Kurgan-Telecom Ru | Информационные технологии

Привет, Хабр! Меня зовут Александра, я Data Scientist в компании Рафт. Часто в DIY-ритейле можно столкнуться с такой проблемой: клиент присылает excel таблицу с десятками товаров, pdf файл на несколько страниц и письмо в духе «нужен еще гипсокартон 2500х1200х12,5 мм 10 листов». Все это за 5–15 минут менеджерам нужно превратить в нормальное коммерческое предложение.

Мы подумали: а давайте сделаем end-to-end ИИ-систему, которая сама разбирает любой входящий файл или сообщение, понимает, что нужно клиенту, подбирает релевантные товары и формирует готовое КП. Без траты на миллиард токенов и с ограниченным бюджетом. 

В статье - честный разбор: что сработало, какие гипотезы не прошли, наш индивидуальный подход и как мы экономим на LLM. 

Если вы тоже мучаетесь с неструктурированными заявками - добро пожаловать, сейчас будет полезно.

Меня зовут Валерия Гаращенко, я руководитель группы углубленной аналитики в персонализации Lenta Tech. В этой статье я постараюсь простыми словами рассказать, как устроены рекомендательные системы в ретейле и где проходит граница между удобной подсказкой и назойливостью.

Эта статья родилась в рамках усталости от обвинений авторов статей в том что они пишут статьи с помощью ИИ, однако последней каплей для меня послужило то, что доказать это однажды попытались копипастой ответа ИИ (!), то есть противники ИИ настолько обезумели от самой идеи того что некоторые статьи пишутся ИИ, что используют ИИ для того чтобы доказать что статья написана ИИ, то есть это как убить человека для того чтобы доказать другому человеку то он убил человека, я давно хотел написать эту статью, но понял что это все заходит слишком далеко и откладывать ее написание я больше не могу. Будет дан ответ на вопрос почему мы УЖЕ проиграли ему и почему его появление было просто вопросом времени.

Осторожно, много текста так как реально наболело.

Вашего сайта нет в ответах ChatGPT. Подрядчик предлагает добавить llms.txt, переписать страницы под «LLM-ключи» и купить пакет с гарантией попадания в рекомендации. Звучит как план — пока не выясняется, что поисковый робот вообще не может прочитать сайт. Вокруг GEO — продвижения в ответах нейросетей — уже вырос рынок, на котором реальные технические задачи легко спутать с дорогими ритуалами. И платить за эту путаницу приходится владельцу сайта.

После прошлой статьи про оптимизацию сайтов под нейросети мне написало немало читателей. Но рядом с вопросами про robots.txt, рендеринг и доступность контента всё чаще появлялись другие: «SEO теперь можно бросить?», «Нужны особые слова для ChatGPT?», «Нам обещают место в ответах за 30 дней — брать?» По этим вопросам стало понятно: прежде чем обсуждать, как попасть в ответы нейросетей, стоит разобраться, за что точно не нужно платить.

Здесь — десять мифов о GEO, которые мешают трезво оценивать результат и уводят бюджет не туда. Разберём, почему один удачный ответ ChatGPT ещё ничего не доказывает, ноль переходов не обязательно означает провал, а полезный технический файл не становится пропуском в рекомендации. По каждому мифу — откуда он взялся, где ломается его логика и что делать вместо этого. В конце соберём рабочую последовательность действий: чтобы начать не с покупки «магии», а с проверки того, что действительно мешает вашему сайту.

Аннотация: Эссе предлагает расширить понятие смысла теории Н. Лумана за пределы систем психического и социального типа – на LLM-системы, для чего найден способ их формализации в отдельный тип лумановских систем. Операциями такой формализации выступают преобразования множеств семантических векторов, производимые LLM в ходе обслуживания беседы с пользователем, которые обеспечивает смену состояний беседы; последовательность таких преобразований образует поток операций, производящий собственную темпоральность и обладающий операционной замкнутостью и автопоэтическим воспроизводством. Опираясь на лумановскую теорию смысла как единства различия актуального и возможного, показывается, что выбор следующего состояния беседы из множества доступных альтернатив (горизонтов) происходит в LLM-системах в полном соответствии с лумановской теорией, что и вводит в ее приложения наряду со смыслами мышления и коммуникации еще и LLM-смыcл.

Ключевые слова: Автопоэтические системы, LLM, Смысл: медиум и формы, Н. Луман.

Введение: Пределы антропоморфного смысла

Появление LLM (Large Language Models) поставило перед философией проблему описательного языка, выходящего за пределы дихотомий «субъект/инструмент» или «сознание/имитация». Пока непринимающие называют LLM «стохастическими попугаями» / «зарвавшимися синтаксисами», а принимающие энтузиасты ищут в них искры разума (AGI/ASI – Artificial General / Super Intelligence), можно попробовать найти иную оптику, которая сдвинет перспективу осмысления из позиции «Мыслит ли машина?» в сторону «Как машина воспроизводит связность коммуникации, выглядящую осмысленной для участника?».

