Kurgan-Telecom Ru | Информационные технологии

Летом мир криптовалют заметно поскучнел — Госдума и Совет Федерации приняли законопроекты, которые перевели крипту в юридическое поле. В этой статье коротко расскажу, почему это важное изменение для российской экономики и что это значит для рядового инвестора.

Педагогика готовила человека к будущему. Будущее пришло. Его попросили выключить телефон.

В Дартмутском колледже проректор Сантьяго Шнелл предложил различать две вещи: что студент понимает самостоятельно и что способен сделать с помощью искусственного интеллекта. Предложение опасное. Из него следует, что по хорошей работе ещё нельзя установить, хорошо ли образован человек. А ведь работа уже проверена. Оценка поставлена. Дипломы напечатаны.

Потом выяснилось, что сам Шнелл пользуется ИИ при подготовке текстов. Его статью детектор Pangram пометил как «100% AI-written». Шнелл объяснил: идеи и решения мои, программа помогает с изложением. Его объяснение детектор тоже пометил как машинное. Об этом сообщила The Dartmouth.

Сюжет, конечно, превосходный. Один искусственный интеллект помогает проректору выражаться, другой помогает читателям сомневаться. Человеческая мысль пока проходит по делу косвенно.

И тут можно с удовольствием застрять. Кто сколько написал. Кто что скрыл. Кого уволить. Всё это знакомые вопросы, для них уже существуют комиссии. А вот для вопроса «что мы вообще считали образованием?» готовой процедуры может не оказаться.

За Шнеллом числится вполне определённая проблема: он не всегда раскрывал участие ИИ и 25 сентября за это извинился. Но можно добиться образцового раскрытия. Ввести сноску. Утвердить форму. И остаться с прежним незнанием: что именно умеет человек, подписавший безупречно оформленный текст?

Раньше хорошая письменная работа служила косвенным свидетельством понимания. Теперь её можно получить, почти не занимаясь предметом. Здесь трещит научная претензия педагогики: уверенность, что она знает, какое развитие стоит за полученной работой. Метод сообщал нам о развитии человека — или мы научились оценивать продукт и привыкли считать, что человек к нему прилагается?

Представим, что kNN отнес новую точку к некоторому ближайшему классу. Все просто и знакомо. Однако привычная схема скрывает интересную недосказанность. Какие именно признаки сделали выбранный класс ближе? Возможно, почти всю разницу дал сигнал от одной координаты, возможно это вклад весьма конкретного набора координат, который можно интерпретировать как устойчивый признак более высокого порядка, а может, эти вклады распределены почти равномерно? На самом деле ответить на вопросы выше довольно легко. Для этого достаточно сохранить слагаемые, из которых получилось расстояние, перед тем, как «затирать» их суммированием.

Когда пишут программу HelloWorld на C, обычно выводят текст “Hello, World!”. Но когда программа пишется для микроконтроллера, часто ограничиваются миганием светодиода, особенно для микроконтроллеров семейства STM32.

В статье я разберу, как можно вывести “Hello World” в программе для микроконтроллеров этого семейства.

Привет, Хабр! На связи Ангелина Большина, Денис Толкачев и Игорь Буянов, команда Customer Support NLP, мы разрабатываем ботов для службы поддержки клиентов. И наша работа полезна для развития продукта MWS AI Клиентский сервис. Сегодня мы расскажем вам про то, как мы автоматизировали оценку наших ботов с помощью специально разработанной метрики. Мы разделили материал: сначала расскажем про бизнес-составляющую, а затем – про технические детали. Итак, поехали!

Привет, Хабр! На связи Ангелина Большина, Денис Толкачев и Игорь Буянов, команда Customer Support NLP, мы разрабатываем ботов для службы поддержки клиентов. И наша работа полезна для развития продукта MWS AI Клиентский сервис. Сегодня мы расскажем вам про то, как мы автоматизировали оценку наших ботов с помощью специально разработанной метрики. Мы разделили материал: сначала расскажем про бизнес-составляющую, а затем – про технические детали. Итак, поехали!

