Kurgan-Telecom Ru | Информационные технологии

Каждое утро Джошуа Ван садится за компьютер с булочкой и банкой охлаждённого чёрного кофе, чтобы поискать последние статьи, основанные на данных популярной исследовательской платформы TriNetX. В последние годы резко возросло количество исследований, основанных на данных этой платформы, которая предоставляет доступ к анонимизированным электронным медицинским картам более 300 миллионов пациентов в США и за рубежом. Ван, нейробиолог из больницы «Тайбэй Цзу Чи», который обучает местных исследователей работе с TriNetX, заметил и другую тенденцию. По его словам, некоторые результаты выглядят «немного подозрительно».

Он и другие специалисты полагают, что эта простая в использовании платформа, возможно, позволяет неопытным исследователям — потенциально при помощи искусственного интеллекта (ИИ) — с беспрецедентной скоростью выпускать ненадёжные и совершенно предвзятые исследования. «Мы видели множество таких исследований, проведённых с помощью TriNetX, и у всех у них очень схожие недостатки, — говорит Сами Суисса, фармакоэпидемиолог из Университета Макгилла. — Создаётся впечатление, что они постоянно обнаруживают разные впечатляющие эффекты и замечательные преимущества лекарств по всем видам исходов».

Профессиональный рост часто упирается в конкретные слепые зоны: где демо AI-агента расходится с продакшеном, как выбирать платформу для AI-ворклоадов, почему ломается тестирование API или что происходит в сетях ЦОД.

В дайджесте — 65 бесплатных уроков от преподавателей-практиков: с прикладными разборами, живыми вопросами и возможностью быстро свериться с тем, куда движутся разные IT-направления.

Дуополию двух крупнейших игроков рынка серверных CPU периодически «разбавляют» остальные игроки. Из успешных сразу вспоминаем NVIDIA с их Grace™ для собственных AI-систем, AWS Graviton для внутреннего использования и «коммерческий» Ampere Computing. Но сегодня речь пойдет о двух новинках более нишевых игроков: китайских Hygon и известного по смартфонам Qualcomm. Две новинки ARM®- и x86-процессоров в новости под катом.

Что, если хранить зашифрованный контейнер не в одном файле, а распределять между несколькими JPEG-изображениями? Причём так, чтобы потеря части изображений не приводила к потере данных. В этой статье мы посмотрим, как может работать такая схема, и разберём её основные принципы без погружения в код.

В прошлой статье мы обсудили, почему ИИ-инициативы в компаниях, даже с большими деньгами и ресурсами, просто проваливаются. Коротко говоря, если у ИИ нет качественных данных, проект скорее всего обречён — по данным Gartner, 60% ИИ-проектов не доходят до продакшена из-за неготовности данных и процессов.  В этот раз поищем решение: как собрать все заявки в одном месте и научить модель делать то, что вам нужно — уничтожать рутину.

Машинное зрение (МЗ) — это технология, которая позволяет компьютерам и другим устройствам интерпретировать визуальные данные из реального мира. Это область искусственного интеллекта и робототехники, которая включает в себя получение изображений, их обработку и использование полученных данных для решения прикладных задач без участия человека. Краткая история МЗ публиковалась на Хабре в нашем блоге здесь и тут. 

Пришло время рассказать про россйские и зарубежные патенты и свидетельства в этой сфере.

Доброго времени суток . Спасибо всем заинтересовавшимся моей статьей. Задача коммивояжёра — одна из самых известных задач комбинаторной оптимизации. Её суть заключается в поиске самого выгодного маршрута, который проходит через указанные города по одному разу с последующим возвратом в исходный город. Уже при небольшом числе городов >20 задача не может быть решена методом перебора вариантов за приемлемое время.

Для решения задачи коммивояжёра существует большое количество методов и алгоритмов, самые распространённые — поисковые алгоритмы. Лидеры среди них — генетические алгоритмы и алгоритмы колонии муравьёв.

Я придумал свой вариант.

В статье «Сравнение производительности генетических алгоритмов и муравьиных алгоритмов применительно к задаче коммивояжера Авторы: Sabry Ahmed Haroun, Benhra Jamal, El Hassani Hicham Лаборатория LISER, ENSEM, UH2C Касабланка, Марокко.» от May 2015. Приводятся результаты тестов. Генетический алгоритм был разработан на C++. Муравьиный алгоритм оптимизации был написан на C#.

Тестируем платформу Битрикс24 Вайбкод для создания полезных приложений в своём бизнес-портале с помощью ИИ-агентов.

