Kurgan-Telecom Ru | Информационные технологии

Двое миллениалов, продавших миру за $850 миллиардов нейросети под видом «ИИ», смотрят на тебя со свежей обложки журнала Time. Они пытаются выглядеть дружелюбно, но получается, честно говоря, эффект зловещей долины. Подпись огромными буквами «ДОВЕРЬТЕСЬ НАМ» смотрится как издевательство, но нет, это они серьезно. В материале под обложкой Альтман и Брокман ОПЯТЬ обещают создать «настоящий ИИ» (а какой был до этого?) — в этот раз до конца 2026 года. Верим?

В этом материале я расскажу, почему громкие новости о том, что «AI-агенты» кого-то «взломали по своей инициативе» это просто крупнейшая в истории пиар-кампания — и как она должна прикрыть крупнейшую в истории финансовую пирамиду, основанную на заведомо ложной интерпретации понятия «искусственный интеллект». 

А еще под катом — почему Ричард Докинз, признавший наличие у «ИИ» сознания, не сошел с ума на старости лет, а попался в ловушку собственного же сциентизма (и влияния Дэниэла Деннета).

Устраивайтесь поудобнее. 

Т.к. моя деятельность напрямую связана с ИИ, углубился в историю создания и решил поделиться с вами интересными моментами и заметками.

История вопросов, касающихся создания искусственного интеллекта, уходит ещё вглубь XX века. Уже тогда предлагалось понятие искусственной нейронной сети и обсуждалось устройство, которое могло бы моделировать процесс человеческого восприятия. В течение столетия вопрос о потенциале искусственного интеллекта поднимался неоднократно: люди разочаровывались в подобных идеях, а потом воодушевлялись снова.

Скачок в развитии ИИ произошёл уже в XXI веке. После основания организации OpenAI в 2016-2017 годах начался период развития, ранее не имевшего схожих темпов. Особую роль в развитии ИИ сыграли модели GPT и DALL-E, начиная с 2018 и 2021 годов соответственно.

2022 год ознаменовался резким скачком в развитии как текстовых моделей, так и тех, которые создавали изображения из текста. Уровень детализации некоторых изображений был настолько высоким, что порой их было трудно отличить от реальных изображений. Благодаря этому скачку многие компании начали развивать свои модели, что способствовало появлению на рынке новых инструментов ИИ. 

С этого момента ИИ мог внедрялся в сайты и различные чат-боты для удобства пользователей и их непосредственного взаимодействия с нейросетями.

Модель GPT неоднократно дорабатывалась и улучшалась, дойдя до версии 5.6. Нейросеть за годы развития получила колоссальный объём функций и возможностей: научилась аналитике, разумному мышлению и имитированию человеческого процесса размышления.

У вас есть бэкапы? Хорошо, лёгкий вопрос. А когда вы в последний раз восстанавливали из них хотя бы один файл? Вот она неловкая пауза, понимаю… Между «бэкап есть» и «бэкап восстанавливается» находится пропасть, и в неё регулярно падают даже большие компании. Под катом две страшилки из реальной жизни и разбор того, как проверить свои бэкапы до того, как восстанавливать их придётся на боевом сервере.

Фраза «покажите нам всё» звучит как плохое требование. В ней нет конкретного пользователя, перечня показателей, периода, источников и даже понятного результата. Но за ней обычно стоит нормальная потребность: заказчик видит много разрозненных данных, регулярно получает отчёты вручную и боится потерять что‑то важное при переходе к новой аналитической системе.

Проблема начинается, если воспринять эту фразу буквально. Тогда в первый релиз пытаются включить все таблицы, показатели, фильтры и варианты детализации. Система растёт ещё до того, как становится понятно, кто и для чего будет ею пользоваться.

Я столкнулся с этим при проектировании BI‑контура для организации, где данные о разных направлениях деятельности уже находились в операционных системах и единой базе, но значительная часть отчётности проходила через выгрузки и ручную обработку. Пользователям были нужны сведения об учебных процессах, финансах, задолженностях, движении контингента, нагрузке и других направлениях. На верхнем уровне запрос действительно можно было свести к формулировке: собрать всё в одном месте.

