Kurgan-Telecom Ru | Информационные технологии

Дискуссия о том, заменит ли искусственный интеллект программистов, получает всё новые поводы для обсуждения. Так, в мае 2026 года компания Anthropic сообщила, что уже более 80% кода, вливаемого в её кодовую базу, написано Claude.

На первый взгляд вывод кажется очевидным: раз ИИ способен писать код, тестировать и находить ошибки, значит, привычные IT-процессы и профессии скоро уйдут в прошлое.

Однако современные исследования показывают другую картину. Классический цикл разработки ПО (SDLC) никуда не исчезнет, но кардинально изменится распределение работы: всё больше задач внутри каждого этапа будут брать на себя AI-агенты.

В этой статье разберём, какие части разработки уже сегодня передаются искусственному интеллекту и как под его влиянием трансформируются процессы и роли в IT.

В процессе прохождения курса от MIT про нейросети наткнулась на интересную тему, представленную одним из лекторов. Он задался вопросом: «А может ли нейросеть выучить функцию Вейерштрасса (непрерывная функция на вещественной прямой, не имеющая производной ни в одной точке)?». Я решила проверить это на практике. Мною было принято решение не останавливаться на фракталах, а поискать другие функции, обладающие интересными для математика свойствами: лестница Кантора, функция Римана (Томаэ) и др. В данной статье представлена только функция Вейерштрасса.

Когда обычно вспоминают про юридическую защиту программы? Правильно, после релиза. Но когда дело доходит до гранта или налоговой, выясняется: без чистых прав вы не получите ни льгот, ни денег инвестора, а любой бывший сотрудник может оспорить владение кодом через суд.

В этой статье разобрала, как выстроить юридическую защиту программного обеспечения так, чтобы в будущем не пришлось срочно исправлять ошибки.

Точкой старта работы над проектом можно считать день, когда Дедушка Мороз положил мне под ёлку набор “Робот-автомобиль для Raspberry Pi 4B” от Keyestudio.

Привет, Хаброжители! На протяжении всей своей истории человечество неустанно искало способы решать задачи, прикладывая как можно меньше усилий. Люди всегда стремились создавать инструменты и автоматизировать повторяющиеся действия, чтобы выживать и экономить силы. Здесь некоторые могут поспорить, заявив, что человек умен, ищет возможности совершенствования, умеет творчески решать задачи и создавать произведения искусства в области литературы, музыки и т.п. Но второе обновленное издание «Грокаем алгоритмы искусственного интеллекта» не ставит целью обсуждение философской сути бытия. Оно дает обзор методов искусственного интеллекта, которые можно применять для решения прикладных задач.

Всем привет! Меня зовут Алексей Малафеев, я Senior SEO‑специалист, ex‑Детский мир. Также работал в качестве лида в компании KazanExpress (нынешний Магнит Маркет).

В этой статье хочу показать несколько прикладных кейсов того, как можно упростить и автоматизировать рабочие процессы в SEO крупного e‑commerce проекта: от мониторинга технического состояния сайта и анализа трафика до работы с большими объёмами данных и сезонностью категорий.

По опыту могу сказать, что на разных проектах встречаются как похожие и повторяющиеся задачи, так и абсолютно специфические, которые возникают из‑за особенностей конкретного бизнеса, архитектуры сайта или внутренних процессов. Но чем крупнее проект, тем чаще возникает одна и та же проблема — данных становится слишком много для ручной работы.

Команда разработчиков обычно подписана сразу на несколько таких сервисов: ChatGPT, Claude, Gemini, Cursor, Midjourney. У каждого своя подписка, свой биллинг, и в итоге расходы размазываются по личным картам сотрудников, а бухгалтерия потом не может свести отчетность.

Оплата зарубежных сервисов российскими картами после 2022 года для российского бизнеса стала отдельной проблемой. Интереснее другое: у разных сервисов из списка разные модели биллинга, и универсального решения под все сразу не существует. Разбираем, чем они отличаются и что из этого следует для оплаты от компании.