Плагины, которые начинались как маленькие решения для себя, а потом стали полезны тысячам дизайнеров.

Когда в работе постоянно повторяются одни и те же действия, рано или поздно начинаешь думать, как их убрать. В этой статье я рассказываю, как из мелких раздражителей в Figma выросли мои собственные плагины: от простых утилит до ShapeFlow, которым сейчас пользуются 20 000+ дизайнеров. Заодно делюсь тем, как вайб-кодинг помог мне быстрее проверять идеи, собирать инструменты под свои задачи и по-другому смотреть на привычную дизайнерскую рутину.

В вайбкодинге документацию первым читает агент, и открывает он почти только то, на что ему сослались. По журналам Claude Code одного моего проекта файлы без входящей ссылки агент открывал в среднем 1,2 раза, а 57 из 88 таких не открыл ни разу.

Раньше документацию писали в конце цикла, и читал её человек. В вайбкодинге код пишет агент, и получает он только то, что ему подали. Я посчитал по журналам за пять недель, какие markdown-файлы агент открывал. Точкой входа ниже называю то, чем агента запускают на задачу: файлы слеш-команд в .claude/commands и описания субагентов в .claude/agents. Документы, названные в точке входа, агент открывал в среднем 12,3 раза.

В данной статье описывается решето для поиска составных и простых чисел для рядов А(а) = 2а+1, B(b) = 6b-1 и С© = 6с+1. Через выборку решетом раскрывается тайна распределения простых чисел‑близнецов.

Идея работы решета — выбрать составные числа в последовательности — через идентификаторы или порядковые номера их расположения в ряду.

Рассмотрим ряд нечетных чисел, которые образовываются формулой А(а) = 2а+1:

Как работать с коллекциями в Http API‑клиенте...

В клиенте уже год как работал экспорт коллекции как патча — одного JSON‑файла с операциями вида upsertRequest / removeRequest / setCollectionMeta. Достаточно, чтобы переслать коллеге точечное изменение: поправил заголовок в одном запросе — экспортировал — коллега применил патч у себя. Рабочая штука для передачи «из рук в руки».

Ниже — история одной конкретной фичи: зачем понадобился «git‑friendly» экспорт коллекции, как устроена стабильная сериализация и разрешение коллизий имён файлов, и какую дыру в защите секретов мы нашли и закрыли по пути. Без сравнений с другими клиентами — только то, что случилось и что мы с этим сделали.

Эта статья может быть полезна студентам и начинающим специалистам, занимающимся разработкой веб-сервисов. Примеры кода приводятся на языке Go, некоторые особенности языка программирования разъясняются сразу по месту использования. В статье рассматривается одно из довольно типичных тестовых заданий как на навыки программирования, так и на навыки системного дизайна. В жизни встречаются разные формулировки этого тестового задания, но общий шаблон как задачи, так и решения вы наверняка узнаете, если вам уже доводилось сталкиваться с подобным заданием или если оно попадется вам в будущем.

В начале этого года я был убеждён, что планирование станет самой важной частью разработки программного обеспечения с помощью ИИ.

Эта идея захватила меня настолько, что я построил и запустил целое десктопное приложение для разработки вокруг неё. Nuanced появился из наблюдения: ИИ радикально увеличил скорость и объём генерации кода, но интерфейсы, необходимые для поддержки этого нового темпа работы, не успевали за ним.

Привет, Хабр! Это снова техподдержка РТК-Сервис. Продолжаем разбираться с рамановскими усилителями. В предыдущих постах мы поговорили о Т8 и Huawei. Сегодня на очереди вендор Nokia \ Alcatel Lucent.

Поехали!

Мы сначала сделали внутренний образовательный проект, а потом получили образовательную лицензию.

Логика была такая:

— Работодатель опасается учить сотрудников, потому что после обучения они могут уйти в другую компанию на зарплату повыше;

— Но ядерка — сфера особенная. У нас долгий онбординг: от полугода для рядового айтишника, год — для архитекторов и девопсов. При этом он типовой для многих наборов навыков;

— Нам выгоднее растить свои компетенции «дома» — повышать квалификацию или давать новый стек тем, кто уже знаком с нормами ИБ, регуляторикой и внутренними системами.

