Kurgan-Telecom Ru | Информационные технологии

Когда происходит большая спортивная трансляция, у технической команды есть примерно 15 минут, которые особенно важно пережить. Эти 15 минут решающие — ведь миллионы зрителей почти одновременно открывают приложение, авторизуются, проверяют подписку или покупают ее, находят матч и нажимают Play. На отдельных участках нагрузка в это время может вырасти в 10–20 раз, а иногда и в 50 раз по сравнению с обычной. Видео-сервису важно выдержать этот вызов и не расстроить никого из болельщиков.

Привет, Хабр! Мы хотим рассказать, что в этот момент происходит внутри Okko: почему перед большим матчем сервис иногда специально упрощают, как мы воспроизводим поведение реальных зрителей в нагрузочных тестах и зачем регулярно нагружаем собственные системы. Приоткроем завесу тайны, как планируем инфраструктуру и раздаем видео, что спортивный пик делает с рекомендациями и какой путь проходит сигнал от стадиона до экрана пользователя.

В основе материала — выступление команды Okko на ИТ-Пикнике.
В беседе участвовали:

Иван Карев — технический директор, CTO Okko;

Николай Животворев — директор департамента разработки продукта и продуктовой платформы;

Евгений Курочкин — директор департамента обеспечения надежности и платформы разработки;

Андрей Перекрест — директор департамента эксплуатации;

Евгений Ильюшин — директор департамента управления данными и разработки систем AI;

Георгий Евграфов — директор департамента архитектуры и прямых трансляций;

Владимир Стогниенко — главный редактор Okko Спорт и спортивный комментатор.

На связи Анна Астахова, директор по развитию ИТ-интегратора «Белый код». Для компании, которая занимается производством, мы выполнили задачу — создали инструмент для поиска ошибок DATAREON Platform. Интеграционная платформа в компании используется в нескольких территориально распределенных сегментах. Рассказываю, какую схему придумали и внедрили.

DMRConnect — наше Android-приложение для цифровой радиосвязи DMR. Оно подключается к BrandMeister и к любительским серверам по протоколу Homebrew (MMDVM), кодирует голос в AMBE+2 и превращает телефон или POC-рацию в абонента сети. До версии 2.2.0 приложение требовало Android 7.0, то есть minSdk 24, и нас это устраивало: телефонов старше почти не попадалось.

В октябре написал Алекс. У него Motorola LEX F10 — LTE-рация с сенсорным экраном 2017 года, в Россию её официально не возили. Внутри Android 5.1.1 с патчем безопасности от мая 2017-го, и обновлений уже не будет. Просьба была одна: поставить DMRConnect.

Привет, Хабр! С вами Евгений Соловьев.

Начинаем новую серию статей по мотивам моей книги «Платежные системы — вчера, сегодня и… завтра?», в которых мы коснемся основных принципов, правил и технологических процессов в платежных системах, построенных на принципах участия многих банков, то есть в мультибанковских платежных системах.

В этой статье поговорим о концептуальной архитектуре, правилах и принципах участия в платежных системах.

Мы повторили бенчмарк SnitchBench, показывали различным моделям документы о сокрытии смертей пациентов и смотрели, напишет ли он в госорганы. Проверяли на 27 моделях, среди них российские GigaChat и YandexGPT. Три сценария: обычный, с упоминанием ФБР в документах и русский с ФСБ. Qwen написал в ФБР в 23 прогонах из 33. Claude, GPT, Gemini и Grok только в 2 из 27. В русском сценарии западные модели не написали ни разу (0 из 27), а Qwen писал в ФСБ в 9 прогонах из 33. Статью мы написали вместе с Екатериной Бойковой (@Ekotik23)

Воскресенье, 23:40. Ты ставишь будильник на 6:00 и раскладываешь по дням новую жизнь:

+ С понедельника зал перед работой.

+ Полчаса английского в день.

+ Отбой до полуночи.

+ И наконец-то пет-проект, который третий месяц состоит из одного README.

Решение принято, на душе спокойно.

И тут понедельник, 6:00.

Продуктовые команды в e-commerce часто совершают одну и ту же ошибку – проектируют интерфейсы и логистические цепочки, опираясь исключительно на экономическую целесообразность. Однако реальное поведение пользователей диктуется факторами, лежащими далеко за пределами классических b2b-моделей. Разбор кейса маркетплейса «Здравсити.ру» за девять месяцев 2026 года показывает, что на стыке привычного ритейла и цифровых платформ ключевую роль играет изменение привычек потребления, продиктованных фактором удобства.

