Kurgan-Telecom Ru | Информационные технологии

В центре всех галактик скрываются колоссальные чудовища. Эти гравитационные зверюги, известные как сверхмассивные чёрные дыры, могут иметь массу в миллионы и миллиарды раз превышающую массу Солнца.

На протяжении десятилетий астрономы задавались вопросом, откуда взялись эти гиганты и как они стали такими огромными. Вначале физики полагали, что сверхмассивные чёрные дыры формируются так же, как и другие, более мелкие чёрные дыры — когда большие звёзды коллапсируют и превращаются в чёрные дыры размером с Солнце, которые медленно поглощают окружающую материю и сливаются друг с другом в течение миллиардов лет.

Но чем дальше, тем яснее становится, что эта модель неверна.

В последнем наборе YC появился запрос на AI-Native Agencies, — это компании, которые не продают софт, а используют софт (и AI) внутри, чтобы продавать услугу радикально эффективнее и с "софтверной" маржой. В YC это формулируют так: вместо того чтобы продавать инструменты клиенту "делай сам", ты делаешь результат сам - быстрее, дешевле и в итоге можешь брать за него больше.

И вот яркий представитель того, что хочет YC: Lawhive - британский стартап, который строит AI-native юридическую фирму, и только что поднял $60 млн Series B (после $40 млн Series A менее года назад). Они не продают подписку юристам (как многие "AI для адвокатов"), они сами юристы, со своей собственной платформой “AI operating system”, которая автоматизирует рутину.
Она начинали с попытки продавать автоматизацию традиционным небольшим юрфирмам, но столкнулись с сопротивлением (и культурным, и экономическим, “как обосновывать стоимость, если времени тратится меньше”).

11 000 строк кода, 95% Zig, 0% стандартной библиотеки: история создания NovumOS с поддержкой SMP, FAT32 LFN и Huge Pages.

Привет, Хабр!

Когда много задач и мало ясности, можно автоматически уйти в один из трёх сценариев. Первый — «решу потом»: задача висит, избегаешь её всем способами. Второй — «задолбали»: давишь на коллег и ищешь виноватых, потому что хочется вернуть контроль. Третий — «сделаю сам»: забираешь чужое, потому что так проще и быстрее, в итоге тащить всё на себе.

Задачи часто закрываются и так, у кого-то это даже считается нормой. Вопрос в том, стоит ли оно того. Растёт усталость, копится раздражение,  с людьми разговариваешь резче или вообще отстраняешься от них. При такой нагрузке иногда хочется вырубить интернет, уволиться, уехать за город, чтоб никого ни слышать и не видеть. 

Психолог Стивен Карпман описал модель, в которой под стрессом человек действует на автопилоте и скатывается в одну из трёх ролей: жертвы, преследователя или спасателя. Обычно её обсуждают в контексте отношений, но на работе она тоже проявляется: в переписке, на встречах, в дедлайнах. Я не считаю эту схему доказанным психологическим инструментом и не использую её, чтобы навешивать ярлыки на людей. Для меня это короткие названия реакций, которые помогают вовремя заметить, что со мной что-то происходит, и вернуться к осознанным действиям без лишней драмы.

Я Вика, руководитель проектов в Outlines Tech. Хочу поделиться, как можно переключаться на более спокойные реакции, отключить автопилот и в первую очередь заботиться о себе. Чтобы проще донести мысль, буду использовать названия ролей из модели Созидания (The Empowerment Dynamic) как альтернативу модели Карпмана.

В мире есть две вещи, которые ненавидит каждый: стоять в очереди и заполнять веб-формы. Кажется, спасение найдено — это дружелюбные и общительные ИИ-агенты. Но они, как и люди, могут «заболтать» вас и уйти в сторону, потому что умеют говорить, но не понимают сути бизнес-процессов.

В статье предлагается решение: не отпускать ИИ в свободное плавание, а поставить его на службу и направить с помощью BPMN (Business Process Model and Notation).

Для меня машинное обучение - это прежде всего экспериментальная наука. Выигрывает не тот, кто придумал самую сложную архитектуру, а тот, кто быстрее проходит итерации (анализирует кривые потерь, меняет гипотезы и снова запускает обучение).

И именно в этой постоянной гонке я всё чаще задаю себе один и тот же вопрос, а нужно ли вообще обучать модель с нуля?

Когда я говорю «обучать с нуля», я имею в виду именно пустые веса. Не fine-tuning и не до обучение, а старт с нулевой инициализацией (PyTorch-модель без пред обученных параметров или YOLO с отключёнными pretrained-весами).

Каждый раз перед началом обучения я задаю себе два простых вопроса: зачем я собираюсь тренировать модель и какая архитектура мне действительно нужна? Если ответы на эти вопросы расплывчатые, есть большой риск просто потратить ресурсы и время, а в итоге получить модель хуже готовых решений. Если же после этих вопросов сама цель становится ясной и обоснованной, тогда стоит двигаться дальше.