Но «всё» нельзя использовать как границу проекта. Его сначала нужно разобрать на решения, роли, показатели, источники и сценарии проверки.

На экране всё выглядело почти живым. Модель за несколько минут собрала страницу с карточками, статусами и бейджами. Казалось, мне можно закинуть ногу на ногу и допить кофе. Но затем код дошел до ревью. Под аккуратным интерфейсом скрывались styled.div, HEX-цвета и пропсы, которых в нашей дизайн-системе никогда не существовало. Получилось то самое лабораторное чудовище, которое хрипло дышит, но в проекте жить не может.

Поэтому я поставил эксперимент с одной фронтенд-задачей, одной моделью и четырьмя одинаковыми копиями проекта. В первом случае оставил агента без подсказок, во втором дал ему скилл с правилами проекта, в третьем подключил MCP с документацией дизайн-системы, а в четвертом совместил всё сразу. Мне хотелось узнать, какая комбинация превратит генерацию кода в эликсир скорости, а какая породит еще одно чудовище, не способное пережить встречу с typecheck и build.

Раньше мне не доводилось заниматься вакансиями и разбираться в их статистике. Но по работе понадобилось понять, почему часть объявлений не даёт нужного результата и что вообще можно вытащить из данных hh.ru.

На одной из вакансий я увидел странную картину: больше тысячи показов, около сотни просмотров — и ни одного отклика. Первая мысль была очевидной: не хватает охвата. Поднять объявление, подключить продвижение, получить больше показов.

Дальше возник простой вопрос: если вакансию уже открыли около сотни человек, зачем первым делом покупать ещё показы? После этого я стал смотреть не только на итоговое число откликов, но и на то, где именно кандидат перестаёт двигаться дальше.

Кейс реальный, но для статьи я его обезличил: обобщил названия некоторых профессий, округлил часть цифр и убрал детали, по которым можно определить работодателя. Общая картина и выводы от этого не меняются.

Купил читалку после Onyx Darwin9, хотелось что‑то с экраном побольше, но при этом тоже более‑менее компактное. Цвет мне не нужен, взял исключительно из интереса — я не так уж часто читаю с читалки, чтобы страдать от пониженного контраста.

Видеоигры – это относительно новый вид искусства и развлечений, относительно новая форма для развития навыков и общения. Но они основаны на тысячелетней культуре человека. 

В какой-то момент они уже обогнали индустрию кино и музыки. И все же находятся в позиции «обвиняемого». Если книга или фильм – это искусство априори, то игре такой статус нужно заслужить. А в глазах части людей это в целом невозможно сделать. При этом именно видеоигры двигают прогресс, когда мы говорим о компьютерах. 

Так почему мы до сих пор должны оправдывать видеоигры и стесняться выходных, проведенных за геймпадом или клавиатурой с мышью?

На дворе сентябрь 2026 года. А техногиганты по-прежнему делают то, что делали всегда: ставят прибыль выше интересов пользователей, игнорируют их выбор и заставляют пользоваться ненужными функциями.

В Vivaldi мы продолжаем работать над улучшением интернета. За 13 лет с момента основания мы не сворачивали с намеченного пути и никогда не забывали о своей миссии: создавать браузер, которого заслуживают люди. Мощный, персонализированный и приватный браузер. Браузер с множеством полезных функций, которые помогут вам получать удовольствие от повседневного сёрфинга в интернете; браузер, в котором можно настроить всё по своему вкусу; браузер, который не следит за вами.

Новая версия не изменяет традиции. Вот что в ней нового:

Разбудите меня ночью и спросите «что нельзя делать с ИИ», и я отвечу «грузить конфиденциальные данные». Это правило должно быть записано у нас на подкорке как таблица умножения. Должно, но не факт, что оно срабатывает во всех 100% случаев, тем более если играться с ИИ не в рабочих, а личных целях. Ну что такого может случиться, если я просто попрошу модель перевести кусок текста с эльфийского синдарина на обычный человеческий?