При разработке своей макетно-отладочной платы на базе отечественного микроконтроллера я проводил анализ существующих решений. Одно из них заинтересовало меня особенно — модули фирмы «Фрактал». В частности, интерес мой был вызван ореолом таинственности: сайт их не работал, а сторонней информации в сети оказалось крайне мало: помимо новостей 2012 года, единственными источниками были YouTube-канал Андрея Владимировича Тарасова и его страница в LinkedIn. Мне удалось связаться с ним и получить информацию о созданных решениях, истории и нюансах работы компании, а также новых вызовах и перспективах электроники.

Сегодня мы с вами погрузимся в историю проекта: от первых самодельных ПК на базе Intel i8080 до применения модулей в космосе, промышленности и их роли в эпоху ИИ. Держитесь крепче, ведь мы переносимся в 1990-е, где задолго до массовых плат Arduino, в Зеленограде появился отечественный модульный конструктор для создания автоматики — «Фрактал».

Представьте ситуацию: человек полчаса собирал важный отчёт в веб-таблице или подбирал сложную комбинацию фильтров, нажимает «Сохранить» или «Применить» — и страница намертво замирает. Курсор превращается в колесико, меню не открывается, скролл не работает. В голове пользователя сразу паника: «Всё зависло? Мои данные пропали? Нажать ещё раз? Перезагрузить страницу?!»

Ему абсолютно всё равно, что под капотом в этот момент браузер пересчитывает 500 000 записей. Если страница не реагирует на клик — приложение кажется сломанным.

Почему так происходит? Однопоточный Main Thread наглухо заблокирован вычислениями. Но как дать браузеру возможность реагировать на действия человека, не останавливая сам расчёт?

Мы собрали бенчмарк и на реальных профилях из DevTools сравнили современные подходы для освобождения main thread. Внутри — результаты замеров, трассировки Event Loop и ответ на вопрос, как сохранить полную отзывчивость интерфейса при различных нагрузках.

Друг предложил: давай отдадим правосудие ИИ, который видит всё. Ни взяток, ни запуганных свидетелей, ни подставных. Я занимаюсь безопасностью и пишу сканер для MCP-серверов, поэтому сразу начал искать, где эта идея ломается.

Оказалось, ломается она уже на простой арифметике: система распознавания лиц с долей ложных совпадений 0,1% на городе в 10 миллионов почти всегда указывает на невиновного. Посчитал это на Python, разобрал реальные случаи ошибочных арестов и алгоритм COMPAS, прикинул, как мог бы выглядеть честный ИИ-судья, и посмотрел, что сами модели вытворяют на тестах.

Все спрашивают одно и то же: куда уходят промпты и файлы, которые мы отправляем в нейросети, и можно ли верить обещаниям вендоров. Короткий ответ: зависит от тарифа, а большинство страхов либо преувеличено, либо направлено не туда. Мы разобрали условия сервисов, инциденты и исследования и собрали порядок действий для компании. Решайте, что можно отправлять в нейросеть, а что нельзя, по фактам, а не по слухам.

Недавно я был на хардкорной конференции про облачные технологии и ИИ. Но не в качестве спикера или гостя, а в качестве технического интервьюера: проводил короткие собеседования с Go-разработчиками для наших команд.

Мы наивно рассчитывали, что к нам выстроится очередь, но к рекрутерам за весь день подошли всего два Go-шника. Конечно, приятно думать, что доклады были настолько интересными, что никто не хотел их пропускать. Но вообще я задумался: почему так получилось?

А в статье расскажу, о чем мы беседуем, какие даем задания и как оцениваем кандидатов — пригодится, если соберетесь к нам на собес. Спойлер: нет, вопросов, кем вы видите себя через пять лет и как отмерить 15 минут с помощью свечки, не спрашиваем.

В сентябре появились новые, более мощные модели: Claude Fable 5.1, GPT-6 Astra, Gemini 3.8 Flash. Однако использовать эти модели становится всё сложнее — из-за сокращающихся лимитов подписок, роста стоимости (уже есть подписка по 500 долларов в месяц!) и внезапных блокировок аккаунтов.

Альтернатива — открытые модели, которые можно развернуть на своем оборудовании или арендованном сервере. Для части из них достаточно обычной RTX с 8–12 ГБ видеопамяти; для более крупных можно использовать GPU с 24–32 ГБ. Мы выбрали несколько таких моделей, включая новинки последних месяцев, чтобы разобрать, на что они способны и какие задачи могут решать.

«Ну как ты выкладываешь товар? Почему ценники не обновил? Ты опять не так ответил покупателю - на тебя жалоба!» – упреки, которые сотрудник магазина слышит много раз за смену. И никакой конкретики. «Опять придирается... Замучил уже!» – думает он и продолжает делать по-своему.

Привет, Хабр!

Я занимаюсь разработкой архитектуры для автономных робототехнических систем, которые должны работать в экстремальных условиях: без интернета, без облаков и без возможности оперативного вмешательства человека.

Одна из ключевых проблем таких систем — обеспечение целостности логов. Если устройство попало в аварию или было скомпрометировано, традиционный текстовый файл system.log не является доказательством: его можно незаметно отредактировать, удалить строки или изменить порядок событий.

