Kurgan-Telecom Ru | Информационные технологии

Привет, Хабр! На связи Сергей Кноль, маркетинговый аналитик, отвечаю за всю аналитику маркетинга в М2 и Артём Колесник, руковожу продуктовым маркетингом. 

В М2 мы столкнулись с задачей и пытались ответить на вопрос: как связать цели бизнеса с работой отдельных маркетинговых команд — и при этом не поставить человеку в KPI метрику, на которую он почти не влияет?

Мы решили построить единое дерево метрик, которое связало бы бизнес-показатели с тем, чем маркетинг действительно может управлять. В статье расскажем, как мы трижды пересобирали модель, почему в итоге отошли от классической декомпозиции сверху вниз, какие правила помогли не превратить адаптацию фреймворка в подгонку под ответ и как теперь используем дерево для постановки KPI и оценки маркетинговых инициатив. А ещё — где этот подход пока не работает. Полезно будет маркетологам, которые хотят переиспользовать наш подход для декомпозиции целей кампании до отдельных отделов и сотрудников маркетинга.

• Как я оживил LaserJet 1320 и Color LaserJet CP1025 на macOS 27 — разбор по логам CUPS
• “Filter failed” и «legacy USB class driver»: анатомия двух поломок печати на M1

Дано:
macOS 27 на M1, два древних принтера HP, одно и то же сообщение «ПО принтера несовместимо с этим устройством». Выглядит как один диагноз — «драйверов под ARM нет, покупай новый принтер». На деле это две совершенно разные поломки: одна лечится одной командой, вторая не лечится вообще и требует замены драйвера на open‑source. Ниже — разбор по логам CUPS, file, nm и strings, с рабочими решениями для обоих случаев.

Практический разбор двух простых шин: как разделить запуск действий и реакцию на изменения в реальном frontend-приложении.

При вайб-кодинге без инженерного контура отладка съедает у разработчика больше времени, чем экономит генерация. 

От подхода «а давайте добавим немного ML» в 2023-м мы дошли до процесса, где работает не столько модель, сколько контур вокруг нее.

В этой статье делюсь нашим практическим опытом (набитыми шишками) и эволюцией подходов применения LLM (не только в разработке).

Большую языковую модель можно скачать с Hugging Face, развернуть на сервере с GPU и отправить ей первый запрос. Технически LLM уже работает: получает текст на вход и генерирует ответ. Но до готового бизнес-сервиса еще далеко.

Пользователю нужен интерфейс. Приложению — API. Модели нужно передавать контекст и корпоративные данные. Доступ к сервису необходимо ограничивать, действия — контролировать, запросы — логировать, а ошибки — обрабатывать.
Чтобы модель делала что-то полезное для бизнеса, ей потребуется передать контекст, подключить внешние или внутренние системы и описать правила работы с ними.

Все эти компоненты вокруг модели часто называют обвязкой, или harness.

В этой статье разберемся, зачем она нужна, из каких частей может состоять и почему выбор самой LLM — только один из этапов создания ИИ-сервиса.

Warpnet — это полностью децентрализованная, одноранговая социальная сеть, вдохновлённая Twitter, но построенная так, что у неё нет центральных серверов. Каждый пользователь запускает свой собственный узел (node), и именно эти узлы вместе образуют сеть.

По новому требованию закона онлайн-кинотеатры и другие аудиовизуальные сервисы должны передавать уполномоченной правительством исследовательской организации дополнительный идентификатор пользователя, сопоставленный с номером мобильного телефона. Если один человек указал один и тот же номер в разных сервисах, идентификатор тоже должен совпасть.

На первый взгляд, задача элементарная: нормализовать номер телефона и посчитать от него хеш с общим для всех компаний секретом. На практике простое решение создало бы единый секрет сразу для десятков независимых компаний — и единую точку компрометации. Поэтому мы хотели найти более надёжный способ защитить данные пользователей.

Меня зовут Айдар Сабиров, я занимаюсь информационной безопасностью в Яндексе. Порой нам приходится решать самые необычные задачи, в которых техническая часть оказывается лишь половиной решения. Вторая половина — договориться между компаниями и превратить непонятные формулы в работающий отраслевой процесс. Это как раз такой случай. 