Когда речь идет об автоматизации бизнес‑процессов, существенная часть разговора неизменно будет касаться использования офисного пакета. Есть такой интернет‑мем: гигантская конструкция, названная «финансовая система мира», тремя четвертями своего веса опирается на небольшую подпорку, названную «Excel». И пока все вокруг не заполонили рои интеллектуальных агентов, табличный редактор остается основным инструментом человека для обработки и представления структурированной информации. Вероятно, когда корабль человеческих возможностей начнет тонуть в океане данных, именно разнообразные электронные таблицы последними покинут палубу.

Меня позвали настроить сквозную аналитику для маркетинга. Заказчик — кинодистрибьютор, работает в шести странах СНГ, десятки миллионов долларов кассы в год. Задача звучала стандартно: есть реклама фильмов в digital, есть бюджеты, нужно понимать отдачу. Соберите данные, постройте дашборд.

Обычный сценарий здесь — взять бриф и пойти делать. Я потратил три недели на интервью с руководителями направлений и разбор их рабочих файлов, прежде чем что-то строить. Выяснилось, что дашборд по маркетингу отвечал бы на вопрос про малую часть выручки, а основной денежный процесс компании — роспись, распределение сеансов по кинотеатрам, — не имеет ни одной управленческой метрики. Ни плана, ни факта относительно плана, ни замера качества. При этом через него проходит более 200 фильмов в год по более чем 150 кинотеатрам и примерно 500 залам.

Дальше — как устроен ИТ-ландшафт компании, которая делает десятки миллионов долларов кассы на Excel-файле со 150 вкладками, где именно там теряются деньги, и как я оценил размер потерь, когда сравнивать не с чем. Спойлер по методу: никакой магии, оценка построена на публичных бенчмарках производительности и честно помечена как нижняя граница.

Figure AI, Sunday Robotics, Weave Robotics и другие компании вкладывают огромные деньги в создание домашних гуманоидов, которые должны однажды превратиться в настоящих роботов-дворецких.

Но прежде чем дройд в стиле C-3PO из "Звездных войн" начнет готовить вам ужин и мыть полы, ему придется разобраться с кучей грязного белья.

Как асинхронно отправить диагностическую информацию на удалённые сервера для дальнейшей диагностики в условиях очень ограниченной среды? Корутины C++20 без динамической памяти и исключений, а также некоторые другие вещи, о которых вы бы никогда не подумали, что они вам нужны.

Большинство ИТ-компаний начинают готовиться к проверке после получения первого требования ФНС. На практике, если запрос пришел, то налоговая к этому моменту уже собрала информацию и сформировала свои вопросы к вам. Поэтому сегодня важно «подстелить соломку» заранее. В этой статье разбираю, как изменился подход ФНС к проверкам, какие ситуации становятся причиной дополнительных вопросов и что проверить, если компания применяет ИТ-льготы.

В предыдущей статье мы разобрали четвёртое базовое понятие BABOK — Решение (Solution). Мы выяснили, что оптимальное решение — не то, которое технически совершенно, а то, что наилучшим образом закрывает сформулированную потребность в данном контексте с учётом реальных ограничений. Ключевое словосочетание здесь — «в данном контексте». Но что именно скрывается за этим словом?

Представьте: команда провела безупречный анализ заинтересованных сторон, точно сформулировала потребность, спроектировала переход и выбрала оптимальное решение. А потом выяснилось, что регулятор запретил использование облачных технологий для хранения персональных данных. Или что организационная культура компании настолько иерархична, что любое изменение без явного одобрения топ-менеджмента обречено на саботаж снизу. Или что технологический стек компании несовместим с выбранным решением, а на его замену нет ни бюджета, ни времени. Всё это — контекст.

Разберём пятое базовое понятие BABOK — Контекст (Context).

Импортозамещение софта подошло к тупику экстенсивного роста. Бюджеты стабилизировались, первая волна пожарной миграции завершена, и на смену паническому «на чем работать завтра» приходит трезвый аудит TCO и вендор-рисков.
В этой статье мы разберем математику сетевых эффектов, парадокс теневого Telegram, почему On-Prem отечественных «вендорских комбайнов» вместо снижения рисков оборачивается инфраструктурным взрывом, и как Matrix, TOGAF 10 и SABSA помогут бизнесу вырваться из нового вендорского капкана.