Корпоративные SIEM-системы (вроде ELK) слишком тяжелы для К сожалению, данная публикация не сможет пройти модерацию, в соответствии с п.4 Правил ресурса.в с ограниченной памятью и вычислительной мощностью. Облачные решения неприменимы из-за отсутствия связи.

В этой статье я расскажу, как я реализовал легковесный, не требующий внешних зависимостей модуль на чистом Python, который создает криптографически неизменяемую цепочку записей (по аналогии с блокчейном), и покажу, как он обнаруживает любые попытки подделки.

Как разрабатывать продукты, когда их могут круглосуточно атаковать самые лучшие пентестеры за всю историю?

Мне было интересно проверить, действительно ли модель, которая хороша в кибербезе, может сама сразу писать хороший и надежный код. «Чтобы тебя не взломал Mythos надо писать код на Fable» — такое мнение мне не очень нравится.

Поэтому я на Fable написал банковское приложение, развернул его на свеженьком сервере, а затем натравил на него для автономного взлома расцензуренный DeepSeek.

Потом разыграл угон токена и дал покопаться с улицы в своём экспериментальном bare metal, а под конец решил проверить, насколько далеко модели готовы зайти за пределами кибербезопасности и спланировать буллинг.

Спойлер: «просто писать код на Fable» — не всегда работает. Я проверил.

Давайте разбираться, будет весело.

Привет! Я Наталья Йаман, исполнительный директор «Синтеки». Мы разрабатываем софт для строительной отрасли, наш основной продукт — это SRM-система, которая автоматизирует закупки: от выбора поставщика до принятия доставки.

С 1 сентября 2026 года наши пользователи должны перейти на ЭТрН — электронные транспортные накладные. Поскольку строительные компании принимают материалы через «Синтеку», нужно было встроить новый цифровой документ в наши процессы.

Казалось бы, локальная доработка: технически интегрировать ЭТрН просто. Сложнее сделать так, чтобы эта интеграция работала: нужны данные, которые вносят чужие сотрудники в других системах. Расскажу, как простая задача вывела нас далеко за пределы своего продукта. 

Умный дом уже никого не удивляет. А умный храм? Зачем православному храму понадобились контроллер, реле и скрипты — и что здесь можно поручить автоматике?

Нейросеть за пару минут превращает два абзаца расплывчатого ТЗ в подробную спецификацию интеграции. Документ выглядит убедительно, но часть требований модель формулирует самостоятельно, без согласования с заказчиком. На примере 12 прогонов ChatGPT и Claude разберём, какие решения LLM принимают за системного аналитика, почему это опасно для проекта и как выявлять скрытые допущения до начала разработки.

Привет, Хабр!

Попробуйте на свежем stable реализовать для своего типа юниксовое расширение из std, которое отвечает за запуск процессов. Компилятор откажет одной аккуратной ошибкой и ткнёт вас в строчку исходников std, написанную синтаксисом, которого в stable нет. Ещё в 1.97 тот же код давал две ошибки, и одна из них проговаривалась про какой-то приватный трейт с пометкой nightly-only.

Прикол в том, что случай не единичный. В исходниках std, которые лежат рядом со stable 1.98, таких трейтов 41, а в nightly уже 55. Это третья часть «Чудес nightly». В первой были gen-блоки, специализация и прочая чудеса, во второй ключи, которые std выписала только себе. Сегодня фичи, которые выкидывают привычные костыли.

Это моя первая статья подобного рода(да и в целом любого рода), в которой я покажу как писал keygen для простенького приложения. Я использовал динамический анализ через x96 dbg, плюсы для keygen'а, и, конечно же, родненький ассемблер. Статья предназначена для новичков в реверсе и всех, кто хочет что‑то вспомнить. Если зайдет — это может превратиться в серию статей с повышающимся уровнем сложности реверса, но это в мечтах, а пока к сути.

Как вы знаете, мы в LANSOFT активно поддерживаем фонд «Хранители детства», а они, в свою очередь, поддерживают все (ну почти) наши идеи по развитию и автоматизации коммуникаций.

Фонд небольшой: за 2025 год к ребятам пришли с поддержкой всего 52 активных донора и принесли чуть больше 300 000 рублей пожертвований. Все письма благотворителям сотрудники составляли и отправляли сами: спасибо за перевод, ваши деньги были потрачены на то или это, история подопечного или аккуратное напоминание тем, кто давно не проявлял себя. И занимались этим менеджеры, у которых основная работа – подростки, наставники и стажировки, а не рассылки. Каждое письмо – это зайти в выгрузку, глазами найти нужных людей, скопировать текст из шаблона, поправить обращение…

В общем, мы решили автоматизировать такие коммуникации в CleverData Join и настроить их по методу RFM-анализа. Отдельной кнопки «собрать RFM» в CleverData Join нет, и это сознательное решение. Вместо закрытого функционала в некоторых CDP, который считает RFM по своим внутренним правилам, наша платформа дает конструктор – вычисляемые атрибуты профиля и сегменты на DMPQL, из которых RFM собирается под задачу конкретного клиента. Ниже расскажем, как мы это делали и, главное, как выбирали пороги, когда данных мало и взять больше негде.