Kurgan-Telecom Ru | Информационные технологии

Когда компания обосновывает покупку роботов, разговор почти всегда начинается одинаково: «сэкономим зарплаты стольких-то человек». Но стоимость человеческого труда — лишь верхушка пирамиды ценности, и часто наименьшая её часть.

На самом деле всё сводится к одному уравнению: ценность автоматизации, делённая на её стоимость, должна превысить определенный порог — и этот порог задаёт не рынок, а конкретный покупатель. Венчурный инвестор, которому надеется на удачный exit через три года, и государственный фонд, который мыслит десятилетиями, смотрят на одного и того же робота с принципиально разными ожиданиями — и один скажет «нет», а другой «да».

Перевод аналитического эссе о том, почему паллетайзер окупается, сбор фруктов — пока нет, а хирургический робот — да, хотя стоит дороже всех.

Дашборд зеленеет, число багов падает, команда получает похвалу — а через пару недель прод ловит инцидент на ровном месте. Так бывает, когда метрики дефектов становятся целью для отчёта и начинают подменять реальное управление качеством. В статье — шесть типовых ошибок: от количества багов как личного KPI до доли переоткрытых задач, которую легко обойти красивой статистикой.

Создание видео из фото с помощью нейросети давно перестало быть магией или развлечением для энтузиастов - сегодня это полноценный инструмент в руках продакшн-команд, который экономит десятки часов на рендеринге и постановке кадра.

Последние два года я слышу один и тот же вопрос от клиентов: «А SEO вообще ещё работает? Говорят, ИИ всё меняет». Некоторые успели заморозить продвижение в ожидании «пока всё устаканится». Пока они ждали — их конкуренты забирали трафик.

ИИ действительно изменил SEO. Но не так, как многие думают. Он не убил органический поиск — он поднял планку качества и отсеял тех, кто работал по старым схемам. Для бизнеса, который готов адаптироваться, это не угроза, а окно возможностей.

Разберём конкретно: что изменилось, что теперь работает и как выжать из этого максимум для вашего сайта.

Что на самом деле изменил ИИ в поисковых системах

Яндекс и Google уже несколько лет используют нейросети в своих алгоритмах ранжирования. Но в последние два года произошло несколько принципиальных сдвигов.

Поисковики стали лучше понимать смысл, а не только слова. Раньше достаточно было вписать ключевую фразу в текст нужное количество раз — и страница поднималась в выдаче. Сейчас алгоритм понимает контекст и намерение пользователя. Если человек ищет «как выбрать рацию для охоты» — ему нужна практическая инструкция, а не страница категории магазина с ключевыми словами в заголовке.

Появились ИИ-ответы прямо в поисковой выдаче. Яндекс и Google начали показывать сгенерированные ответы над обычными результатами. Часть пользователей получает ответ, не переходя на сайты. Это снизило трафик по информационным запросам (типа «что такое SEO» или «как завязать галстук»). Но коммерческие запросы — «купить», «заказать», «цена», «в Москве» — по-прежнему ведут на сайты. Именно они приносят клиентов.

Для кого

Фаундерам, CMO и продактам SaaS, онлайн-сервисов и платформ, которые отвечают за выручку компании и устали оценивать рекламу по объему заявок. Тем, у кого между показом объявления и оплатой проходят недели и месяцы, а решение по бюджету каждый раз упирается в стоимость заявки.

Кратко

Стоимость заявки на сложном продукте показывает не то, ради чего вы тратите бюджет. Она дешевеет ровно тогда, когда в воронку идет необязательный поток. Ниже карта из семи метрик от показа до повторной продажи: что каждая измеряет, на какой вопрос отвечает и откуда брать данные. С таблицей, реальным сквозным дашбордом и разбором, почему дешевая по заявке кампания часто стоит с нулем сделок.

На связи Дмитрий, управляющий партнер Сайткрафта. У меня есть нелюбимый вопрос на встречах с фаундерами: по какой цифре вы решаете, что реклама работает. В девяти случаях из десяти отвечают одинаково, по стоимости заявки. И на длинном цикле это самая удобная и самая вредная метрика сразу. Удобная, потому что считается в один клик в любом рекламном кабинете. Вредная, потому что дешевеет именно тогда, когда в воронку идет поток необязательных контактов. Ниже без общих слов: почему так устроено и какие семь метрик стоит держать перед глазами вместо одной.

Содержание

1. Почему стоимость заявки врет на сложном продукте?

2. Карта от показа до повторной продажи: 7 метрик вместо одной

3. Сколько стоит квал и доходит ли он до сделки?

4. Цена клиента, окупаемость и пожизненная ценность: на что смотреть вместо заявки?

5. Почему канал нужно оценивать в горизонте сделки, а не за две недели?