Если вы такой же тревожный параноик, как я, то внутри для вас несколько простых настроек для чатов с ИИ, чтобы спать спокойно. Да, это не абсолютная гарантия, что ничего никуда не утечет и модель ничему от вас не научится, но, как говорится, береженого Бог бережет.

А еще я покажу полный цикл подключения вашего ключа в ИИ-клиент (сноска: приложение, в которое можно подключить сразу несколько ИИ-моделей от разных поставщиков и работать с ними в одном интерфейсе) на примере ChatBox. Будет интересно тем, кто только начинает свое знакомство с миром ИИ и хочет попробовать безопасно внедрить его в свои процессы.

Вы когда-нибудь подписывали положение о неразглашении коммерческой тайны или положение об информационной безопасности? Наверняка ответ будет положительный. Всё это верхняя часть айсберга, который называется «Регламентирующие документы» (РД). К видам таких документов относятся положения, кодексы, должностные инструкции, приказы по компании, штатное расписание.

Чем сложнее бизнес-процессы и чем сильнее формализована сфера деятельности компании, тем больше таких документов. Мы чтим законодательство, а совокупность внутренних нормативных документов (их еще называют «локально-нормативные акты», «локальные нормативные документы» или «внутренние нормативные документы») — это правовые акты «в миниатюре» и от того, как эффективно выстроена эта база зависит то, насколько хорошо работает организация в целом.

При разработке AI-продукта мы столкнулись с неожиданной задачей. Выбрать LLM оказалось проще, чем выбрать интерфейс для работы с ней. Готовые AI-чаты хорошо подходят для диалога с одной моделью, но начинают ограничивать продукт, если в нем появляются несколько агентов, сложные сценарии и промежуточные этапы работы. В этой статье опишем суть задачи, требования и разберем Open WebUI.

Когда-то мы считали, что перевести нашу внутреннюю админку с Python 2 на Python 3 — задача на грани возможностей. В команде даже ходила легенда, что два разработчика уже пробовали это сделать и после этого увольнялись.

Задача воспринималась примерно как экспедиция на Эверест. Наверное, можно. Но зачем рисковать жизнью? Рисковать своей жизнью не пришлось! У нас появился LLM и я смело отдал миграцию ему. Через неделю у меня была рабочая админка на Python 3 и MR на 600 файлов. До прода было ещё далеко.

Расскажу, про все этапы своего подхода к невозможному. Про новую «рутину» работы с агентами, про важность формализации и как вижу ближайшее развитие агентской разработки.

Случалось ли вам добавлять в Git что-нибудь по ошибке? Если это было что-то вроде функции для дебага, некорректного комментария или случайно скопированного файла, то можно это исправить следующим коммитом. Но сработает ли такое исправление, если вы (или ваш коллега) случайно добавили в репозиторий какой-нибудь секрет? Ключ от стороннего сервиса, логин/пароль от интеграции или даже дамп базы данных или всю папку /private/uploads? На первый взгляд - да, сработает, можно сделать новый коммит и удалить то, что было добавлено по ошибке. Но дело в том, что эти данные все равно останутся в репозитории. По истории коммитов можно вернуться назад во времени (до исправления) и увидеть данные, которых уже нет в последней версии репозитория.

Вам стоит кое-что знать об устройстве авиадвигателя. В его горячей части есть железка размером с ладонь, которая работает при температуре примерно на 200 градусов выше, чем плавится ее собственный металл. Это происходит на протяжении тысяч часов, после чего деталь уходит в ремонт целой. Вдобавок на ней все это время висит многотонная нагрузка, а сама она снимает с газового потока мощность мотора Формулы-1. И эта деталь сделана не из сплава с зернами, а из одного-единственного кристалла. Речь о лопатке турбины высокого давления.