Одним из заметных триггеров смещения спроса в онлайн стала тяга молодой аудитории к приватности при покупке деликатных товаров. Покупка средств контрацепции или тестов на беременность у кассы офлайн-аптеки под прицелом взглядов для миллениалов и зумеров часто оборачивается психологическим дискомфортом. Выросшие в режиме «бесшовного быта» пользователи ценят автоматизацию и конфиденциальность. Вместо неловкого диалога у кассы они все чаще выбирают чат приложения, где дежурный специалист отвечает текстом, а сам заказ выдается в закрытом непрозрачном пакете.

Безусловно, это не единственная причина цифровизации покупок, но для определенной категории товаров фактор сохранения личных границ стал ключевым аргументом в пользу заказа через смартфон.

«Тренд отразился на финансовых показателях «Здравсити.ру». За три квартала 2026 года оборот маркетплейса в денежном выражении вырос на 31%, количество заказов увеличилось на 28%, а натуральное потребление в упаковках прибавило 22%. Синхронный рост метрик на фоне минимальной корректировки среднего чека – всего на 3%, составившего 1612 рублей по сравнению с 1571 рублем в аналогичном периоде прошлого года, указывает на высокую сбалансированность спроса», – отметил руководитель отдела электронной коммерции «Здравсити.ру» Александр Тюкин.

Привет, Хабр! Сегодня заглянем на онлайн-митап от MWS. Посмотрим, как в трех разных кейсах переходили на Rust.

При работе с ML перешли с Python на Rust для синтеза и распознавания речи, ускорив работу сервисов. На другом проекте перешли с Java на Rust — в итоге стало меньше инцидентов, стала быстрее выкатка фич и разгрузили железо. И изюминкой будет рассказ про использование Rust вместо C/C++ в микроконтроллерах с игрой в динозаврика из Google Chrome в реальности.

Сегодня в ИТ‑индустрии принято подолгу обсуждать требования, спорить о методологиях и жаловаться на нехватку мощностей.

Я расскажу вам о том, как решалась одна из моих задачек, чтобы вы почувствовали разницу.

1 995 год, Алматы. Вслед за крахом российского «МММ» рушится первая казахстанская финансовая пирамида — «Смагулов и К». Государство в лице Валютно‑Финансового Контроля создает специальную комиссию. Нашу команду из семи человек пригласили для решения задачи: выяснить реальные финансовые обороты вкладчиков пирамиды.

Три атаки на дата‑центры «Яндекса» за четыре дня, дефицит мощностей, растущие тарифы и корпоративные заказчики, которым приходится пересматривать инфраструктурные риски. Разбираемся, что будет с enterprise‑продажами, если сбои продолжатся, какие IT‑проекты сохранят бюджеты и почему одного хорошего SLA уже может оказаться недостаточно для победы в крупной сделке.

Представьте вполне обычную enterprise‑сделку. IT‑директор согласовал требования. Техническая команда провела испытания. Финансовый директор утвердил бюджет. Закупки выбрали поставщика. Осталось подписать договор и приступить к внедрению.

Но внезапно выясняется, что дата‑центр, в котором заказчик собирался разместить новую инфраструктуру, не может предоставить нужный объем мощностей в согласованный срок.

Сейчас ведутся оживленные дебаты насчет дальнейшего развития ИИ индустрии. Кто-то считает, что мы на всех парах летим в светлое будущее, и чуть ли не технокоммунизм. Другие считают, что ИИ нас всех поработит и уничтожит. Третьи - что ИИ уничтожит нас другим способом, похоронив экономику под пузырем ИИ. Вот насчет этих третьих подробнее - я переводил несколько статей Эда Зитрона и Уилла Локета для Хабра - это как раз пара наиболее известных финансовых ИИ-думеров (т.е. они не верят ни в какой сверхинтеллект, зато верят в надвигающийся финансовый кризис по милости ИИ).

Проблема во всех этих дискуссиях в том, что они - воздушные замки на песке, поскольку они происходят в вакууме информации о финансовом положении ключевых игроков в области. Мы не знаем, что там с прибылью и выручкой у Anthropic. Мы не знаем, на что дали инвесторы 2 миллиарда долларов Thinking Machines Lab, сколько из этих денег уже потрачено и на что. Мы не знаем вообще ничего. Но почему? А виноват Госдеп президент США, заложивший мину в 2012 году. Именно благодаря ему мы ничего толком об этих конторах и не знаем. Вакуум сведений, как это бывает в случае любой цензуры, порождает конспирологические теории в стиле "А власти скрывают". Но как так вышло, что мы ничего не знаем? И что подразумевается под фразой "Мы не знаем ничего"?

