Kurgan-Telecom Ru | Информационные технологии

Все знают Arduino, Raspberry Pi, ну или Flipper на худой конец. Это экосистемы вокруг аппаратных платформ. Мой светильник из прошлой статьи тоже в некоем роде аппаратная платформа. И я решил тоже сделать вокруг него экосистему.

Экосистему я назвал Lumeward.

Всем привет, меня зовут Пётр, я DevOps инженер компании Nixys. История с алертами и дежурствами для меня, как и для любого DevOps инженера, довольно противная, потому что не знаешь, что вызывает больше негатива: ложный звонок посреди ночи или критичный алерт, который почему-то не сработал.

Долгое время решением этого были Grafana OnCall, PagerDuty и другие платформы, которые предоставляли возможность установки open-source инструментов для оповещения инженеров, ведения смен и эскалации происшествий. Но в марте 2026 года состоялась полная архивация проекта Grafana OnCall OSS, а PagerDuty полностью прекратила сотрудничество с клиентами из России еще в 2022. И вот, время шло, а крепкой зарубежной opensource замены уровня Grafana так и не появлялось. Это побудило нас самостоятельно взяться за разработку локального проекта для управления алертингом, который мы бы хотели предоставить в открытый доступ.

Кейс о том, почему нельзя слепо доверять автоматической проверке контрагентов от крупных банков. Проводим ретроспективный Due Diligence скам-сделки и разбираем 4 критических маркера аффилированности и финансового кризиса бенефициара, которые полностью проспали роботы.

Недавно все мы пропустили важнейшую новость: OpenAI выпустила свой первый чип с огоньком под названием Jalapeño. Его презентовали 24 июня 2026. Это значит, что OpenAI выпустила свой первый процессор для запуска больших языковых моделей!

А теперь цифры, которые делают историю интересной. Путь от старта разработки до готовности чипа занял около ДЕВЯТИ месяцев! Обычно инженеры тратят на это 3 года! Это аномально БЫСТРО!

Давеча пересматривал «Матрицу» и поймал себя на мысли, что с аналитикой иногда происходит что-то похожее. Ведь самое интересное в Матрице не то, что мир был ненастоящим, а то, насколько убедительно он выглядел. Смотришь на отчёт: конверсия хорошая, CPL в норме, заявки идут. Всё вроде бы реальное, но только продаж почему-то больше не становится.

Когда начинаешь разбираться, понимаешь, что стоит за реальными заявками: боты, нецелевые обращения или лиды, которые просто не дошли до менеджера. При этом аналитика может считать всё совершенно правильно. Проблема начинается, когда то, что система умеет посчитать, мы принимаем за то, что действительно происходит с бизнесом.

Когда весь трафик филиала сначала уходит в центральный ЦОД, привычная схема быстро начинает давать побочные эффекты: задержки растут, SSL‑инспекция становится дорогой, а попытка сделать обход через PBR приводит к асимметричным маршрутам.

Один из выходов — перенести принятие решений ближе к пользователю и строить маршрут с учётом его идентификатора и политики приложения. На конкретных конфигах посмотрим, как такую схему собрать с PoP, DNS, WireGuard и Envoy.

36 недель. Столько, по моему мнению, занимает путь от нуля до выхода на рынок ML-инженером. Не 2-3 месяца, как обещают курсы, — чуть дольше. Зато на выходе у вас будет фундамент, с которым можно пройти не только собеседования, но и испытательный срок.

В этой статье — весь маршрут по неделям: что учить, в каком порядке, сколько на это уходит времени и что можно смело отложить до первого оффера.

Как обучается классификатор CatBoost? Разберём вывод функции потерь, градиентов и гессианов, выбор сплитов и расчёт ответов листьев. Затем на небольшом датасете шаг за шагом воспроизведём вычисления в Excel и учебной реализации на Python и сравним результаты с библиотекой. Материал рассчитан на читателей, знакомых с основами градиентного бустинга.

LLM хорошо справляется с формой тренировочного плана: распределяет занятия по дням, описывает интенсивность, объясняет упражнения. Но связный текст ещё не означает связную методику. Модель сама по себе не хранит актуальный контекст спортсмена и не обеспечивает преемственность между целью сезона и завтрашней тренировкой. В 1trAIner мы решаем эту задачу через каскад горизонтов, явный контекст и ограничения поверх генерации. Ниже — устройство этого подхода, его защитные механизмы и границы.

Как выглядит смена оператора техподдержки: две трети дня уходит, чтобы прочитать обращения, понять, что там происходит, и переназначить одинаковые запросы типа «где моя заявка». В оставшееся время можно реально порешать какую-то проблему. 

Что делать, когда процесс разработки с ИИ-агентами уже устоялся, но всё ещё приходиться сидеть рядом с ними и ждать, когда они закончат очередной этап работы, чтобы запустить следующий?