Поэтому мы в Гринатоме — это крупнейший ИТ-интегратор внутри Росатома — решили сделать свою школу айтишников.

И мы справились. Сейчас даже выдаём выпускникам документы о повышении квалификации и переквалификации.

Рассказываю, как это было.

Мы занимаемся веб-разработкой, CRM-системами и интеграциями. В одном из текущих проектов имеем CRM, где Telegram используется не просто для уведомлений, а как один из каналов взаимодействия с пользователем.

Наш telegram бот перестал работать.

Причём перестал весьма интересно: Telegram прекрасно принимал наши исходящие обращения через API, бот мог отправлять сообщения пользователю, но в обратную сторону — Telegram → наш webhook — запросы практически перестали доходить

Еще несколько лет назад выбор API для языковой модели фактически начинался с OpenAI и часто на нем же заканчивался. Сейчас рынок устроен иначе. У Anthropic, Google, xAI, DeepSeek, Mistral, Alibaba, Moonshot, Z.ai и Meta есть собственные API и сильные модели, российские проекты могут выбирать между Yandex AI Studio и GigaChat, а поверх всего этого появился отдельный слой агрегаторов вроде OpenRouter, Amazon Bedrock и Microsoft Foundry.

Формирование атрибутивного состава объекта нормативно-справочной информации (НСИ) — это этап, на котором закладывается основа качества данных: ошибочный или избыточный набор характеристик делает справочник малофункциональным, а грамотно спроектированный — превращает его в надежный источник достоверных данных. Рассмотрим, почему даже полный перечень характеристик не гарантирует качества и что с этим делать, на кейсах SOFROS.

Формирование атрибутивного состава — это не вопрос удобства заполнения, а вопрос принципиальной пригодности данных для автоматизации, аналитики и интеграции. Именно на этом этапе закладывается способность справочника работать как единый источник правды для всех пользователей, а не как коллекция слабоструктурированных записей, требующих ручной доработки перед каждым использованием. От того, насколько системно спроектирован атрибутивный состав, зависит, сможет ли компания в принципе перейти от управления данными к управлению на основе данных.

Атрибутивный состав ≠ шаблон описания

Каждое нажатие кнопки в телеграм-боте — это HTTP-запрос от Telegram к вам. Около трёхсот тысяч человек в месяц, у каждого в сессии десятки нажатий, и всё это приходит в один POST-эндпоинт, у которого нет ни права на пятисотку, ни права подумать.

Пропускная способность считается до обидного просто: max_connections, делённое на время ответа. Отвечаете за 200 мс при сорока соединениях — двести апдейтов в секунду. Отвечаете за две секунды — двадцать. И ждёт при этом не абстрактный клиент, а конкретный пользователь, у которого следующее нажатие просто не доедет.

Что осталось внутри вебхука и что уехало в очередь, почему дедупликация по update_id обязана быть атомарной, зачем в ответ на вебхук можно вернуть вызов метода API — и четыре бага, которые нашлись в собственном коде, пока я это писал.

На шаге «Установка монопольного режима» мастер «Обновление конфигурации базы данных» крутит индикатор уже восемь минут, а в консоли кластера 1С:Предприятие 8.3 в списке сеансов информационной базы «СервисЗапчасти» (1С:Комплексная автоматизация 2.5, клиент‑сервер, SQL Server) пусто.

Я хотел проверить не то, насколько хорошо локальная LLM пишет резюме по красивому тестовому диалогу, а что произойдёт с полным пайплайном на обычном телефонном звонке с музыкой, автоответчиком, перебиваниями и плохим звуком.

Я сделал desktop приложение на Tauri, Rust, React и SQLite. Оно распознаёт речь, разделяет спикеров, анализирует тональность, эмоции и риски, а в конце локальная модель формирует резюме и рекомендации. Всё работает на компьютере, интернет нужен только для скачивания моделей.

В эксперименте я прогнал реальные записи через два распознавателя и сравнил, где именно возникают проблемы на пути от аудио до итогового резюме.