Kurgan-Telecom Ru | Информационные технологии

Типичная умная колонка с Алисой — это скромное железо и совсем немного оперативной памяти: у младших моделей её всего 256 МБ на всё устройство сразу. И за каждый мегабайт идёт настоящая борьба между множеством команд и компонентов: бизнес‑логикой, обработкой звука, локальными нейросетями.

Ежедневно мы собираем и анализируем memory‑дампы с миллионов колонок — нам важно понимать, куда уходят эти драгоценные мегабайты.

Меня зовут Сергей, я работаю в команде, которая пишет прикладной код на C/C++ для умных устройств с Алисой (например, колонок, телевизоров и автомобилей). Под катом расскажу, как мы построили и используем инструмент для анализа потребления памяти в проде на нашем флоте Linux‑колонок.

Картинка: jannoon028, magnific.com

В одной из прошлых статей мы бегло прошлись, а затем начали рассматривать и более подробно элементы, такой интереснейшей темы, как использование необычных средств для апгрейда работы тепловых двигателей — то бишь, двигателей внутреннего сгорания. 

Не так давно мы уже рассмотрели любопытный способ получения водорода — плазменный электролиз (потенциально, в этих же целях, — для сжигания в двигателях), чей выход по водороду превышает классический электролиз, примерно в четыре раза (что уже само по себе заставляет более внимательно присмотреться к этому процессу как потенциальному источнику сгораемого топлива). 

И сегодня мы подробно рассмотрим ещё одну необычную компоненту — использование озона в двигателях! 

Я очень люблю хорроры. Особенно нишевых представителей этого культурного пласта. Как только в кино выходит очередной слешер про морячка Папая или Бэмби — я сразу же бегу в кинотеатр и покупаю билет. Часто в зале я сижу один, но понимаю, что это не из‑за качества фильма, а очень специфичной темы. Так и в играх я всегда прохожу новенькие ужастики в числе первых.

Но в современном мире AAA‑хорроры выходят крайне редко из‑за сложности жанра. Не из‑за сложности создания, а из‑за сложности окупаемости. Тяжело продать массовой аудитории хорошие ужасы. Поэтому периодически я захожу на itch и ищу, какие новенькие проекты вышли из‑под пера маленьких команд. Но в этот раз я решил пойти по немного другому пути: я скачал 10 хорроров, несмотря на то, как игра себя позиционирует и какой рейтинг имеет. Я захотел разобраться в том, как молодые геймдизайнеры справляются с проектированием ужаса и какие ошибки допускают. Предлагаю окунуться в этот мир вместе со мной и посмотреть на то, как работают современные инди‑хорроры и где теряют игрока.

ИП — простой и дешевый старт для ИТ-команды или продуктового проекта. Но в какой-то момент бизнес упирается в потолок — появляются наемные разработчики, крупные заказчики-юрлица отказываются работать с «каким-то там ИП», а налоговые льготы для ИТ-компаний по-прежнему доступны только юридическому лицу. И предприниматель встает перед вопросом: переходить ли на ООО.

Эта статья — для тех, у кого уже есть работающее ИП и кто решает, пора ли менять форму. Внутри пошаговая инструкция по регистрации юрлица. И объективное сравнение: что реально меняется в налогах, в том, как вы достаете из бизнеса деньги, и в личной ответственности собственника — с конкретными цифрами и ставками 2026 года.

У крупных компаний редко возникает задача создать систему мониторинга с нуля. Чаще приходится дорабатывать уже существующую инфраструктуру: добавлять сигналы, подключать новые объекты и решать проблемы, которые раньше никто не предполагал.

В этой статье расскажем о двух подобных кейсах на совсем разных площадках: телеком-оператора и пассажирского перевозчика.

В течение почти трех десятилетий IBM была не просто техногигантом, а абсолютным монархом в мире интеллектуальной собственности. С 1993 по 2022 год корпорация неизменно занимала первое место по количеству патентов, полученных в США, создав вокруг себя мощнейшую «патентную стену». IBM называли «крестными отцом интеллектуальной собственности», поскольку другие IT-компании были вынуждены при запуске новых продуктов идти на поклон к «дону» и покупать лицензии, а иногда приобретать и сами охранные документы (так, например, поступил Марк Цукерберг в первые годы существования своего детища). Принцип IBM был прост — патентовать всё, что только можно: от летающих дронов-доставщиков кофе до иконок на сайтах. Лицензирование и продажа объектов интеллектуальной собственности приносило отнюдь не баснословные, но вполне приличные деньги ветерану Кремниевой долины. 

И тут у нового руководства IBM появилось видение и что-то пошло не по плану.

