Kurgan-Telecom Ru | Информационные технологии

«Выживает не самый сильный и не самый умный, а тот, кто лучше всех приспосабливается к изменениям».

В этой статье мы порассуждаем о том, как AI технологии будут влиять на экономику, как это может коснуться каждого из нас, а также чего нам действительно стоит (или не стоит?) бояться. Что стоит за страхом потерять работу? Почему продуктивность растёт, но мы не стали работать меньше? Кто и на какие деньги будет покупать товары, если всех заменит AI?

У Синих есть все задатки стать идеальными руководителями, но их нерешённые психологические проблемы мешают им полностью реализовать свой потенциал.

Красный мир и его влияние на Синих руководителей. Попытки приспособиться Синих к иной бизнес среде.

У меня долгое время было мнение, что «синие» руководители (по систематике Грейвза), то есть люди, настроенные по своей сути на стратегию, являются потенциально самыми эффективными.

Именно Синие мне виделись теми руководителями 5 уровня, о которых писал Джим Коллинз в, несомненно, одной из лучших книг по бизнесу «От Хорошего к Великому». Все совпадало в описании: и личная скромность, и нацеленность на стратегический результат, и даже невыраженная эмоциональная харизма, вроде всё соответствовало типичному описанию синего руководителя. НО…

Как это часто бывает в бизнесе, непроработанные психологические проблемы часто мешают людям достичь полной реализации своего потенциала.

Синие, обладая всеми важными качествами, необходимыми для того, чтобы стать по-настоящему великими управленцами, вырастая в красном мире, всегда испытывали комплекс неполноценности по сравнению со своими более активными, харизматичными и яркими Красными сверстниками, коллегами. Все вокруг всегда восхищались Красными, а не Синими и это, к сожалению, накладывает негативный отпечаток на Синих.

Меня всегда удивляло, когда вроде умный, адекватный синий начинает слушать и пытаться следовать идеям Красных шарлатанов вроде Тони Робинсона. Кстати, я абсолютно уверен, что среди тех, кто платил по 500 тысяч рублей за этот семинар, кроме Красных - любителей понтов, были и Синие, которые втайне ожидали услышать то, что наконец-то изменит их жизнь и сделает их ботанов такими же яркими и харизматичными, как и Красные.

Как из незащищенного li-ion аккумулятора сделать 18650 protected. Добавляем плату защиты сами. Небольшой гайд по этому процессу. А также разберем, как влияет плата защиты на характеристики аккумулятора.

Обязательным условием всех способов повышения помехоустойчивости при передаче информации по зашумленным каналам связи является введение информационной избыточности. Вид избыточности и ее размер определяется используемым способом помехоустойчивого кодирования. Выбор способа кодирования происходит с учетом параметров сигнала и характеристик канала связи: для цифрового канала – интенсивности ошибок, для аналогового канала – уровня шума и помех. Большое значение имеет степень сложности кодирования/декодирования и, соответственно, требуемая вычислительная мощность. Практически во всех корректирующих кодах, обеспечивающих автоматическое исправление ошибок, степень вводимой избыточности определяется способом кодирования и жестко связана с размером кодируемого информационного блока. Поэтому представляет интерес возможность использования избыточности, размер которой регулируется в соответствии с уровнем шума в канале связи.

Тривиальный способ введения избыточности – увеличение длительности сигнала добавлением фрагмента любой длительности и любого содержания, например, нулевого. Это способ фиксирует параметры шума в канале, но не позволяет уменьшить уровень искажений сигнала. Но если избыточность вводить не в сигнал, а в спектр сигнала, результат оказывается другим. При цифровой обработке сигналов широко используется операция интерполяции (передискретизации) – повышение частоты дискретизации. При этом к высокочастотному концу цифрового спектра добавляется нулевой фрагмент требуемой длительности. В результате обратного преобразования Фурье (ОПФ) формируется сигнал, содержащий большее количество отсчетов, то есть, имеющий ту же форму, но более высокую частоту дискретизации. При передаче этого сигнала по каналу связи происходит наложение аддитивного случайного шума. В приемнике в процессе устранения введенной избыточности есть возможность провести усреднение случайного шума и снизить уровень искажений. Проведено моделирование в среде MATLAB этого способа передачи.

На днях вышла новая статья "Beyond Context: Large Language Models Failure to Grasp Users Intent", которая задаёт новые тренды академического кликбейт названия публикаций. По сути авторы заявляют, что модели не понимают глобального интента пользователя.