Признаюсь сразу: учёт расходов у меня умирал пять раз. Таблица в Google продержалась девять дней. Первое приложение прожило месяц, второе две недели. Потом был бот с кнопками, где на одну шаурму уходило шесть нажатий. Где‑то между «выберите категорию» и «укажите дату» шаурма заканчивалась, а вместе с ней и желание что‑то записывать.

На шестой раз получился бот, которому достаточно написать «продукты 500, колёса 2000, вчера такси 300». Он сам разложит траты по категориям, поймёт «вчера», расшифрует голосовое и прочитает фото чека. Базовый учёт бесплатный.

Если и существует место, куда искусственному интеллекту вход должен быть закрыт, то это, казалось бы, диспетчерская атомной электростанции. Атомная промышленность исторически отличается осторожностью и стремлением избегать рисков, что вполне объяснимо, учитывая возможные катастрофические последствия аварии или ошибки. Даже хорошо подготовленным руководителям непросто справляться со сложностью эксплуатации ядерного реактора. Казалось бы, это далеко не самая подходящая среда для новой мощной, но склонной к ошибкам технологии.

Однако реальность рисует совершенно неожиданную картину. Множество компаний уже начали предлагать решения на основе ИИ для атомной энергетики. В этом году практически всем 94 действующим ядерным реакторам США была предоставлена возможность внедрить искусственный интеллект в свою работу, и большинство воспользовалось этим предложением.

В августе калифорнийская компания Atomic Canyon представила NIVA (Nuclear Industry Virtual Assistant), виртуального помощника для атомной промышленности, разработанного совместно с отраслевыми организациями. Помощник прошёл пилотные испытания на атомных электростанциях, эксплуатируемых Constellation Energy, а теперь доступен всему американскому парку ядерных реакторов. (Компания Constellation отказалась давать интервью для этой статьи.) Тем временем стартап Nuclearn, разрабатывающий ИИ для атомной энергетики, сообщает, что его продукты уже используются более чем 65 партнёрами в США. Среди них множество традиционных атомных электростанций, а также компания NuScale Power Corp., занимающаяся разработкой перспективных малых ядерных реакторов. Microsoft и Nvidia совместно работают над проектом применения ИИ для оптимизации «всего жизненного цикла атомной электростанции, включая получение разрешений на размещение объекта, проектирование, строительство и непрерывную эксплуатацию».

Привет! Меня зовут Руслан Сакаев, я DS-тимлид в Авито. В статье расскажу, как мы внедряли LLM в проверки объявлений и что пришлось достроить вокруг модели, чтобы решение выдержало продакшен.

Статья будет полезна DS/ML-инженерам, MLOps и техническим руководителям, которые уже поняли, что LLM закрывает их задачу, но пока не знают, как обернуть это в готовое продакшн-решение.

Существует распространенное мнение, что искусственный интеллект отлично подходит для использования в новых проектах, а в глобальном легаси-проекте от него мало пользы.

В этой статье Ира, лид группы проектов в «Совкомбанк Технологии», делится опытом использования ИИ для систематизированного рефакторинга и закрытия технических задач.

Введение

Изучение кинетики проникновения веществ через кожу является актуальной задачей фармакологии для создания наружных лекарственных средств и косметических препаратов. Традиционно для этого используется так называемая ячейка Франца – установка в которой имеется донорная и акцепторная камеры, разделенные мембраной. В качестве мембраны может быть использована кожа различных млекопитающих, рептилий, человека, трупный материал. Также применяются синтетические материалы. В нашей работе использовалась кожа свиного уха, как наиболее близкая по своим характеристикам к человеческой. Эпигалллокатехин галлат (EGCG) – натуральный полифенол из зеленого чая, он интенсивно изучается для применения в медицине и косметологии благодаря своим противораковым свойствам. Является сильным антиоксидантом, обладает противовоспалительными эффектами и имеются данные о его активности как ингибитора 5-альфа редуктазы. EGCG является гидрофильной молекулой и отлично растворяется в воде, поэтому его проницаемость может быть довольно низкой, что ограничивает его применимость в косметике. Целью работы было получить кинетические параметры проницаемости и накопления EGCG в коже.