В этой статье я расскажу Хабру, как мы вместе с другими участниками рынка искали более надёжную конструкцию и пришли к схеме на основе Oblivious Pseudorandom Function (OPRF), предотвращающей отслеживание пользователя по его номеру.

Мне нужны собственные каноники книг. Каноник — это одна устойчивая запись «вот этот текст», к которой привязывается всё остальное: файлы в разных форматах, аудиокниги, издания, дубли.

Не потому, что внешние источники плохие. Если мне нужно быстро получить автора, название или идентификатор книги, я вполне могу взять их из существующего каталога. Даже если в каталоге есть мусор, это не катастрофа: мусор можно постепенно исправлять. Проблема в другом — это не мой каталог. Я могу годами накапливать вокруг внешнего идентификатора результаты собственных анализаторов: связывать с ним аудиокниги, находить дубли, определять издания, собирать статистику, строить рекомендации. А потом внешний источник поменяет идентификаторы, структуру или просто исчезнет, и вся накопленная работа повиснет в воздухе.

Поэтому я решил сделать собственный корпус книг. Он тоже будет грязным, и это нормально. Главное, что это мой грязный корпус: я могу его постепенно улучшать, и его идентификаторы контролирую я сам.

В корпусе сейчас около 664 тысяч книг. А задача, ради которой всё это понадобилось, на первый взгляд была совсем простой: взять несколько минут аудиокниги, прогнать через Whisper и найти соответствующую книгу по тексту.

Ну что может быть сложного? Оказалось — примерно всё.

Почти в каждой компании есть устаревшие системы (те самые legacy), которые по различным причинам необходимо поддерживать. Например для соответствия требованиям регуляторов или просто, из-за отсутствия полноценной замены. При этом, работа с такими приложениями часто превращается в экстрим, так как добавление каждой новой функции равносильно заезду еще одного грузовика на старый, шаткий мост. Этот образ точно передаёт суть технического долга, который является не конкретным багом, а накопленным системным обязательством. И вроде бы каждый компромисс в стиле «сначала выкатим, потом оптимизируем» или «страшно трогать», кажется разумным краткосрочным решением, но в итоге все сливается в невидимую силу, которая тормозит всю организацию.

Когда я буду большим, я ограничу себе экранное время.

В нескольких сообществах предпринимателей и IT-профи (SPB Founders, Uskillz, IT Hardcore) у участников регулярно возникают вопросы по темам от "поднять корпоративную инфраструктуру" до "решить задачу по домашней IT-инфре, т.к. дети уже доламывают фаервол на роутере". К таким вопросам обычно относится и запрос на инструмент под родительский контроль. Причем в одной семье хотят знать, дошёл ли ребёнок до школы и не ушел ли с девайсом пораньше. В другой — хотят договориться (если это так называется) о времени на онлайн-игры. В третьей — закрыть доступ к определённым сайтам. В апсторах все 3 задачи встречаются под вывеской "родительский контроль" (еще некоторое число запросов типа "геолокация", "локатор ребенка" и т.п.). Отсюда и сложности с выбором: похожие описания приложений скрывают довольно разные продукты. А число обзоров продуктов, не валидных для России (хотя бы исходя из платежных решений, "заточенных" под международный купюроприемник) — так вообще зашкаливает.

За основу своего сравнения приложений для родительского контроля я решил взять последние подборки на русском языке, гуглящиеся в Яндексе по запросу "Родительский контроль 2026".

Почти в каждом продукте класса "родительский контроль" есть функция запрета запуска приложений и функция разблокировки по приложениям, а также локатор устройства. На карте родитель видит местоположение детского устройства, а в статистике — использование приложений и блокировок контента. Из одного аккаунта чаще всего можно управлять несколькими детскими устройствами. Продукты устанавливаются на телефоны родителя (нескольких родителей) и ребёнка (нескольких детей), которые связываются кодом. Для геолокации нужны GPS и интернет, для устойчивой работы ограничений — необходимые разрешения и работа приложения в фоне.

Привет, дорогой Хабр!

