проблемы безопасности промышленных сетей наследуются умным офисом, домом и умными гирляндами, в частности. Вообще любым умным девайсом. Поэтому я буду писать умный дом(не буду брать его в кавычки) и при этом буду иметь ввиду умный дом, умный офис, умные гирлянды и IoT, в принципе. На промышленные сети тоже можно натянуть.

Хабр, привет!

Мы с коллегами в отделе аналитических исследований регулярно подводим киберитоги года: рассказываем, кто кого атаковал и как это было: цифры, факты, реальные истории атак. В этой статье речь пойдет о том, как выглядел мировой ландшафт киберугроз в 2025 году: какие отрасли подвергались кибератакам, кто приложил к этому руку, какими техниками пользовались киберпреступники — о тех сложившихся ИБ-трендах, которые найдут отклик в ближайшем будущем.

Команда AI for Devs подготовила перевод подробного гайда по Claude Code — от skills и хуков до MCP, субагентов и плагинов. Автор делится реальным сетапом после месяцев ежедневной работы и показывает, как выжать максимум из Claude Code, не убив контекст и производительность.

Наверняка многие из вас ловили этот момент. На часах 02:00, вы наконец-то захлопываете крышку макбука. Глаза песочит, поясница ноет. Вы ложитесь в кровать и... тишина. Физическое тело истощено в ноль, но в голове на максимальных оборотах продолжает крутиться бесконечный цикл while(true). Вы рендерите архитектуру, прокручиваете недавний напряженный синк с продактом, дебажите код без монитора и пытаетесь оптимизировать SQL-запрос, который уперся в потолок по I/O.

Утром вы просыпаетесь с ощущением, что по вам проехал каток. Первая мысль: дожить до кофемашины. Вторая: дожить до выходных.

По-моему, наша IT-индустрия совершила фатальную ошибку, когда романтизировала депривацию сна. Мы привыкли относиться ко сну как к досадной необходимости. Как к выключению из розетки (sudo shutdown -h now), во время которого система просто простаивает и не приносит пользы бизнесу. Но если копнуть в современную нейробиологию, выяснится неприятная вещь. Сон является самым ресурсоемким и активным процессом обслуживания нашей системы. Если мы не спим, мы не «работаем больше». Мы просто копим критические ошибки в ядре.

Давайте разберем эту проблему так, как мы привыкли: через архитектуру, дебаггинг и системные протоколы. И начнем, пожалуй, с главного бага в нашей прошивке.

Несмотря на использование биологических аналогий, предлагаемый метод не относится к quorum sensing clustering в классическом смысле.
В работах, вдохновлённых quorum sensing, сигнал напрямую связан с локальной плотностью и используется как механизм адаптивного выбора радиуса влияния или порога плотности. Фактически такие методы остаются плотностными моделями кластеризации с биологической мотивацией (см., например, arXiv:1303.3934).

В предлагаемом подходе сигнал имеет иную природу.
Он не отражает количество соседей и не служит индикатором принадлежности к кластеру, а представляет собой внутреннее бинарное состояние агента, определяющее режим его локального взаимодействия с окружением.

Кластеризация в этой модели не является результатом разбиения пространства по геометрическим признакам. Она возникает как побочный эффект динамики, в которой устойчивые коллективные режимы поведения формируются, стабилизируются и защищаются через локальные правила взаимодействия.

Для Альтмана игра почти окончена

Как первые клубы дыма, поднимающиеся от «Гинденбурга», ранние предупреждающие знаки о неминуемом и неизбежном катастрофическом разрушении OpenAI теперь неоспоримы. Это проблема, потому что в отличие от «Гинденбурга», который нёс груз богатых элит, груз OpenAI - это экономика США. Мы все видим дым. Однако команда дирижабля OpenAI, его фанатичные пассажиры и недалёкие люди, которым поручено заботиться о его драгоценном грузе, достигли уровня массовой истерии безумного отрицания и утверждают, что всё в порядке и что они на самом деле на курсе к приземлению в раю. Между тем остальные из нас знают, что нет дыма без огня, и даже крошечная искра может взорвать эту гигантскую бомбу прямо нам в лицо. Вот как OpenAI вот-вот рухнет, как «Гинденбург».

В эпоху цифровизации, Вы когда-нибудь задумывались, существуют ли способы значительно снизить затраты на разработку ИТ-решений? И речь не про жалкую экономию в 5-10%, а именно экономию в разы, когда от прототипа до ввода в промышленную эксплуатацию - достаточно несколько дней разработки. Не месяцы, не годы, а именно дни. Особенно это актуально для инжиниринговых, конструкторских или производственных компаний, которые по своей сути не являются разработчиками ИТ, но вынуждены здесь и сейчас обеспечивать собственные нужды различными ИТ-решениями.

За 8 дней частичной занятости я собрал RAG-систему на NestJS + PostgreSQL (pgvector), которая обрабатывает ~11 000 чанков документов.

Первая версия отвечала около 4 минут, после оптимизации - 40–60 секунд.

Главный вывод: RAG - это не «векторный поиск + LLM», а в первую очередь подготовка данных, фильтрация контекста и аккуратная работа с промптами.