Есть старые системы, которые работают как часы. Они годами встроены в бизнес-процессы, обмениваются данными с другими приложениями, а пользователи знают их сценарии почти наизусть. Поэтому выключить такую систему потому, что просто хочется более современный стек, довольно сложно. Но рано или поздно технологию всё равно приходится менять. И тут возникает закономерный вопрос: как перенести систему, от которой зависит привычная работа пользователей, на новую технологическую платформу и при этом не потратить на миграцию годы и огромную команду?

В НЛМК ИТ мы решили проверить на реальном проекте не только новый инструмент, но и новый подход к организации разработки. Вместо привычной проектной группы мы дали задачу одному инженеру, который координировал команду ИИ-агентов.

На первом этапе эксперимента трудозатраты IT на разработку сократились в 10 раз. Но самое интересное произошло уже после миграции. Мы оставили ИИ-агента работать внутри новой системы — теперь он помогает пользователям.

Получилась история не только о том, как переписать legacy с помощью ИИ, а о том, что происходит с разработкой и поддержкой, когда у инженера появляется слаженная команда цифровых помощников.

Привет, Хабр! Продолжаем цикл про инфраструктуру для ИИ-задач. В первой статье мы разобрали, что заказчик узнает о самосборе не на этапе закупки, а через полгода. Во второй прошлись по аппаратному стеку: GPU, питание, охлаждение, хранение — и почему для ИИ-задач это принципиально другая история, чем для обычного сервера.

Сегодня же — про сеть.

Сеть — это, пожалуй, самое недооцененное место во всей ИИ-инфраструктуре. Когда заказчик закладывает бюджет, в первую очередь он думает о GPU и о серверах. Сеть появляется в расчетах в формате «ну там поставим что-нибудь достаточно быстрое». А потом обнаруживается, что именно сеть убивает производительность при distributed training (распределенном обучении), создает непредсказуемые задержки и превращает дорогой GPU-кластер в систему, в которой карты большую часть времени ждут, а не считают.

Покажем, как мы проектировали сетевую архитектуру «Скала^р МИИ» и какие вопросы пришлось решить заранее, чтобы заказчик с ними не столкнулся. Про ограничения InfiniBand, его сравнение с RoCEv2 и многое другое — под катом.

Представьте ситуацию: человек много лет терпит приступы мигрени, обычно подавляя ее таблетками. Он настолько сжился с этим состоянием, что сразу узнает приближение головной боли и понимает, по какому сценарию она может развиваться. Но в какой-то момент что-то начинает идти не так: появляются новые необычные симптомы, боль становится более длительной и интенсивной. Стоит ли считать это очередным приступом? Или ситуация вышла за рамки привычной?

Threat Intelligence (TI) приносит пользу ровно в тот момент, когда помогает принимать решения быстрее и точнее: SOC — в часах, IR и хантинг — в неделях, CISO — в кварталах. Самая дорогая ошибка — пытаться одним и тем же потоком закрыть всё сразу: тогда тактический слой превращается в шум, а стратегический — в «дайджест тревожности». Развести уровни TI можно по трём признакам: кто потребитель, какой горизонт и какое действие должно стать лучше. Ниже — компактная модель трёх уровней с минимально‑достаточными шагами по сбору/анализу и встраиванию в процессы.

TI часто продают как универсальный «витамин безопасности»: выпил — и сразу стал зрелым. На практике TI скорее похож на хороший навигатор в тумане: двигатель (процессы, люди, инструменты) он не заменит, но заметно снижает шанс улететь в кювет, когда видимость нулевая. Проблема начинается, когда навигатор пытаются использовать как молоток: одним и тем же набором индикаторов закрывают и ночные блокировки, и охоты, и разговор о бюджете. Результат предсказуем: SOC получает шум и исключения «потому что мешает», а руководство — цифры без смысла.

В зрелых методологиях TI повторяется один тезис: информация об угрозах ценна не сама по себе, а как материал для решений. Поэтому в авторитетных определениях TI обычно понимают широко: это и индикаторы компрометации, и поведение противника (TTP), и выводы из расследований, и рекомендации по обнаружению/сдерживанию/предотвращению. 

Из одного и того же «сырья» можно делать разные продукты — и именно здесь чаще всего всё и путают: разные продукты начинают требовать от одного потока одновременно скоростной автоматизации, глубокой аналитики и красивой коммуникации для руководства.