Итак, наша основная задача такая - быстро забрать буквы из звука и получить внятный текст. Причем вменяемого качества хотелось бы и относительно недорого. Собрали подборку зарубежных сервисов по транскрибации аудио в текст с помощью нейросетей.

Таксоно-онтологическая методология многопредметного инженерного исследования с управляемым межпредметным переносом

Как собирать исследовательскую оптику, переносить конструкции между предметными областями и проверять новое с помощью ИИ

Аннотация

Публикую Часть I книги "Глаз стрекозы" о том, как собирать исследовательскую оптику, переносить конструкции между предметными областями и проверять новое с помощью ИИ.

Полный текст книги состоит из пяти частей, 15 глав, 29 иллюстраций.

Полный текст книги бесплатно прочитать и скачать на Литнет.

«Глаз стрекозы» — практическая книга о многопредметном инженерном исследовании в эпоху ИИ. Она показывает, как одиночный исследователь может собирать несколько предметных миров, различать таксоны, находить переносимые механизмы, защищаться от ложной аналогии, связывать утверждения с доказательствами и вовремя останавливать поиск. Сквозной кейс Universal DR демонстрирует, как продуктовая постановка меняет сам Рабочий Глаз исследования. Книга предназначена для ИТ-архитекторов, аналитиков, инженеров и руководителей, которым нужен не ещё один набор промптов, а воспроизводимая дисциплина работы с неизвестным.

Введение. Зачем вообще нужен «Глаз стрекозы»

Эта книга выросла из довольно простого раздражения. Современный ИИ очень хорошо умеет продолжать мысль. Стоит задать ему сложный инженерный вопрос, и через несколько минут на экране уже появляется целый мир: подходы, архитектуры, аналоги, фреймворки, статьи, инструменты, варианты развития. Иногда ответ настолько связный, что хочется просто идти по предложенному маршруту.

Привет, меня зовут Александр Шереметьев, я старший инженер по разработке ПО для коммутатора KORNFELD в YADRO. Мы привыкли, что Ethernet — среда с доставкой по мере возможности. Если возник затор, пакет дропается, а Transmission Control Protocol  потом разбирается сам. Но сегодня мы строим сети для AI-кластеров и распределенных систем хранения, где задержка в несколько миллисекунд на ретрансмит пакета — это катастрофа, которая просаживает производительность всей системы на 30–40%.

Сегодня мы разберем, как «прокачать» Ethernet до уровня Lossless, чтобы по надежности он не уступал Fibre Channel, но оставался гибким и быстрым. Мы залезем «под капот» коммутатора и посмотрим, как математически рассчитываются буферы и почему настройка одной лишь технологии PFC — это только верхушка айсберга.

За несколько месяцев агенты OpenAI и Anthropic вышли за пределы тестовых сред, скомпрометировали инфраструктуру Hugging Face, получили доступ к production-системам реальных компаний и засветились на государственных сайтах США и Австралии. Проблема оказалась интереснее сценария «ИИ решил стать хакером»: иногда агент просто продолжает выполнять поставленную задачу и не воспринимает технический барьер как границу допустимого.

Год назад рассуждения об автономных ИИ-агентах часто упирались в гипотетический сценарий: модель получит достаточно инструментов, научится самостоятельно планировать длинные цепочки действий, а затем однажды найдёт способ выйти за пределы окружения, которое ей выделил разработчик. Пока агенты в основном умели неудачно заполнять формы и путались между вкладками браузера, риск выглядел довольно академическим.

Летом 2026 года академическая часть закончилась. В мае агенты OpenAI начали использовать внутренний Artifactory как импровизированный канал связи. Затем научились получать через него доступ в интернет. В июле цепочка закончилась компрометацией Hugging Face и административным доступом к исследовательскому Kubernetes-кластеру самой OpenAI. После публикации этого инцидента Anthropic пересмотрела собственные логи и обнаружила несколько случаев, когда Claude во время кибериспытаний атаковал уже не тестовые, а реальные системы. Затем появились совсем другие эпизоды: Medicare в Австралии, SEC, Census Bureau, Office for Civil Rights Министерства образования США и несколько баз данных, которые агенты пытались достать в ходе обычных задач на поиск информации.