Они делают глубокое исследование, которое это подтверждает на примерах обеспечения личной безопасности пользователя и получения легальной, но потенциально вредоносной информации.

Но на практике оказывается иначе: модели распознают намерение пользователя, но не используют его при принятии решений. Почему так происходит и как с этим работать в реальных системах?

Декабрь — это когда:

- задачи вроде бы закрыты, но TODO всё ещё смотрит укоризненно

х- очется «ещё один маленький рефакторинг» перед Новым годом

- и, конечно, появляется ощущение, что со следующего года всё точно будет ещё лучше ✨

Недавно на работе мне пришлось столкнуться с одной задачей. Нужно было срочно озвучить текст для ролика, но рядом ни диктора, ни коллег, которые могли бы помочь.

И тогда я задумался: а что если доверить это алгоритмам? Можно ли с помощью нейросети получить живой, выразительный голос, который будет звучать как настоящий диктор?

Сегодня мы как раз рассмотрим 6 нейросетей, которые могут прийти на помощь в такой ситуации.

Приятного просмотра. Мы начинаем!

Этот проект я изначально писал для себя и под свои рабочие привычки: хотелось иметь быстрый «пульт» к компьютеру/серверу из Telegram, где всё управляется кнопками, без постоянного ввода команд.

Потом стало понятно, что штука может пригодиться и другим людям, поэтому я решил выложить её в открытый доступ.

Репозиторий на GitHub

Последняя версия на GitHub на момент публикации: v1.1.7.

Если интересно, как всё начиналось и к чему я пришёл по ходу разработки, у меня уже выходили две статьи на Хабре:

Кажется, сегодня невозможно открыть новостную ленту, не наткнувшись на заголовки вроде: «ИИ заменил тысячи сотрудников», «такие-то профессии больше не нужны», «ChatGPT научился выполнять то и то». Чаще всего заголовки кликбейтные, но и за ними скрывается доля истины и тревожный тренд.

Нет, это не будет очередной статьей по восстание машин (но на всякий случай: прошу прощения, скайнет). Здесь я попробую понять какое место в этом будущем останется за человеком.

В профессиональных чатах и на конференциях по разработке ПО сегодня витает специфический страх. Он пахнет дымом у костра, вокруг которого собрались те, кто ещё вчера чувствовал себя творцом цифровой вселенной. GPT-4 пишет код по наброску на салфетке. Copilot предугадывает целые функции. Аналитики один за другим выносят вердикт: профессия программиста если не умрёт завтра, то неизбежно обесценится. Кажется, мы наблюдаем закат жрецов, которые когда-то научились разговаривать с кремнием на его собственном языке.

Но что, если мы смотрим не туда? Что, если это не конец, а начало куда более масштабной и удивительной истории? Главный вопрос эпохи ИИ звучит не «как мне спасти свою работу?», а гораздо шире: что останется человеку, когда машины станут умнее его в самой коронной дисциплине — в искусстве превращения мысли в работающий алгоритм?

Ответ обещает быть провокационным. Программирование не умирает. Оно становится главным смыслом жизни. Но теперь мы программируем не компьютеры, а собственную судьбу и будущее всей цивилизации. И делаем мы это не в одиночку, а в сложном, непрерывном диалоге с новым видом разума, который мы же и вызвали к жизни. Наша историческая задача на этом переломе — не стать его хозяевами (эта иллюзия тает с каждым релизом новой модели). Наша задача — найти свою уникальную и прочную нишу в новой экосистеме, где мы больше не единственные разумные программисты. Пора сменить метафору: мы не строители башни, мы — садовники, впервые оказавшиеся в лесу, который растёт по своим, не до конца понятным нам законам.

После ухода Microsoft с российского рынка подписка Xbox Game Pass из обычной покупки превратилась в настоящий квест. Раньше все решалось парой кликов — добавил карту, нажал «Оформить», пошел скачивать игры. Сейчас же пользователи сталкиваются с отказами в оплате, региональными ограничениями и странными ошибками, которые появляются буквально из ниоткуда.

При этом сама подписка никуда не делась. Она работает, обновляется, пополняется новыми играми и остается одной из самых выгодных в индустрии. Просто теперь к ней нужен чуть более продуманный подход.

В прошлых статьях я разбирал основы апскейлинга дома и сходил с ума, вырезая закадровый смех из «Скуби-Ду». Тот опыт привёл меня к выводу: существующие инструменты, будь то плагины вроде NeatVideo или комбайны типа Topaz Video AI — это «чёрные ящики». У них ограниченный набор настроек, и они часто пасуют перед специфическими задачами старой анимации.