Дальше разберемся, почему слабое место металла находится там, где встретились два зерна. Как обычную литейную форму превратили в фильтр, пропускающий наверх ровно один кристалл из целого пучка. Почему готовую лопатку греют до температуры, при которой она вот-вот потечет изнутри. Почему кристалл нарочно выращивают в самом мягком его направлении. И почему такую деталь нельзя чистить пескоструйкой.

Складская система живёт как расширение Chrome, мобильное приложение и SaaS. База везде разная: SQLite-WASM в браузере, нативный SQLite на телефоне, сервер по HTTP. Как пишется бизнес-логика один раз - на реальном коде: вывод API-контракта из query-модулей, переезд с IndexedDB и грабли с транзакциями в Capacitor.

Когда журналист TIME приехал в офис Open AI в начале августа, компания одновременно демонстрировала гостям свою следующую большую модель и наблюдала за протестующими у входа. Снаружи несколько десятков человек требовали остановить «гонку ИИ», а внутри руководители крупнейших клиентов OpenAI собрались посмотреть на Astra — ещё не выпущенную модель, которую компания считает одним из важнейших своих технологических шагов.

Привет, Хабр! На связи Александр Курносов, руководитель группы платформы данных, и Андрей Двинских, инженер больших данных. В ежедневной работе мы используем несколько инструментов. Чтобы разобраться с очередной задачей, приходится переключаться между ними, искать нужную информацию и собирать общую картину буквально по частям. В какой-то момент мы поняли, что большинство таких действий повторяются каждый день. Поэтому решили собрать самые востребованные сценарии в одном внутреннем инструменте. Так появился ETL log. В статье расскажем, почему решили его создать, какие задачи он помогает решать и как устроена работа с ним.

Привет! Меня зовут Дмитрий Гаврилов, я руководитель центра компетенции аналитики в MWS. Моя команда внедряет ИИ-скиллы в работу дата-аналитиков. Мы посмотрели на типичный рабочий день и поняли: рутина съедает до 75% времени аналитика. А можно ли это передать ИИ-агенту без потери качества? Эту гипотезу проверили на реальных задачах и получили конкретные результаты — делюсь в этом материале.

Почему утроение разработки не утраивает эффективность бизнеса

Представим, что компания проверяет 100 гипотез в квартал. Предположим, что 20 из них подтверждаются и заметно двигают бизнес-метрики. После внедрения в процесс разработки AI-агентов , стоимость ее реализации снижается, а цикл от намерения до работающей фичи сокращается. Допустим, теперь компания, с теми же ресурсами, может проверять уже не 100, а 300 гипотез в квартал.

На первый взгляд, бизнес должен радоваться, ведь производительность выросла втрое. Но Discovery, качество данных, экспериментальная инфраструктура и управленческое внимание не выросли втрое. Первые 100 гипотез могут сохранить прежнюю конверсию в 20%, а следующие двести — дать, например, по 5%. Получится 30 успешных гипотез вместо 20. Производственный output вырос втрое, а количество положительных результатов — только на 50%. Расчёт иллюстративный, но вопрос финансового директора по итогам года вполне реален:

“Мы утроили производительность. Почему бизнес-результат не утроился?”

Ответ на него — не в разработке.

Сняв ограничение в Delivery, узкое место по Теории ограничений не исчезает, а переезжает. Организация обнаруживает следующие ограничения: достаточно ли у неё сильных гипотез, достоверных доказательств, качественных экспериментов, управленческого внимания и способности довести выпущенное изменение до принятия клиентом и роста бизнес-результата? Именно с этой точки я предлагаю посмотреть на whitepaper Сбера AI-Disrupt PDLC.

Если кто ещё не знаком с ним, настоятельно рекомендую ознакомиться, потому что далее я буду опираться на изложенную в нем архитектуру, структуру и терминологию: вот исходные документы, обновлённые в июне, — короткая версия  и длинная, за авторством Кирилла Меньшова, старшего вице-президента и главы блока “Технологии” Сбера. На Хабре уже есть разбор для тех, кто пишет код, поэтому я не буду подробно пересказывать содержание документа, но затрону несколько ключевых для данной статьи идей.