У меня это выглядит так. Появилась идея новой фичи для разработки. Я запускаю /opsx:explore скил OpenSpec и обсуждаю с ИИ как будем делать эту фичу, какие нюансы и детали надо предусмотреть. Когда открытых вопросов не остаётся, перехожу к /opsx:propose, чтобы подготовить спецификации перед разработкой. Потом ревью спек с помощью команды /review-artifacts и правка найденных нестыковок. Дальше запускаю /opsx:apply-sequential для реализации в автономном режиме и чистым контекстом агента для каждой подзадачи. Потом ревью через /audit-implementation и правки после него. Архивирование изменения через /opsx:archive. И наконец-то создание PR, финальное ревью и merge.

И так раз за разом! На простых задачах моё участие сводится к запуску команд и подтверждению предложенных решений. На задачах посложнее отвечаю на вопросы наподобие какую из альтернатив выберем. Хотя этот выбор можно сделать по критериям, зафиксированным в проекте. И это уже начинает утомлять. Пришло время автоматизировать и эту рутину. Так я начал делать свою фабрику, где ИИ-агенты («гномы») трудятся в полностью автономном режиме. А к человеку обращаются только тогда, когда столкнулись с проблемой, которую не могут решить сами.

Всем привет! Я фронтендер и по вечерам делаю пет-проект Workaem, агрегатор IT-вакансий. Как-то захотелось сделать рядом с ним что-нибудь несерьезное, и за выходные получилась аркада в духе Марио, только про карьеру в IT. Назвал я ее «Путь джуна». Вместо грибов тут офферы, вместо черепах легаси, а в замках вместо дракона сидят собеседования, от тестового задания до финального.

Потом я еще пару вечеров ее доделывал, и по дороге всплыло много такого, с чем я как фронтендер раньше не сталкивался. Фиксированный шаг физики, процедурные уровни, синтез звука, античит. Про это и расскажу, а заодно про баги, которые глазами никак не ловились.

Claude я использовал активно, как и в основном проекте. Код он пишет быстро, а вот почему уровень вдруг не проходится или почему таблица рекордов врет, разбирался я сам, в основном по скриншотам и логам.

Почему замена деталей по календарю не всегда снижает число отказов? Разбираем RCM — методологию выбора обслуживания по функциям оборудования и последствиям их потери: от шести паттернов отказа до дерева решений.

Привет! Я Валерия Кудрявцева, iOS-разработчик в KTS. Пора поговорить о новинке.

9 сентября 2026 года Apple представила iPhone Duo, свой первый складной смартфон. Пока пользователи обсуждали новый форм-фактор, у нас, iOS-разработчиков, вопрос был другой: как поддерживать приложение на устройстве с двумя экранами и сгибом. Для нас Apple подготовила раздел HIG о проектировании под Duo, шесть Tech Talks и хаб Get Ready for iPhone Duo.

Статья основана на опубликованных Tech Talks Apple. Xcode 27.1 beta на момент подготовки ещё не вышел, поэтому возможности 27.1 описаны по презентациям. Проверить их на практике нужно после выхода SDK.

Сразу оговорюсь. По информации Apple, существующие приложения запустятся на Duo и без пересборки. Но адаптацию интерфейса это не отменяет: то, как приложение займёт внутренний дисплей и как поведут себя стандартные панели, зависит от SDK, с которым оно собрано. Различия разберу ниже.

Отдельный интерфейс под каждую pose Duo делать не нужно. А вот допущения в текущей вёрстке проверить придётся. Если код берёт доступное пространство из модели устройства или ориентации и считает отступы симметричными, на Duo такие расчёты дадут неверный результат. Основа остаётся одна: адаптивный UI, который смотрит на размер текущего окна и на size class.

Дальше разберу изменения iOS 27, что система сделает сама и что нужно править в коде, новые API 27.1 и типичные ошибки при аудите. В конце сравню подходы с Android foldable и расскажу, что из этого уже есть в Compose Multiplatform.

Привет, Хабр! В начале сентября 2026 года на киберпреступном форуме появился сервис Nexus, предлагавший доступ к огромному массиву удостоверений личности граждан США и Канады. По утверждению его операторов, в базе находились сведения более чем о 170 млн человек: 153 млн водительских удостоверений, 10 млн ID-карт, 3 млн паспортов и 579 тыс. медицинских карт. В открытом доступе данные оказались из-за утечки компании IDScan.net, предоставляющей решения для проверки документов и личности. 

По данным IDScan.net, неавторизованная третья сторона могла получить доступ к информации, хранившейся в облачных аккаунтах, и скопировать ее. По состоянию на середину сентября расследование продолжается. Однако сам факт возможного копирования клиентских данных из облачной среды компания признала.