Помните времена, когда трава была зеленее, мобильный интернет помегабайтным, а Apple осваивала непаханые поля смартфоно-игровых ферм? Начало 2010-х было очень интересным временем, когда мобильные студии создавали целые новые жанры, пытались перенести или адаптировать старые концепции и игры, попутно решая задачи, от которой у десктопного разработчика начинал дергаться глаз. Вот и EA решили взять культовые франшизы SimCity и The Sims со всеми их терабайтами ассетов, сложнейшей симуляцией дорог, пробок и отдельных симов, и попробовать затолкнуть это в карман.

В кармане у пользователя тогда лежал условный iPhone 4 или 5 с уже тогда куцым бюджетом оперативной памяти в районе 100–300 МБ на всё про всё, но айфоновладельцы были "платящей" аудиторией, поэтому игровое подразделение метило в основном в них. Как не превратить смартфон в обогреватель и словить ООМ в первые минуты игры? Выкинуть честную симуляцию на помойку, превратить симов в конечные автоматы, а город сделать хитрой иллюзией из текстурных атласов и таймеров. Раскажу немного как устроены SimCity BuildIt и The Sims Mobile с инженерной изнанки, кода почти не будет, да он и не нужен тут для понимания, а еще будет немного грустинки по российскому подразделению EA, и фотки с закрытия офиса в 2016.

Конечно, можно купить готовый (за ~1.3 млн. руб. есть неплохие варианты), но нам ведь главное процесс, ведь так? К тому же, не все готовы выложить такую сумму за возможность запускать дома нейронку. Итак, что нам пригодится, чтобы влезть в бюджет до 400 тыс. руб.:

Ну что сказать… Продолжаем! Рассматриваем очередную полезную тему - Command Lists - и, как обычно, с объяснениями

В 1931 году, обратив логику против самой себя, Курт Гёдель доказал пару теорем, которые изменили представление о знании и истине. Эти «теоремы о неполноте» установили, что ни одна формальная система математики — ни одно конечное множество правил или аксиом, из которых, как предполагается, вытекает всё остальное, — не может быть полной. Всегда будут существовать истинные математические утверждения, которые логически не вытекают из этих аксиом.

Первые недели пандемии Covid я провела, изучая, как 25-летний австрийский логик и математик сумел этого добиться, а затем написала краткое изложение его доказательства объёмом менее 2000 слов.

Но даже после того, как я разобралась в этапах доказательства Гёделя, я не была уверена, как именно следует трактовать его теоремы, которые обычно понимаются как исключающие возможность существования математической «теории всего». И я такая не одна. В книге «Доказательство Гёделя» (классическом труде 1958 года, на который я в значительной степени опиралась при написании своей статьи) философ Эрнест Нагель и математик Джеймс Р. Ньюман писали, что смысл теорем Гёделя «до конца не постигнут».

Возможно, это и так, но с тех пор прошло шесть десятилетий. На каком этапе мы находимся сегодня с этими идеями? Недавно я попросила логиков, математиков, философов и одного физика обсудить смысл теорем о неполноте. У них было много чего сказать о последствиях этого странного интеллектуального достижения Гёделя и о том, как оно изменило ход бесконечного поиска истины человечеством.

Разберём, что умеют AI survey tools, почему summary уже мало и как выбрать платформу, где ИИ работает во всём цикле обратной связи.

Исторически первый сценарием использования ИИ в опросе был связан с анализом открытых ответов. ИИ анализировал комментарии, группировал темы, показывал тональность и делал краткое резюме. Это полезно, но этого мало. Важно, кому отправили анкету, как сформулировали вопрос и что компания сделала после анализа ответов.

Поэтому рынок движется от отдельной AI-функции к сценарной модели. ИИ помогает не в одном месте отчёта, а во всём контуре обратной связи – от подготовки опроса до действия после инсайта.

Привет, Хабр. Мы уже показывали токенизаторы для изображений и видео, рассказывали про обновление видеомоделей KVAE-2.0, а теперь закрываем третью модальность — публикуем KVAE-Audio, непрерывный полнодиапазонный (48 кГц) токенизатор для звука. По результатам тестов наш VAE (вариационный автоэнкодер, Variational Autoencoder) показывает лучшее качество генераций в задаче text-to-audio (генерирование звука по текстовому описанию) в общем домене, при этом не отставая в качестве реконструкций от моделей конкурентов, и имея заметно меньше параметров и каналов в латентном представлении. Код, инференс — в открытом доступе под лицензией MIT, веса на HF.

Александр Либкинд, руководитель направления развития сервисов управления затратами и эксперт Практики FinOps, поделился материалом о том, почему ручная инвентаризация инфраструктуры редко приводит к устойчивой экономии и как перейти от разовых проверок к управляемой модели.

