Kurgan-Telecom Ru | Информационные технологии

Вы когда-нибудь подписывали положение о неразглашении коммерческой тайны или положение об информационной безопасности? Наверняка ответ будет положительный. Всё это верхняя часть айсберга, который называется «Регламентирующие документы» (РД). К видам таких документов относятся положения, кодексы, должностные инструкции, приказы по компании, штатное расписание.

Чем сложнее бизнес-процессы и чем сильнее формализована сфера деятельности компании, тем больше таких документов. Мы чтим законодательство, а совокупность внутренних нормативных документов (их еще называют «локально-нормативные акты», «локальные нормативные документы» или «внутренние нормативные документы») — это правовые акты «в миниатюре» и от того, как эффективно выстроена эта база зависит то, насколько хорошо работает организация в целом.

При разработке AI-продукта мы столкнулись с неожиданной задачей. Выбрать LLM оказалось проще, чем выбрать интерфейс для работы с ней. Готовые AI-чаты хорошо подходят для диалога с одной моделью, но начинают ограничивать продукт, если в нем появляются несколько агентов, сложные сценарии и промежуточные этапы работы. В этой статье опишем суть задачи, требования и разберем Open WebUI.

Когда-то мы считали, что перевести нашу внутреннюю админку с Python 2 на Python 3 — задача на грани возможностей. В команде даже ходила легенда, что два разработчика уже пробовали это сделать и после этого увольнялись.

Задача воспринималась примерно как экспедиция на Эверест. Наверное, можно. Но зачем рисковать жизнью? Рисковать своей жизнью не пришлось! У нас появился LLM и я смело отдал миграцию ему. Через неделю у меня была рабочая админка на Python 3 и MR на 600 файлов. До прода было ещё далеко.

Расскажу, про все этапы своего подхода к невозможному. Про новую «рутину» работы с агентами, про важность формализации и как вижу ближайшее развитие агентской разработки.

Случалось ли вам добавлять в Git что-нибудь по ошибке? Если это было что-то вроде функции для дебага, некорректного комментария или случайно скопированного файла, то можно это исправить следующим коммитом. Но сработает ли такое исправление, если вы (или ваш коллега) случайно добавили в репозиторий какой-нибудь секрет? Ключ от стороннего сервиса, логин/пароль от интеграции или даже дамп базы данных или всю папку /private/uploads? На первый взгляд - да, сработает, можно сделать новый коммит и удалить то, что было добавлено по ошибке. Но дело в том, что эти данные все равно останутся в репозитории. По истории коммитов можно вернуться назад во времени (до исправления) и увидеть данные, которых уже нет в последней версии репозитория.

Вам стоит кое-что знать об устройстве авиадвигателя. В его горячей части есть железка размером с ладонь, которая работает при температуре примерно на 200 градусов выше, чем плавится ее собственный металл. Это происходит на протяжении тысяч часов, после чего деталь уходит в ремонт целой. Вдобавок на ней все это время висит многотонная нагрузка, а сама она снимает с газового потока мощность мотора Формулы-1. И эта деталь сделана не из сплава с зернами, а из одного-единственного кристалла. Речь о лопатке турбины высокого давления.

Дальше разберемся, почему слабое место металла находится там, где встретились два зерна. Как обычную литейную форму превратили в фильтр, пропускающий наверх ровно один кристалл из целого пучка. Почему готовую лопатку греют до температуры, при которой она вот-вот потечет изнутри. Почему кристалл нарочно выращивают в самом мягком его направлении. И почему такую деталь нельзя чистить пескоструйкой.

Складская система живёт как расширение Chrome, мобильное приложение и SaaS. База везде разная: SQLite-WASM в браузере, нативный SQLite на телефоне, сервер по HTTP. Как пишется бизнес-логика один раз - на реальном коде: вывод API-контракта из query-модулей, переезд с IndexedDB и грабли с транзакциями в Capacitor.