В последний вечер дататона у нас оставалось три попытки отправить решение. К этому моменту мы уже перебрали несколько моделей, собрали тяжёлый ансамбль и упёрлись в 0.6605. Новые энкодеры добавляли по одной-две тысячных, а fine-tuning показывал отличные цифры локально и проваливался на лидерборде.

Добавлять ещё одну модель смысла почти не было. Мы решили изменить сам поиск соседей: попробовать K-reciprocal re-ranking, а затем ещё раз применить AS-Norm. От этого варианта ждали примерно 0.67–0.69.

Получилось 0.7042 и 10-е место из 93. Почти весь день мы пытались выжать из моделей тысячные, а перерасчёт соседей добавил больше четырёх сотых без дополнительного обучения.

Разбор XML казался тривиальной задачей — пока я не попытался загрузить словарь OpenCorpora объёмом свыше 400 МБ через стандартный DOM-парсер. Дерево документа строилось бесконечно долго, потребление памяти росло без остановки, а до обработки данных дело так и не доходило.
Решением оказался SAX-парсинг, давно присутствующий в стандартной библиотеке Free Pascal, но почти не встречающийся в актуальных примерах и туториалах. В статье разбираю, как устроена событийная модель разбора XML, почему она принципиально экономичнее DOM для больших файлов, и как на её основе был построен парсер словаря OpenCorpora для экспериментальной библиотеки.

Привет, Хабр! Меня зовут Дмитрий Тимохин, я лидер команды ML CRM «Кластер CRM и клиентский опыт» в ВТБ. В этой статье расскажу, как мы разрабатывали сервис анализа и категоризации клиентских обращений для центра клиентской поддержки корпоративно-инвестиционного бизнеса (ЦКП КИБ). 

В реальных бизнес-процессах автоматизировать клиентскую поддержку довольно непросто. Клиентские обращения редко представляют собой один цельный текст с понятным запросом: это звонки, чаты и письма одновременно, оборванные фразы, переключение между несколькими темами внутри одного диалога и неполные данные из разных источников.

Как собрать из этого потока единое обращение, выделить необходимую информацию, чтобы корректно решить проблему клиента?

Разберемся в статье.

В рамках этой статьи я детально расскажу о разработке драйвера шагового двигателя. Я уже много лет держал в голове этот проект и хотел им заняться. Наконец такая возможность появилась: этот проект стал моей дипломной работой.

Мониторинг шлёт тревогу, пользователи пишут, что «всё лежит», но SSH пускает на сервер. Значит, машина включена и 22-й порт доступен. О домене, портах 80 и 443, TLS, веб-сервере и приложении это пока ничего не говорит… Кажется, что нужно просто перезапустить nginx, но перезапуск стирает часть следов и может превратить частичную аварию в полную беду. Под катом расскажу, как пройти путь запроса сверху вниз и найти место, где он остановился.

Системы видеоаналитики обрабатывают терабайты видеоданных в реальном времени — от распознавания номеров до детекции инцидентов на дорогах. В таких условиях любая ошибка управления памятью оборачивается сбоями: пропущенными нарушениями, потерянными доказательствами, остановкой системы на часы. 

Именно поэтому всё больше команд, разрабатывающих высоконагруженные системы видеоаналитики, рассматривают Rust как альтернативу языкам с ручным управлением памятью (C/C++) — как минимум для критических компонентов, где важны предсказуемое время отклика и исключение ошибок работы с памятью.

В этой статье разбираем, как контроль над памятью и исключение неопределенного поведения влияют на стабильность обработки видеопотоков и почему предсказуемость работы системы становится важнее сырой производительности.

При подготовке статьи комментариями поделился Антон Половихин, руководитель команды разработки сервисов локального комплекса в «Фалькон Тех». Он ответил на вопросы по работе с Rust в высоконагруженных бэкенд-системах и помог уточнить технические детали.