Ко мне обратилась исследовательница — социолог, изучающий, как на самом деле устроена жизнь коллективов: репутация, доверие, признание внутри команд. Работа устроена так: клиентка каждый день отсматривает и конспектирует по десятку новых научных статей и соотносит их с собственными эмпирическими данными. Ей нужна была система, которая свяжет весь этот разнородный материал воедино и позволит с ним работать, а не просто складывать.

← Шестая часть

В предыдущем посте мы спроектировали CPU. Я определился с набором команд, написал ассемблер, проверил каждый опкод и создал процессор, работающий в кремнии (или, точнее, в FPGA Altera Cyclone II EP2C5T144C8, что тоже довольно близко). Но у нас пока нет осмысленного ПО (микрокода калькулятора) для запуска на «железе».

В этой части проекта оправдали себя все эксперименты с прототипами на C++, описанные в частях 2 и 3.

Когда я начал писать addsub.asm (самую первую команду, которую я портировал), то не смотрел на пустую страницу, задаваясь вопросом, как работает BCD-сложение. У меня уже имелась эталонная реализация на C++ (addsub.cpp в проекте Proto), верифицированная на тысячах тестовых векторов. Алгоритм был известен, пограничные случаи найдены и охарактеризованы. Я проработал поведение защитного разряда и бита фиксации. Оставалось лишь транслировать это всё на язык ассемблера; задача всё равно сложная, но совершенно иного уровня сложности, нежели изобретение алгоритма в процессе его написания.

Я хотел бы сделать упор на этот двухэтапный процесс, потому что может показаться, что без него можно обойтись. Написание кода прототипа на C++ с последующей ручной трансляцией на язык ассемблера кажется избыточной и долгой работой. Однако она перестанет казаться избыточной к моменту, когда вы будете отлаживать неочевидный пограничный случай округления в 16-ниббловом BCD-вычитании. Наличие золотого эталона, с которым можно выполнять сравнения, не избыточно: это единственное, что стоит между вами и неделями кропотливого труда или даже провалом проекта.

Все мы хоть раз искали что-то на маркетплейсах. И получали в выдаче совсем не то, что искали. YoloPrice разметил миллионы позиций поисковой выдач e-com площадок и посчитал, какая часть выдачи действительно отвечает на запрос пользователя. Отсюда родился рейтинг площадок по точности поисковой выдачи. Спойлер: у самых больших игроков мимо летит больше половины, а неожиданный лидер — вообще не маркетплейс. Полный рейтинг и методология — в статье.

Давно хотел собрать в одном месте всё, что понял за годы работы со студентами и учебными заведениями. Ко мне регулярно приходят студенты на практику, бываю на экзаменах по компетенциям «Тестировщик», «Веб-разработчик» и «Программист». То есть я вижу студентов как наставник, работодатель и как эксперт на оценке работ.

Я Денис — ведущий разработчик Outlines Tech и руководитель регионального 1С-франчайзи. Расскажу, какие проблемы увидел в обучении, что происходит на экзаменах и почему за две недели практики невозможно ничему научить. После прочтения приглашаю подискутировать на тему образования в комментариях.

Тензор пространства - звучит очень загадочно и очень непонятно. Но на самом деле ничего сложного. Тензор пространства - матрица, набор чисел, которые определяют структуру пространства. Они буквально задают каким будет пространство, что и как в нём должно двигаться. Все изменения, которые мы видим вокруг, начиная от падения яблока до столкновения черных дыр определяет небольшой набор чисел. Причем числа эти нули и единицы, подобранны таким образом, что мы оказываемся заточенными в бесконечном пузыре, из которого не выбраться. Как рыбки в аквариуме. Ну у рыбок есть шанс удрать из аквариума, а вот у нас его скорее всего нет. Но давайте по порядку.

Повсеместная экспансия различных ИИ-ассистентов во все сферы достигла такой глубины, что её впору сравнить с наркотической зависимостью. Эйфория от кратковременного всплеска производительности, который получается в самом начале внедрении интеллектуальных инструментов, даёт очень быстрый и измеримый экономический эффект, который подстёгивает компании встраивать ИИ в любой процесс.

Но именно этот первоначальный краткосрочный успех запускает механизм, который невозможно остановить, так как возникает замкнутый круг, напоминающий перефразированное высказывание Красной Королевы из «Алисы в Стране чудес»: чтобы просто сохранить позиции на рынке, нужно бежать изо всех сил, а чтобы вырваться вперёд конкурентов - нужно бежать ещё быстрее. Ведь подобная гонка внедрения ИИ решений во все сферы приносит ощутимые кратковременные экономические выигрыши, однако долгосрочные последствия такой зависимости от ИИ-решений становятся всё более печальными.

В прошлой статье мы выяснили, что при остановленном найме сегодняшний Джун не может превратиться в классического старого матёрого Сеньора, руину героической эпохи, который ещё в детстве поднимал кластеры кубернетс в облаках через кнопочный телефон, разбивал легаси на микросервисы утром и мерджил их в монолит обратно вечером, копипастил со stackoverflow патчил бинарники, преобразовывал Фурье и всё это одновременно.