В прошлом году кривая хайпа Гартнера мелькала буквально везде. На совещаниях, в телеграм-каналах, в презентациях коллег. Кто-то размахивал ей как аргументом: "Смотрите, генеративный ИИ на пике, скоро всех накроет разочарование!" Кто-то, наоборот, доказывал, что модель устарела и ничего не предсказывает. Спорили все, разбирался мало кто.

Я тогда каждый раз думал: надо бы сесть и нормально разобраться, что это за кривая, откуда взялась, и правда ли она работает. Руки дошли только сейчас. Зато получилось основательно: с историей, с разбором конкретных отчётов и с честным ответом на вопрос, стоит ли вообще ей доверять.

TL;DR Роль Agile Coach должна умереть, чтобы переродиться в роль Change Agent (или Organizational Architect). И работать такие спецы должны не "вечно", а проектно - как спецназ внедрения изменений.

Здесь и далее: скрам-мастер и аджайл коуч тождественны.

1. Выделенная роль в команде — это кража ответственности

Постоянно приставленный к команде Agile Coach (или Scrum Master, или Delivery Manager в роли «няньки») - это прямое забирание ответственности у руководителей.

Зачем компания платит продактам и тимлидам хорошие деньги? Наверное, не для того, чтобы кто‑то другой создавал атмосферу безопасности, фасилитировал и работал с людьми.

Всем привет! Хочу рассказать не столько про свою модель, сколько про инженерные компромиссы, с которыми я столкнулся во время работы над проектом. Буду рад любой критике.

Речь пойдет о моем проекте edge-weather-forecast — лёгкой нейросетевой модели прогнозирования температуры, которую можно запускать прямо на метеостанции или на простом CPU-устройстве вроде Raspberry Pi.

Одна из частых и важных тем, которую мы обсуждаем с заказчиками — как будет разделяться готовый блок плат на отдельные изделия. Казалось бы, мелочь, но неправильный выбор метода может испортить идеальную плату на самом финише, добавить или усложнить монтаж. Давайте разберем два основных способа — фрезерование и скрайбирование (V-Cut) — простыми словами и с практическими выводами.

Способ 1: Фрезерование — универсальный «скульптор» .

Как это работает?
Представьте станок с ЧПУ и тонкую фрезу (диаметром 0.8–2.5 мм), которая, как карандаш, вырисовывает контур вашей платы, прорезая материал насквозь. Платы в блоке изначально скреплены небольшими перемычками, которые фреза аккуратно перерезает.

Приветствую, Хабр! Представляю вам свой фреймворк - ai-sidekick

Мы разберём готовый к работе фреймворк для экспериментов с MCP-tools. А также, на его основе, рассмотрим архитектуру RAG (Retrieval-Augmented Generation) AI-ассистента для поиска информации в вашей собственной базе знаний. Это не набор абстракций в тысячу строк, а минималистичная кодовая база на Python и Docker, которая предоставляет возможность экспериментировать с конфигурациями и кодом под ваши задачи.

Вести одно расширение 1С сразу для нескольких конфигураций (УНФ, Розница, УТ, КА, ERP) и не сойти с ума на каждом merge — реально. В статье разбираю рабочую схему, которую мы применили в опенсорс-проекте 1C AI Autofill.

Ключевая идея: main — ядро (логика и «истина»), ветки конфигураций — тонкие адаптеры с отличиями в Configuration.xml. Плюс git worktree, чтобы держать несколько сборок рядом, чистая XML-выгрузка вместо EDT для предсказуемого diff/merge и автоматическая сборка .cfe через PowerShell и 1cv8 DESIGNER — без ручного LoadCfg / UpdateDBCfg.

В статье — структура веток, правила разрешения конфликтов, фрагменты кода (HTTP + JSON, длительные операции) и пример скрипта сборки. Если вы хотите «как в нормальном мире»: GitHub, релизы и воспроизводимая сборка — будет полезно.

Репозиторий: https://github.com/msrv-tech/1c-ai-autofill

Два месяца назад я писал на Хабр о первом релизе Funxy — гибридного языка программирования. Тогда это был эксперимент по созданию своего языка с выводом типов, императивного, с функциональными возможностями.

С тех пор вышло несколько релизов. Мы исправили много ошибок, переписали рантайм и добавили недостающие инструменты. Хочу рассказать, что изменилось.