Эта статья не является разбором ошибок IDScan и тем более попыткой обвинить пострадавшую компанию. IDScan стала жертвой преступников, как до нее становились жертвами банки, государственные учреждения, медицинские организации и технологические корпорации. Но сейчас важно задать вопрос: почему у внешнего участника KYC-процесса вообще оказался массив документов, который можно было похитить?

Средний срок поиска работы для белых воротничков в России в 2025–2026 году растянулся до 5–14 месяцев. Для топ-менеджеров и высококвалифицированных специалистов этот срок увеличился до 8–14 месяцев. Это видно и в собственной статистике hh. Конкуренция за вакансию среди белых воротничков выросла почти в полтора раза за год, с 3,7 до 5,9 резюме на место, в отдельных профессиях (маркетинг, HR, финансовый консалтинг) счёт идёт на десятки кандидатов на одну позицию. За тот же год (май 2024 → май 2025) число вакансий упало на 25%, а число новых резюме выросло на 36%.

Максим Кузнецов, IT-тренер с 30-летним опытом, в марте этого года поделился на VC: 500 откликов на hh за полгода, всего одно приглашение и ни одного оффера. Подобных историй за 2025–2026 годы десятки, если не сотни. И не всё можно объяснить «сложным рынком». У сервиса, через который идёт поиск, может быть причина, чтобы поиск не заканчивался быстро.

На тридцатом шаге мой ИИ-агент отправлял нейросети 123 856 входных токенов. Один запрос весил как небольшой роман и стоил соответственно. При этом большая часть контекста уже приезжала раньше: логи, прочитанные файлы, старые ответы инструментов и описания тех инструментов, которые на этом шаге вообще не использовались.

Я начал резать повторный контекст. Сначала на сервере, потом на компьютере пользователя. За два дня вокруг простой идеи выросли локальный архив, оглавление сессии, загрузка схем инструментов по требованию и песочница для вычислений.

На одном и том же 30-шаговом сценарии стоимость снизилась с 48,26 до 8,40 рубля, а вход — с 2,4 миллиона до 419 тысяч токенов. Полный вариант решил 30 задач из 30.

Красиво. Даже слишком.

Стенд был синтетическим. Когда я вынес движок в живого агента, выяснилось, что на коротких задачах оптимизация может сделать всё дороже. Тут и начинаются границы красивой цифры.

За годы работы с MES-проектами не раз наблюдал одну и ту же сцену: разработчик показывает отчёты, дашборды, тренды и прослеживаемость. Заказчик — технолог или начальник производства — кивает, видит на экране полезный функционал, но не воспринимает это как отдельную единицу проекта, которая оценивается и закладывается в бюджет.

Разница в понимании базовых слов — «отчёт», «мнемосхема» — не пустяк. От неё напрямую зависит оценка трудоёмкости: сколько процессов и интеграций описывать, сколько экранов и ролей закладывать в смету. Пока стороны по-разному понимают эти термины, границы системы и техническое задание согласовать не получится. А это влечет за собой риски срыва проекта при его старте.

Первый вариант системы выглядел вполне стандартно: документы разбиваются на фрагменты, для них считаются embeddings, пользователь задаёт вопрос, несколько наиболее подходящих фрагментов отправляются в LLM вместе с запросом. Модель формулирует ответ — на первых тестах этого было достаточно.

Проблемы начались на вопросах, которые на первый взгляд мало чем отличаются друг от друга: Какая пеня установлена в договоре № 14/24? Кто из арендаторов не заплатил за май? А у него предусмотрена индексация? Контрагент предлагает заменить пеню 0,05% на 0,01%. Насколько это существенно?

Формально всё это вопросы об аренде. Для системы это четыре разные задачи.

В 1902 году вышла книга Гиббса 'Основные принципы статистической механики, разработанные со специальным применением к рациональному обоснованию термодинамики', в которой идеи молекулярно-кинетической теории обобщались на произвольные системы. К сожалению, введенная Гиббсом статистическая энтропия формально остается постоянной в неравновесном процессе в изолированной системе. Таким образом, в общем рассмотрении Гиббса возникло противоречие между формальным математическим выводом и вторым законом термодина­мики.

Гиббс первым заметил это обстоятельство и предложил возможные решения, которые были переведены на язык уравнений в статье супругов Эренфестов ‘Принципиальные основы статистического подхода в механике‘ в 1912 году. Были введены понятия грубой и точной плотности вероятности, а также грубой и точной энтропии по Гиббсу. Грубая энтропия Гиббса с использованием грубой плотности вероятности в изолированной системе должна возрастать. Тем не менее, это обстоятельство привело ряд физиков к мысли о субъективности термодинамической энтропии. Физик Эдвин Джейнс (1922 - 1998) является наиболее ярким выразителем этой идеи, и эта статья посвящена рассмотрению и обсуждению его взглядов.