И когда сеньоры уйдут (R.I.P.) – и когда задача Спроектировать Solution ляжет на плечи Джуна, вытянет ли он на голом ИИ без опыта?

В целом, похоже, что вытянет. Но есть подводные камни, давайте посмотрим, как их решить.

Недавно я публиковал статью на Хабре про технические музеи и организацию экспозиций. Если кратко, то технических музеев в России мало, они перегружены экспонатами и при этом их познавательная ценность недостаточна.  В статье был предложен новый формат демонстрации экспонатов, а именно универсальный стенд, который  сочетает в себе сам экспонат, экспонат в разборе и видео с субтитрами для объяснения что к чему.  Сейчас дошли руки сделать макет такого стенда. Получилось примерно так: 

Около девяти из десяти крупных строительных проектов в мире завершаются с превышением бюджета. Причины принято искать в технической сложности, погоде, откатах и действиях подрядчиков. Всё это важные факторы, но они не объясняют, почему перерасходы повторяются из проекта в проект. Объяснение проще: заказчик и исполнитель изначально владеют разным объёмом информации. Реальную стоимость и сроки хорошо понимает лишь та сторона, что строит, и раскрывать эти данные ей, как правило, невыгодно. Непрозрачность здесь - не болезнь отрасли, а её бизнес-модель. При этом любое информационное преимущество работает лишь до тех пор, пока сведения остаются закрытыми.

История других отраслей показывает, что происходит дальше. До Uber цену поездки знал только таксист, и пассажир зависел от его решения. Как только маршрут и стоимость стали видны на экране, преимущество водителя исчезло. Booking сделал прозрачными цены на отели, маркетплейсы - на товары, Google Maps - на логистику. Строительство пока остаётся одним из немногих крупных рынков, устроенных «как такси до Uber»: полной картиной по стоимости и срокам владеет только одна сторона, а вторая оплачивает эту асимметрию перерасходами.

Дальше в статье - нидерландский строительный картель с двойной бухгалтерией и 1300 оштрафованных фирм; алгоритмы, которые находят следы сговора прямо в цифрах торгов; два миллиарда долларов SoftBank, сгоревшие в «кнопке Uber для стройки»; и рынок жилья, который свою уберизацию уже прошёл. Через историю и паттерны видно, какими будут инструменты уберизации строительной отрасли в следующие десятилетия.

Как вы знаете, у нас тут были популярны высказывания, что айтишники - это богатые люди, которые могут себе позволить всякое. Однако, давайте объективно посмотрим, что и как айтишник может отложить себе на старость, чтобы не остаться на батоне и кефире, когда HR начнут браковать резюме по возрастному критерию.

Недавно, 11 июля, в Питере, проходила летняя конференция ProIt Fest 2026. Ожидания не были оправданы, но в этом случае даже лучше: особых ожиданий не было, а получилось гораздо насыщеннее и интереснее.

Помимо повода сменить обстановку на выходных была возможность пообщаться с интересными людьми и немного прокачаться в архитектуре.

TL;DR: RAG-поиск (Retrieval-Augmented Generation, генерация с подкреплением поиском) – это механизм, при котором AI сначала находит релевантные куски текста на сайтах, а потом уже формулирует ответ на их основе. Модель не знает про ваш сайт заранее – она видит его ровно в момент запроса, если ваш контент выиграл конкурс "какой кусок текста ближе всего по смыслу к вопросу пользователя". Дальше в статье – как именно AI решает, нужен ли поиск, что происходит с найденным текстом и что реально управляет тем, увидит ли AI ваш сайт вообще.

Ваш сайт хорошо индексируется в Google, трафик стабильный, а в ответах ChatGPT или Google AI Overview вас просто нет. При этом конкурента с текстом в два раза хуже – цитируют. Знакомая ситуация?

Вызов LLM легко принять за обычную функцию — пока код не сталкивается с квотами, тайм‑аутами, повторными списаниями и плавающими результатами.

В статье разбираем пять типичных ошибок в Python‑коде вокруг языковых моделей и показываем, какие инженерные привычки помогают пережить реальную нагрузку без сюрпризов в продакшене.

Thinking Machines Lab — стартап бывшего технического директора OpenAI Миры Мурати — представил свою первую модель Inkling, к которой компания шла почти полтора года. Inkling — мультимодальная модель с архитектурой "смесь экспертов" (MoE) на 975 млрд параметров, из которых на каждый токен активны 41 млрд. Она работает с текстом, изображениями и аудио, поддерживает контекст до 1 млн токенов и рассуждающий режим. Главное отличие от флагманов OpenAI, Anthropic и Google — открытые веса. Модель уже лежит на Hugging Face, и любой может скачать ее и дообучить под себя.