Сегодня сделаем паспорт клиента: собираем в одном месте всё, что нужно знать о компаниях в нашем бизнес-портале: контакты, сделки, лиды и любые активности. Рассказываем по шагам свой опыт работы с платформой — что было просто, как строили работу, где ИИ ошибался и пришлось ли что-то исправлять вручную.

Привет! Меня зовут Владимир Дробот, я SRE-лид и руководитель центра техподдержки кластера рекламных технологий компании МТС Web Services. Наша команда отвечает за вторую линию саппорта: мы разбираем сложные инциденты, ищем корни проблем и передаем разработчикам те баги, которые упираются в код или архитектуру.     

Для решения задач инженерам приходится работать одновременно с Jira, Confluence, логами и базами данных. Несмотря на существующую документацию, много времени уходило на поиск информации и анализ уже решенных инцидентов. Недавно мы внедрили систему поиска на базе RAG: общее описание и технические детали. Наше решение объединило данные из Jira и Confluence в единую поисковую систему, инженеры получают ответы на вопросы на естественном языке.

Подход дал заметный эффект, однако со временем стало понятно, что основное ограничение заключается не в качестве поиска. Чтобы получить пользу от RAG, инженер должен сначала понять, что именно искать. Это особенно актуально при разборе инцидентов: причина проблемы неизвестна и непонятно, какие данные понадобятся для анализа и какие запросы следует сформулировать. В результате инструмент использовали не во всех типах задач.

Кроме того, было сложно объективно оценивать влияние решения на качество поддержки. Мы получали положительную обратную связь, но не могли точно измерить, насколько быстрее или качественнее стали решаться тикеты. Тогда мы решили: если система уже умеет искать информацию и анализировать найденные материалы, почему бы не поручить ей первый этап расследования инцидента целиком?

В сети до сих пор висят мануалы из 2013, где предлагают писать громоздкие скрипты на PHP с библиотекой PHPExcel или использовать встроенный импорт через веб-интерфейс phpMyAdmin. На практике эти методы спотыкаются на первой же тысяче строк: слетают кодировки, ломаются форматы дат, а дробные числа округляются до целых.

При взаимодействии разработки с менеджментом или бухгалтерией регулярно всплывает одна и та же задача. Нужно либо выгрузить таблицу из базы в Эксель для отчёта, либо, наоборот, залить обратно в СУБД тяжелый xlsx. файл со свежими ценами или списком контрагентов. Настраивать тяжелые ETL-системы ради разовой выгрузки неэффективно. Проблема решилась написанием короткого CLI-скрипта на Python - mysql_bridge. Утилита обеспечивает сквозную двустороннюю конвертацию данных, автоматически анализирует структуру и сохраняет исходные типы на лету. Исходный код скрипта и Readme Здесь. Если Вас заинтересовала или статья была полезна, поддержите звездочками.

Как устроен двусторонний мост

Вся логика инструмента умещается за счёт связки pandas, sqlalchemy и движка openpyxl. Скрипт работает с файлами Эксель напрямую на уровне бинарного кода, поэтому его можно запускать на серверах без установленного офисного софта. Утилита работает в двух режимах.

Интервью с Сергеем Лоншаковым, архитектором проекта «Робономика»: о том, почему роботы будут в спортивных костюмах, сколько стоят их пальцы и когда они начнут разбирать посудомойку.

Гуманоидные роботы перестали быть фантастикой — они стали реальностью, которая постепенно входит в нашу жизнь. Но так ли близок день, когда робот-помощник будет разбирать посудомойку, выносить мусор и встречать гостей? О том, что происходит в индустрии на самом деле, мы поговорили с Сергеем Лоншаковым — визионером компании AIRA и архитектором проекта «Робономика». За плечами Сергея — более десяти лет экспериментов с робототехникой, три поколения выпускников ИТМО и множество проектов от дронов-доставщиков до роботов-вафлипекарей.

На большинстве предприятий охраны труда на бумаге больше, чем в реальности: инструкции подписаны, журналы заполнены, отчёты красивые — а на производственной площадке народ продолжает ходить по цеху без каски, ставить стремянку «как получится» и выезжать на склад без осмотра погрузчика.  Формально система работает, но каждый руководитель производства знает: один невнимательный шаг — и вы теряете смену, оборудование, репутацию и деньги. На этом фоне «разбор полётов» и штраф от инспекции — лёгкий испуг и не более.

С чего все началось

Хотел простую вещь: отслеживать цену на пару товаров, которые ждал со скидкой. Чтобы не заходить руками каждый день, а получить уведомление, когда подешевело.

Думал, это вечер работы. requests.get(), выдрать цену, сравнить, отправить в телегу (упрощенно, конечно).