Поводом могут быть GPU-инстансы, тестовые окружения, неиспользуемые диски, свободные IP-адреса или любые другие ресурсы, которые продолжают потреблять бюджет после завершения задачи. Но проблема почти всегда шире, чем один тип инфраструктуры.

Если у ресурса нет владельца, команды, среды и приложения, компания не управляет затратами. Она просто периодически пытается разобраться, что можно отключить без последствий.

Самый дорогой сотрудник для компании — тот, который уже найден, но еще не может приступить к работе.

Каждый час между принятием решения о найме и фактическим выходом сотрудника означает потерянное рабочее время, дополнительную нагрузку на HR и задержку бизнес-процессов.

И хотя кадровый документооборот давно стал электронным, само оформление сотрудников редко можно назвать быстрым. Причина проста — документы по-прежнему приходится получать, проверять, сопоставлять и переносить в корпоративные системы.

В итоге документы остаются одним из последних бюрократических барьеров между кандидатом и его выходом на работу. Под катом рассказываем, как Smart Engines удалось решить эту задачу и сократить обработку кадрового пакета до нескольких секунд.

Когда эти смешные (на наш взгляд) девушки отошли от нашего стенда, соседи по выставке сразу начали говорить, как нам повезло.

Очевидный путь для бота поддержки на LLM — слать в модель каждый вопрос вместе с куском базы знаний. На демо работает, в проде разваливается: галлюцинации, путаница в похожих сценариях и счёт за каждое «здравствуйте». Рассказываю, как я перевернул схему — вопрос доходит до нейросети в последнюю очередь, а не в первую, — и почему гибридный конвейер из детерминированных слоёв оказался стабильнее «чистого» RAG.

TLS 1.3 с прямой секретностью - это правильный выбор. Если завтра скомпрометируют серверный ключ - прошлые сессии не расшифруются. Эфемерные ключи уничтожены. Все продумано.

Проблема в том, что это защита от одного сценария. Не от того, о котором идет речь.

Если сегодня взять и выставить на 30 градусный мороз всю дизайн команду сервиса ВК Видео, а затем весь менеджмент ответственный за принятие решений и страт развитие, и не нанимать никого лет 5 — ни один пользователь этого не заметит.

Бэкенд кое-как держит нагрузку, но от нормальной монетизации автор отказывается из принципа — пока есть только донаты.

За свои 17+ лет в активной разработке я встречал много проблем, но одна преследовала меня постоянно: JSON. Нет, с самим форматом все ок, но вот с его чтением — не все норм.

Когда я только начинал работать с PHP, я списывал это на скриптовость языка. Отчасти из‑за этого я даже поменял стек. Но когда приходили по‑настоящему большие файлы, это всегда было больно. Иногда — очень. Был проект, где мы ждали не обработку информации бизнес‑логикой, а банального парсинга. Файлы доходили до десятков гигабайт и не всегда влезали в оперативку. Тогда я и заработал себе персональный todo — разобраться с этим раз и навсегда.

Сейчас, находясь в поиске новых возможностей, я решил вспомнить эту старую боль. Я уже давно не PHP‑разработчик, но проблема в индустрии всё та же. Объемы данных растут, требования тоже, а воз и ныне там. Нет, есть море крутых решений. Даже тут, на Хабре. Но для меня всё не то.

Мне нужно решение, а не костыль. То есть: никакой кодогенерации и никаких JIT (я не противник JIT, просто не хочу тянуть эту сложность).

Я ступил на тонкий лед: в Go есть классная штука — пакет unsafe. Почему классная? Потому что она позволяет обойти тяжелые ненужные проверки. Плюс побитовые операции для ускорения всего, до чего только смогли дотянуться руки. Пока изучал чужие парсеры, столкнулся с обманом в репозиториях, подкручиванием статистики (куда же без него?) и перекладыванием ответственности (и аллокаций) на сторону разработчиков.

Привет Хабр!

Современное нефтегазовое производство требует всё более совершенных инструментов для прогнозирования состояния оборудования и предотвращения аварийных ситуаций. Особенно это касается газопроводов-шлейфов — критически важных элементов инфраструктуры, обеспечивающих транспортировку газа от скважин до установок комплексной подготовки газа.

Проблема износа трубопроводов становится всё более актуальной. Эрозионное воздействие потока газа, содержащего воду с механическими примесями, может привести к серьёзным последствиям, вплоть до аварийных ситуаций. Традиционные методы диагностики и принятия решений уже не справляются с растущей сложностью задач.

В этой статье мы подробно разберём, как машинное обучение помогает решать проблему прогнозирования износа газопроводов.