Когда журналист TIME приехал в офис Open AI в начале августа, компания одновременно демонстрировала гостям свою следующую большую модель и наблюдала за протестующими у входа. Снаружи несколько десятков человек требовали остановить «гонку ИИ», а внутри руководители крупнейших клиентов OpenAI собрались посмотреть на Astra — ещё не выпущенную модель, которую компания считает одним из важнейших своих технологических шагов.

Привет, Хабр! На связи Александр Курносов, руководитель группы платформы данных, и Андрей Двинских, инженер больших данных. В ежедневной работе мы используем несколько инструментов. Чтобы разобраться с очередной задачей, приходится переключаться между ними, искать нужную информацию и собирать общую картину буквально по частям. В какой-то момент мы поняли, что большинство таких действий повторяются каждый день. Поэтому решили собрать самые востребованные сценарии в одном внутреннем инструменте. Так появился ETL log. В статье расскажем, почему решили его создать, какие задачи он помогает решать и как устроена работа с ним.

Привет! Меня зовут Дмитрий Гаврилов, я руководитель центра компетенции аналитики в MWS. Моя команда внедряет ИИ-скиллы в работу дата-аналитиков. Мы посмотрели на типичный рабочий день и поняли: рутина съедает до 75% времени аналитика. А можно ли это передать ИИ-агенту без потери качества? Эту гипотезу проверили на реальных задачах и получили конкретные результаты — делюсь в этом материале.

Почему утроение разработки не утраивает эффективность бизнеса

Представим, что компания проверяет 100 гипотез в квартал. Предположим, что 20 из них подтверждаются и заметно двигают бизнес-метрики. После внедрения в процесс разработки AI-агентов , стоимость ее реализации снижается, а цикл от намерения до работающей фичи сокращается. Допустим, теперь компания, с теми же ресурсами, может проверять уже не 100, а 300 гипотез в квартал.

На первый взгляд, бизнес должен радоваться, ведь производительность выросла втрое. Но Discovery, качество данных, экспериментальная инфраструктура и управленческое внимание не выросли втрое. Первые 100 гипотез могут сохранить прежнюю конверсию в 20%, а следующие двести — дать, например, по 5%. Получится 30 успешных гипотез вместо 20. Производственный output вырос втрое, а количество положительных результатов — только на 50%. Расчёт иллюстративный, но вопрос финансового директора по итогам года вполне реален:

“Мы утроили производительность. Почему бизнес-результат не утроился?”

Ответ на него — не в разработке.

Сняв ограничение в Delivery, узкое место по Теории ограничений не исчезает, а переезжает. Организация обнаруживает следующие ограничения: достаточно ли у неё сильных гипотез, достоверных доказательств, качественных экспериментов, управленческого внимания и способности довести выпущенное изменение до принятия клиентом и роста бизнес-результата? Именно с этой точки я предлагаю посмотреть на whitepaper Сбера AI-Disrupt PDLC.

Если кто ещё не знаком с ним, настоятельно рекомендую ознакомиться, потому что далее я буду опираться на изложенную в нем архитектуру, структуру и терминологию: вот исходные документы, обновлённые в июне, — короткая версия  и длинная, за авторством Кирилла Меньшова, старшего вице-президента и главы блока “Технологии” Сбера. На Хабре уже есть разбор для тех, кто пишет код, поэтому я не буду подробно пересказывать содержание документа, но затрону несколько ключевых для данной статьи идей.

CMS помогает компании публиковать контент для внешней аудитории, а KMS — сохранять и применять внутренний опыт. Это не взаимозаменяемые системы: обычно бизнесу нужны обе, но в разные моменты и с разным приоритетом.
«У нас уже есть корпоративный портал: там новости, документы и инструкции. Зачем отдельная база знаний?» Вопрос логичный: и CMS, и KMS работают с информацией, позволяют создавать страницы, хранить материалы, редактировать тексты и пользоваться поиском.