Стабильность: десятки багфиксов — падения на валидном коде, рекурсия, edge-кейсы VM

Рантайм: tree-walk интерпретатор → стековая VM (быстрее, легче по памяти)

Язык: const, return, лямбды (\x -> x + 1), list comprehensions, block syntax для DSL

Типы: strict mode, flow-sensitive typing

Тулинг: LSP и дебаггер

Embedding: встраивание Funxy в Go-приложения как скриптовый движок

Блокировка Telegram сегодня это не просто бан IP-адресов, а работа систем ТСПУ, которые анализируют трафик и дропают пакеты протокола MTProto. Ниже разбор актуальных способов восстановления доступа, если не хотите возиться, то в конце статьи сразу готовые сервисы которые все уже автоматизировали

Предварительный этап

Прежде чем что-то чинить, нужно понять, как именно ваш провайдер блокирует соединение, я рекомендую воспользоваться утилитой GoodCheck или BlockCheck, её задача потыкать палкой фильтр твоего провайдера и найти в нём дыру

Всем привет, меня зовут Алекс Гусев. Это третья публикация в линейке (раз, два), посвящённой тому, как меняется работа со знанием в условиях его избытка и почему внимание становится ключевым ограничивающим ресурсом.

В первых двух текстах я рассматривал персональные картины мира, то, как знание встраивается в опыт, роль внимания в этом процессе и в общих чертах затрагивал тему того, как внимание проявляется через поведение пользователей на современных платформах. Основной фокус тогда был на формулировке идей и их обсуждении. В этой статье я продолжаю ту же линию и перехожу к практическому шагу - к проверке этих идей в виде работающего эксперимента.

Привет, Хабр!

Для начала хочу сказать огромное спасибо всем, кто прочитал и прокомментировал мою прошлую статью про Data-Oriented Design.

Честно говоря, я ожидал дискуссии, но такой накал страстей вокруг кэш-миссов, структур данных и «смерти ООП» меня приятно удивил. Приятно видеть, что оптимизация и понимание того, как данные текут через железо, всё еще волнуют сообщество.

Я внимательно изучил все ваши аргументы — от «компилятор сам всё сделает» до «это невозможно поддерживать в реальных проектах». И вместо того, чтобы отвечать каждому в ветке комментариев, я решил подготовить этот материал.

Многие из вас совершенно справедливо заметили: DOD — это круто, но какой в нем смысл, если мы упираемся в зоопарк архитектур? Мы раскладываем данные в памяти идеально ровно, но как только пытаемся применить к ним SIMD-инструкции (чтобы получить тот самый 10-кратный буст), мы попадаем в ловушку вендор-лока. Написал под Intel — не работает на ARM. Написал под ARM — не заведется в браузере.

Сегодня я хочу показать инструмент, который снимает этот вопрос и делает «низкоуровневую магию» действительно универсальной.

Речь пойдет о SIMDe (SIMD Everywhere).

Современная космология упирается в сингулярность — момент, где наши законы перестают работать. Мы ищем начало вещей в пространстве и времени. Но что, если искать нужно начало отношений? Что, если наш Большой Взрыв — не уникальный старт, а лишь один виток в вечном процессе?

Эта статья предлагает не научную теорию в привычном смысле, а философско-метафизический каркас для взгляда на реальность. Его ядро — три концепта: изначальное состояние F(s), движущая сила информационной гравитации и универсальный паттерн ЭПЭР.

Приглашаю читателей с пытливым умом к дискуссии и интеллектуальным упражнениям в заданной ниже рамке.

Сервис‑воркеры сегодня — не экзотика, а рабочий инструмент: offline‑режим, агрессивное кэширование, «живые» обновления и всё такое. Под это уже давно есть отличный, проверенный Workbox, и я сам с ним работал.

Но по мере того, как я таскал SW из проекта в проект, у меня всё чаще возникало ощущение, что мне нужен инструмент с другим профилем: поменьше магии и слоёв абстракции, попроще вход в код и в «как тут всё устроено», конструктор из маленьких плагинов, которые легко прочитать глазами и отладить.

Поэтому я написал @budarin/pluggable-serviceworker — не вместо Workbox, а как более лёгкий, типизированный и прозрачный рантайм для тех случаев, когда хочется полной управляемости и минимально возможной когнитивной нагрузки.

Привет! Если у вас когда‑либо был опыт деплоя нейросетки, вы знаете, что обучение — это полдела, а вот добиться шустрого инференса — целое искусство. Часто обученная в PyTorch модель дает замечательные метрики, но стоит попытаться запустить её в приложении начинаются всякие проблемки.

Одно из решений, которое часто выручает — ONNX и ONNX Runtime. Если эти буквы для вас пока ничего не значат — не беда, сейчас разберёмся что к чему. А если вы уже слышали про ONNX, то, возможно, задавались вопросом: «А реально ли ускорить инференс, заморочившись с этой технологией?» Еще как!

Большая статья для тех, кто, как и я, споткнулся об asyncio и так не разгадал до конца «магию» событийного цикла. Попробовал распутать этот клубок через подробный рассказ (в как можно более доступной форме) о внутренних механизмах Линукса и самого asyncio, которые лежат в основе событийного. К концу статьи, надеюсь, магия исчезнет, а останется ясное понимание фундамента.