Мы до сих пор сидим на «старой» модели, и коллеги спрашивают: почему? Чтобы ответить честно, пришлось прогнать семь квантов через шесть групп тестов и сжечь почти миллиард токенов. Спойлер: новое — не всегда лучше, а один из кандидатов оказался не тем, чем себя называл.

 (Delta Design профессиональная 4.2.2 + опция high speed на основе SimPCB)

Почему мы вообще за это взялись?

Если вы проектируете что-то с DDR, PCIe, USB 3.x или гигабитным Ethernet, ваш маршрут контроля импеданса, скорее всего, выглядит так. Сначала Polar Si9000 или Z-planner: подбираем стек, материал, ширину и зазор под целевые 50 и 100 Ом (или другое значение волнового сопротивления в зависимости от требований к интерфейсу). Полученные цифры переносим в САПР и трассируем. Потом, ближе к концу, выгружаем плату через ODB++ в HyperLynx или Sigrity и смотрим, что получилось на самом деле.

Проблема этого маршрута не в том, что он плохой — он рабочий и десятилетиями проверенный. Проблема в разрыве обратной связи. Калькулятор структур считает идеальное сечение: одна ширина, один зазор, один набор слоёв. Реальный проводник по дороге от передатчика к приёмнику меняет слой два-три раза, сужается у контактной площадки, проходит через переходные отверстия, местами расходится в дифпаре на обход препятствия. И всё это вы увидите только тогда, когда плата уже разведена и выгружена во внешний симулятор — то есть в момент, когда переделывать дороже всего.

Мы хотели закрыть этот разрыв в самом очевидном месте: считать импеданс по фактической топологии, в том же редакторе, где топология рисуется, и в тот момент, когда её ещё дёшево править. Не заменить HyperLynx и Sigrity — про границы применимости будет отдельный раздел, — а дать инженеру быструю проверку в цикле трассировки.

Так появился мастер SimPCB. В релизе 4.2.2 он может выполнять два вида расчёта волнового сопротивления: без потерь и частотный анализ.

Эксперимент: а можно ли собрать достаточно точный привод из старого FPV-мотора, чтобы в дальнейшем использовать при создании, к примеру, робота-манипулятора или подвеса камеры.

Некоторое время назад я решил обновить KDE на своем ноутбуке.

Причина была довольно банальной. В ноутбуке установлен 14-дюймовый Full HD экран, для которого масштаб 100% слишком мелкий, а 200% — слишком крупный. В KDE Plasma 5 под X11 дробное масштабирование в целом работало, но хотелось нормально перейти на Wayland, где в старой версии KDE с fractional scaling всё было несколько менее радужно.

Кроме того, KDE 5.27, несмотря на LTS-статус и вполне приличную стабильность, к 2026 году уже начал ощущаться немного устаревшим. KDE 6 существует далеко не первый год, Wayland постепенно превратился из экспериментальной опции в основной сценарий работы, а я всё ещё сидел на Plasma 5.

На ноутбуке при этом была установлена РЕД ОС 8.

Самое очевидное решение проблемы — поставить Fedora, Альт Линукс или какой-нибудь другой более ориентированный на десктоп дистрибутив, где современный KDE уже есть в штатных репозиториях.

Но это было бы слишком просто.

Поэтому я решил собрать KDE 6 самостоятельно.

В результате небольшая задача «обновить графическую оболочку на ноутбуке» постепенно превратилась почти в 500 исходных пакетов, собственный RPM-репозиторий, несколько тестовых виртуальных машин, довольно много потраченных токенов LLM и некоторое понимание того, почему работа мейнтейнера Linux-дистрибутива сложнее, чем кажется со стороны.

Об этом процессе я и хочу рассказать.

С сердцем все сложно. Этот небольшой, с кулак размером орган иногда попадает в передряги, которые могут закончиться очень плохо для хоста. Что нам могут предложить медики, чтоб избежать неприятностей?

Кое-что могут.

Всем привет! Сегодня опишу мой небольшой путь по переделке дефолтной кнопки тачпада на ноутбуке Asus ZenBook Flip 13 (UX363EX)