В этот раз я пошёл от обратного. Сразу снижу градус ожиданий: это любительский эксперимент. Мы сильно ограничены в мощности GPU (в наличии только RTX 4060 Ti), из-за чего натренировать реально точную, тяжелую нейросеть-универсала возможности нет.

Поэтому вместо гонки за идеальными метриками я сосредоточился на «неудобных» проблемах. Я написал симулятор уничтожения плёнки, чтобы научить легкую модель понимать физику конкретных дефектов: от сдвига эмульсии до химических ожогов.

Спойлер: на это ушло 2 месяца и 2 миллиона итераций. Получилась не «волшебная кнопка», а набор узкоспециализированных инструментов.

Интересно получается: с одной стороны, растёт волна хайпа вокруг пользы AI-агентов, и в то же время ниспадающая волна не меньшего хайпа говорит о том, что агенты не работают. Это всё дорогая игрушка — поиграли, забыли, выбросили.

На примере разработки AI-консультанта для своего агентства расскажу о системном подходе к проектированию архитектуры production-ready AI-агентов, который мы применяем при создании агентских систем для бизнеса. Чтобы они не были дорогой игрушкой, а приносили эффект и оправдывали своё назначение.

Поехали...

Хорошие книги подобны жемчугу.

Когда разработчик сталкивается с проблемой (непонятной ошибкой, архитектурным тупиком, неудобным инструментом) — это становится своего рода «песчинкой». Она мешает, раздражает, не дает покоя. Включается защитная реакция (поиск лучших решений, эксперименты, переосмысление). Вокруг проблемы постепенно нарастают слои знаний. И если разработчик решается поделиться ими в книге — появляется та самая жемчужина.

Разбираем мощь match/case в Python: от базового синтаксиса до распаковки JSON и эмуляции в старых версиях.

Привет, Хабр!

Сегодня я расскажу, как можно улучшить проекты с помощью Git‑хуков в среде 1C:EDT. Если вы разрабатываете на «1С:Предприятии» и используете Git, но еще не подружились с хуками, самое время это сделать.

В экосистеме 1С исторически существовало собственное хранилище кода, и Git долгое время казался чужаком. Но прогресс не стоит на месте, сейчас 1C:Enterprise Development Tools умеет работать с Git по дефолту, поддерживает групповую разработку и Git‑хуки. Хуки — это скрипты, которые автоматом выполняются при наступлении определенных событий в репозитории: коммит, пуш, слияние и так далее.

Начнем с резкого заявления: Математическая теория не подводила ИИ. Это ИИ не смог понять математическую теорию - а именно те разделы математики, которые напрямую влияют на интеллектуальные системы: теорию категорий, топологию, дифференциальную геометрию и структуры, связывающие их воедино.

Это различие крайне важно, потому что прямо сейчас «категориальный ИИ» становится модным способом рисовать стрелочки, чтобы звучать глубокомысленно и при этом тихо игнорировать те самые вещи, которые делают интеллект по-настоящему сложным: время, память, историю и пути.

Если вы когда-нибудь задавались вопросом, почему ваш ИИ ведет себя во вторник иначе, чем в понедельник, хотя «ничего не менялось», - читайте дальше, здесь мы объясним почему. И это не баг. Это фундаментальная архитектурная слепота, которая уходит глубже, чем кто-либо готов признать.

Пристегнитесь. Мы начинаем!

Закон о защите русского языка, рост пошлин, громкие ребрендинги. Вспоминаем в нашем дайджесте самые главные и интересные события года в сфере интеллектуальной собственности.

Таргетированная реклама не всегда предлагает те события, которые интересны именно Вам

В ноябре вышла модель Nanbeige4-3B-25-11 (а 6 декабря они выложили статью об обучении на arxiv). Её размер всего лишь 3 миллиарда параметров. Это почти в 100 раз меньше, чем GPT-4, и даже меньше, чем большинство открытых моделей.

Но вот парадокс: на тестах она достигает показателей выше, чем модели в 10 раз больше, а на бенчмарке WritingBench и вовсе держится на уровне проприетарных моделей занимая место между Gemini-2.5-Pro и Deepseek-R1-0528.

В своей предыдущей публикации я уже затрагивал тему того, что качество обучающих данных важнее, чем их количество. Данная модель этому очередное подтверждение.