За последнее время в мире искусственного интеллекта произошла серьёзная смена парадигмы. Раньше мы говорили про интеллектуальных помощников, которые автоматизируют достаточно узкие сценарии – ответы по документации, боты поддержки и так далее. Сейчас же технологии достигли такого уровня, что можно автоматизировать сложные действия человека с использованием разных инструментов планирования, многошаговым выполнением задачи и т.п. -  всё то, что сейчас называется ИИ-агентами. Многие компании выпускают собственные решения, есть также открытые решения. Вокруг темы – много шума, часто встречаются полу-рабочие прототипы, но вместе с тем есть сценарии, в которых и агенты оказываются реально полезными и уже сейчас помогают решать бизнес-задачи.

Уже полтора года я строю себе цифрового двойника: базу знаний, где лежит вся моя жизнь за десять лет, и агента, который этой базой пользуется вместо меня.

Начинал я как все, со связки Obsidian и Claude.

Первые свои выводы начал делать после того, как загружено было 219 353 файла. Я не знаю как для вас, но для меня Obsidian теперь - это просто программа для просмотра, а не то что я раньше про него думал. Вся ценность всего этого массива моих данных - в трёх вещах: обычные текстовые файлы на диске, ссылки, перелинковки между ними и агент, который читает и пишет их напрямую.

Как это у меня устроено сейчас и сколько токенов на это потрачено

Цель у меня была сделать своего цифрового двойника. Систему, которая думает и отвечает как я, помнит всё, что помню я, и то, что я уже забыл. Для этого нужна правильно работающая память. Но не векторная база с блоками текста по пятьсот токенов, а нормальная, со структурой и историей.

Я поставил Obsidian, завёл хранилище, стал туда складывать заметки, документы, истории - да все подряд.

Чего я ждал от Obsidian, когда ставил его: что он станет местом, где живёт вся моя память; что граф будет моим рабочим инструментом, по которому я нахожу забытое, а не только картинкой, что дополнения которые есть в обсидиан, закроют всё, чего мне не хватало: свяжут заметки между собой, соберут из них таблицы и подключат к базе нейросеть; что синхронизация между машинами будет его заботой, а не моей; что агент сможет работать с базой через него.

Из этого сбылось только то, что граф действительно приятно смотреть, и заметки удобно читать глазами. Но Obsidian это не база знаний. Для меня сейчас это программа для просмотра папки с текстовыми файлами. Она красивая, с графом и плагинами.

Привет, Хабр!

Откройте почти любую статью про FFI на Rust. С вероятностью девять из десяти там написано: «паника, вышедшая за границу с C, — это неопределённое поведение». Эту фразу повторяют пять лет, я и сам её цитировал, в том числе в одной из прошлых статей. Она перестала быть правдой почти два года назад: с Rust 1.81, вышедшего в сентябре 2024-го, такая паника гарантированно и предсказуемо завершает процесс.

Причём это не единственный протухший совет. Второй я поймал на себе буквально недавно. Есть присказка, живущая в статьях лет десять: поставь panic = "abort" — и бинарник похудеет процентов на десять. Написана она в релиз-нотах 1.10 за июль 2016 года, я повторил её в чужом пулреквесте, а потом сообразил, что ни разу не проверял. Собрал одну программу тремя способами, посмотрел в size -A и получил шесть десятых процента вместо десяти. Причём в сборке, где раскрутки быть не может по определению, преспокойно лежали одиннадцать килобайт таблиц, существующих исключительно ради раскрутки.

Но всё это финал истории, а начинается она с того, что паника — вовсе не «программа крякнулась». Это полноценный механизм исключений на той же машинерии, что и в C++. Раскрутка идёт не в один проход, а в два. Каждое исключение метится восемью байтами b"MOZ\0RUST", доставшимися в наследство от Mozilla, где Rust когда-то жил. catch_unwind ловит не через personality routine, как принято думать, а через отдельный компиляторный интринсик. А ещё есть дыра, про которую почти не пишут, потому что вылезает она только при раскрутке между двумя независимо собранными копиями стандартной библиотеки — и защищает от неё канарейка, живущая прямо внутри исключения.

Ещё недавно Алиса отвечала на текст и на картинку будто двумя разными голосами. Под капотом и правда жили две генеративные модели: текстовая LLM и визуальная VLM, а между ними — стена из непрозрачного роутинга, разных форматов ответов и разной вёрстки. 