Оказалось, парсинг цен на маркетплейсах — это не про HTTP‑запрос. Это про репутацию IP‑адресов, про то, как браузер выдает себя поведением, и — на финале — про пост‑квантовую криптографию в TLS‑рукопожатии. Три площадки (Ozon, WB, Яндекс.Маркет) дали мне три совершенно разных уровня защиты, и на каждом я застревал по‑своему.

«Обновите приложение». Для большинства пользователей это привычное сообщение, а для хакеров - один из самых надежных и эффективных способ получить контроль над устройством. В этой статье разберем вредоносную кампанию, начавшуюся с apk, замаскированного под российский сервис. То, что сначала выглядело как очередная вариация банковского трояна, при ближайшем рассмотрении оказалось гораздо интереснее.

В России продолжается глобальная цифровизация во всех отраслях, в том числе и в архитектурно‑строительном направлении деятельности. Результатом современных архитектурных и объемно‑планировочных решений является высокий уровень точности организации пространства. Традиционные методы разработки и проверки архитектурных решений трудоемки и могут быть субъективными. Развитие технологий уже на текущем этапе позволило достичь геометрического моделирования, но прослеживается переход к семантическому (данно‑ориентированному) моделированию. Совокупность этих методов должна позволить повысить точность разработки и верификации современных архитектурных решений.

В данной статье я хочу проверить возможность настройки программного обеспечения, работающего с цифровыми информационными моделями, на примере BIMIT для проверки архитектурных, объемно‑планировочных и проектных решений на основании моделей зданий школ. Проанализировать возможности автоматизации проверок, разработки шаблонов проверок и возможность расширения существующего функционала.

Это моя вторая подборка статей про агентную разработку (первая здесь). Как и в прошлый раз, смотрел статьи в хабах ИИ, программирования, аналитики и тестирования. В этот раз я учел свою ошибку и для каждой статьи написал, почему посчитал ее интересной. Как всегда, буду благодарен, если в комментариях напишите ссылки и на другие статьи про агентную разработку, которые считаете полезными.

Наличие множества методов решения той или иной задачи приводит к появлению комбинированных способов. Внедрение ERP-систем не является исключением: не смотря на существование 3-х классических моделей имплементации, представленных каскадной, итерационной и спиралевидной моделями [1], все чаще звучит упоминание гибридных моделей. Несмотря на множество публикаций, описывающих использование и особенности применения однопроходных (каскадная схема) и многопроходных (итерационные и спиралевидные подходы) моделей внедрения программного обеспечения (далее – ПО), вопрос их совместного использования остается открытым. Если западные ERP-системы представляются как конфигурируемо-дорабатываемые, то российские информационные системы преимущественно требуют только доработки, где применение Agile-подходов (многопроходные схемы), кажется, оправданным [2].

В этой статье мы рассмотрим гибридные методы имплементации ERP-систем, принимая во внимание как западные, так и отечественные программные продукты. Как известно, выделяют базовые модели разработки и внедрения ПО, все остальные являются производными от них, гибкие методы Agile, в частности [1]. Для начала дадим пару слов о классических моделях.

Думаю начну с начала. Я занимаюсь разработкой одного артхаузного проекта с названием "Attempt to Survive" и работая над ним , имел одну важную цель. Сделать высокую оптимизацию для работы со многими старыми системами, с устаревшим железом на текущие реалии. При этом имея достойную картинку.

Для этого даже сделал небольшую сборку тестового пк с i7 6700k процом, картой gtx950 8 гигами оперы и материнкой с соответстующим сокетом. Многое уже имел от старого железа в коробках, так что собрать сложности не было.

Принято думать, что качество ИИ-агента упирается в размер модели. Но когда модель работает локально, в закрытом контуре и на ограниченном железе, брать «побольше» особо некуда. И оказывается, что главный рычаг не модель, а контекст: что вы ей показываете, в каком порядке и как фильтруете. Причём «контекст» здесь — это сборка под то, кто спрашивает, откуда и о чём, плюс честный порог релевантности и продуманный порядок секций. На сильной облачной модели небрежный контекст прощается запасом по reasoning; на средней локальной — нет. Об этом и статья.

С сентября 2025 года вступили в силу масштабные законодательные изменения в сфере критической информационной инфраструктуры. Поправки затронули Федеральный закон от 26 июля 2017 года № 187-ФЗ «О безопасности КИИ», правила категорирования (постановление Правительства Российской Федерации от 8 ноября 2025 года № 127 «Об утверждении Правил категорирования объектов КИИ»), перечень показателей значимости объектов КИИ, а также порядок взаимодействия с Национальным координационным центром по компьютерным инцидентам.

Новые требования существенно меняют подходы к категорированию, обязанности субъектов КИИ и регулярный контроль защищенности объектов.