Оценивать технических кандидатов становится всё сложнее по мере роста возможностей ИИ. Тестовое задание, которое сегодня хорошо разграничивает уровни квалификации, завтра может быть тривиально решено моделью — и полностью потеряет ценность как инструмент отбора.

Разбираем бинарный формат Firebird по байтам: структура страниц, транзакции, MVCC. Пишем утилиту на Delphi для восстановления данных, когда gfix и gbak бессильны.

Вряд ли Стивен Сассон, инженер компании Kodak, понимал, какой гвоздь вбивает в крышку гроба своего работодателя. В 1975 году он  представил новейшую разработку: устройство на CCD-матрице, разрешением 100 на 100 светочувствительных элементов. Устройство могло фиксировать яркость по каждому элементу и записывало результат на магнитную пленку. 

Это событие считается важнейшей вехой в появлении цифровой фотографии. 

Появление “цифры” резко изменило сам подход к фото. И дело не только в том, что появилась возможность моментально смотреть результат съемки или делать неограниченное число кадров. Изменилась сама концепция фотографии. Именно про это мы и поговорим сегодня. Обсудим техническую реализацию цифровых камер, особенности их конструкции, затронем обработку. И, конечно же, уделим время вычислительной фотографии. Добро пожаловать в мир без пленок!

X опубликовали репозиторий с исходным кодом своих рекомендательных алгоритмов в 2023 году. Там нет конкретных весов и многих переменных, но есть общие принципы. По репе можно понять общую механику того, как именно контент попадает в ленту.

Похожие рекомендательные системы используются и в других соцсетях.

Главная проблема — из сотен миллионов ежедневных твитов невозможно прогнать через тяжелую Ranker-нейросеть каждый. Поэтому используются быстрые алгоритмы, чтобы отобрать топ кандидатов (конкретное число скрыто в params.rs). Для out-of-network контента X использует SimClusters — алгоритм, который находит сообщества пользователей с похожими интересами. Если вы попали в кластер "Любители Rust", а пост популярен в этом кластере, он попадёт в кандидаты, даже если вы не подписаны на автора.

Потом идёт второй этап — Grok-трансформер, который для отобранных кандидатов предсказывает вероятность 19 различных действий (лайк, ретвит, ответ, шер в личку и другие).

«Сколько платят в QA» — вопрос не про цифры, а про роль. Анализ зарплат QA-вакансий за 2025 год по данным 2500 объявлений показывает, почему manual и junior остаются в нижнем сегменте рынка, а automation и fullstack-специалисты получают существенно больше.

В начале 2026 года стало понятно, что с рынком видеокарт происходит что-то весьма серьезное. То, что раньше выглядело как временные перебои или спорадические скачки цен, больше не похоже на случайность. За этим стоят вполне конкретные причины — от решений производителей и до того, как сейчас распределяются мощности и ресурсы внутри отрасли. Давайте разберемся, что происходит с поставками видеокарт и к чему это в итоге приводит. Поехали!

В реальности всё полно оттенков: ничего чисто чёрного или белого, то же в машинном обучении, тк решения редко бывают абсолютными. Возьмём задачу: нейросеть анализирует фото еды и определяет, это пицца, суши или салат. Для двух классов хватит сигмоиды, но с несколькими нужна функция, которая раздаст вероятности по всем вариантам, чтобы их сумма была точно 1. Вот где и выходит SoftMax- стандарт для многоклассовой классификации. Сегодня разберём её от А до Я: интуицию, шаги, формулы и хитрости.

Вы всё еще считаете ширину дорожек по калькулятору? Поздравляю, вы вступили в секту «Я верю стандарту, потому что его написали умные люди». Правда в том, что ваши расчеты — это фейк-ньюс, основанный на «черновике» 70-летней давности. В этой статье мы похороним «золотые правила» топологии, разберем, почему ваш многолетний опыт мешает вам проектировать современные платы, и выясним, как слепое следование гайдам привело к краху топовых видеокарт RTX 3080. Читать на свой страх и риск: после этого ваша инженерная реальность никогда не будет прежней.

Атли уже 15 лет обучает бизнесменов и топ-менеджеров креативности и инновациям. Через его курсы прошли миллион человек по всему миру. Сегодня он работает как педагог и исследователь: учит и изучает, как люди могут раскрыть и усилить свои творческие способности, используя ИИ.

Привет, Хабр! (И тебе, случайный читатель, который думает, что "код - это магия", а процессор - маленький гномик, который внутри ноутбука читает for i in range(10) и послушно бегает кругами.)

Сегодня разберёмся с вопросом, который в какой-то момент приходит в голову каждому разработчику, а потом быстро вытесняется дедлайном:

Как вообще компьютер “читает” Python или 1С или любой другой язык программирования, если он понимает только 0 и 1? И почему ваш идеальный код иногда превращается в "segmentation fault" / "Неопределённая ошибка" / “Пользователь не найден (хотя он сидит напротив)”?

Вот и мне спустя годы в разработке пришла идея изучить этот ваш старомодный Computer Science и понять вообще, что такое программа и компьютер на самом деле.

Поехали. Будет без хардкора уровня “компилятор за 21 день”, но с понятными аналогиями, для статьи упростил всё до минимума. Реально постарался переварить информацию и выдать её в красивой упаковке. Кстати, в статье будут примеры из двух разных миров Python и 1С, так что будет интересно…