Почти год мы сводили их в одну омнимодель — такую, которая воспринимает текст и изображения как единое целое, без переключений за кадром. Получилось не всё и не сразу, но путь вышел поучительным, и в этой статье я хочу поделиться тем, что мы поняли про обучение таких моделей. Попутно — несколько неочевидных поворотов: почему за два года до этого та же затея разваливалась, что изменила MoE‑архитектура, почему омнипретрейн пришлось собирать с конца и почему один вид RL переезжает на большую модель легко, а другой рассыпается прямо на глазах.

Меня зовут Алексей Григорьев, я представляю большую команду разработки омнимодели Яндекса. Вместе с моим коллегой Данилой Кашиным я расскажу про все технические грабли не со стороны наблюдателя, а как их непосредственный собиратель. Но рассказывать я буду с акцентом не на красивом замысле, а на самой болезненной части — алайнменте.

Пожалуй, нет другого такого явления, с которым каждый человек сталкивается ежедневно: что бы ни происходило за окном и в личной жизни, как бы ни менялись технологии вокруг — избежать одного нам не удастся: питания!

Еда занимает в жизни каждого из нас существенное место, и, наверняка, каждый хотел бы, чтобы она была и вкусной, и полезной, и желательно несла некую изюминку (образно говоря). Ведь, наверное, не будет ошибкой сказать, что хорошая еда заряжает всех нас на свершения… :-)

За тысячелетия пищевые пристрастия людей и технологии существенно изменились, шагнув от сыроедения до сложных способов приготовления пищи. За это время человечество выработало большой набор инструментов и подходов к приготовлению еды, где главным, пожалуй, стало использование огня, но далеко не единственным…

Привет, Хабр!

В прошлых статьях мы разбирали основной движок ClickHouse - MergeTree, материализованые представления и словари. В этой статье разберем инструмент оптимизации — LowCardinality. Это не просто тип данных, а способ эффективной работы со строками.

У IT-компании товарные грузы редко бывают основным бизнесом — но они бывают: мерч, демо-оборудование, серверные стойки для собственной инфраструктуры. С 1 сентября 2026 года электронная транспортная накладная (ЭТрН) — обязательный документ для всех, кто отправляет или получает такие грузы по договору перевозки, а не только для транспортных компаний.

В статье разбираю тему: кого касается закон, когда законно можно оформить бумагу и что происходит с открытым вопросом про вычет НДС по таким бумажным исключениям.

Одна маленькая даже не ошибка, а скорее особенность нейросетей пока мешает им развиваться и внедряться в жизнь куда более бурными темпами, чем сейчас. Хотя, казалось бы, — куда ещё быстрее? Но нет. Эта особенность стоила юристам отстранений от практики, авиакомпании — проигранного суда, а для Google стала поводом к потере примерно ста миллиардов долларов капитализации за один день. Слово «галлюцинация» станет словом года сразу в двух словарях.

Как же так? Почему модель, которая помнит дату Грюнвальдской битвы, выдумывает номер ГОСТа? Откуда вообще взялся термин и почему он изначально был преимуществом ИИ? Правда ли, что новые «рассуждающие» модели врут больше старых? И можно ли это вылечить?

Ответы ниже. Спойлер: полностью — нельзя. И у этого «нельзя» есть чёткое объяснение.

Разработчик приложил к тикету свой токен целиком — чтобы ошибку авторизации можно было воспроизвести. Ошибку починили, тикет закрыли, токен так и остался в задаче, которую видит вся команда и подрядчики.

Токен выглядит как шифротекст: длинная строка из букв, цифр и дефисов, глазами не читается. Отсюда и распространённое допущение — раз не читается, значит, закрыто, и внутрь можно положить что угодно полезное.

На самом деле это base64. Читается одной командой, ключ для этого не нужен, и содержимое видно всем, через кого проходит токен: браузеру пользователя, расширениям в нём, промежуточным прокси, системам логирования.