Kurgan-Telecom Ru | Информационные технологии

88% компаний используют ИИ, но только 1% достиг зрелости. Главный барьер — не технология, а безопасность данных. Что мы делали два года и почему пришли к гибридной архитектуре.

Жемал Хамидун, Head of AI Alpina Digital, CPO AlpinaGPT, автор тг-канала «Готовим ИИшницу».

Топ-менеджеры ГК «Первый Трест» теперь уходят с работы на два часа раньше, компания экономит до 5–7 % оборота в год, а 50 000 задач по девяти жилым комплексам больше не теряются. Застройщик из Уфы рассказал, как добился этого.

Дэвид Иглмен — нейробиолог, автор книги «Мозг. Ваша личная история», которая издана на русском, однажды устроил соревнование с десятилетним мальчиком Остином Набером — чемпионом мира по капстекингу среди детей (соревнование, кто быстрее соберёт и разберёт пирамидки из специальных пластиковых стаканчиков). Остин управился за пять секунд. Иглмен — за сорок три.

Сразу после этого Иглмен замерил активность мозга обоих — с помощью ЭЭГ, электродов на коже головы. Логично было бы предположить, что мозг чемпиона работает на повышенных оборотах — ведь такая скорость, такая точность. Но всё оказалось наоборот! Активность мозга Иглмена была высокой — мозг новичка бросал на незнакомую задачу все имеющиеся ресурсы. У Остина картина была ближе к состоянию покоя.

Для ученого это стало наглядным примером того, что происходит с мозгом, когда он перестаёт сталкиваться с незнакомым.

Победа, которая останавливает рост

Когда мы осваиваем что-то новое, мозг работает на износ: задействует префронтальную кору, теменную кору, мозжечок — все ресурсы брошены на решение незнакомой задачи. Но чем больше мы практикуемся, тем глубже навык уходит в структуру мозга — буквально прожигается в нейронных связях. И однажды он перестаёт требовать сознательного участия. Остин не думает о том, как складывать стаканчики. Его мозг просто делает это — тихо, экономно, на автопилоте.

Иглмен называет это встраиванием навыка в микроструктуру мозга. Мозг превращает когнитивную программу общего назначения в специализированное аппаратное обеспечение. Это и есть мастерство.

Всем привет! Хочу поделиться, возможно, не новым, но, на мой взгляд, довольно изощренным видом фишинга. Кто-то уже наверняка сталкивался с таким методом, а для кого-то он окажется в новинку.

Полтора года в Claude Code, несколько релизов моделей, десятки экспериментов с командой в Kaiten. Всё это время я ждал, что главным рычагом качества будет очередной релиз модели. Оказалось, ровно наоборот: смена модели даёт заметный, но ограниченный прирост, а каждый новый слой обвязки вокруг неё — кратный.

Англоязычные инженеры называют эту обвязку harness. Это контур, в котором живёт модель: системный промпт, инструменты, контекст, скиллы, хуки, разрешения и память. Без него даже флагманский Claude или Codex работает как экскаватор без рычагов — мощность есть, использовать нечем. У русского аналога одного короткого слова пока нет, поэтому ниже — harness и обвязка вперемешку.

Все началось с прикола, я сидел с друзьями и подумал, а вот было бы прикольно запихать разные модели нейросетей в один чат и заставить их думать, что они реальные люди и работают в корпорации. Весь смысл был в том, чтобы это были действительно разные модели и пользователь мог просто между ними переключаться по запросу. Для начала мне нужно было найти зоопарк апи ключей с бесплатными лимитами. Я прошерстил весь интернет и в итоге нашел относительно норм варианты: Groq для LLama, Google AI Studio для Gemma и Gemini. В целом в это время код был простой, правда все время происходил забавный баг, когда пользователь переключался между моделями, одна модель не хотела отдавать очередь другой и просто притворялась ею, но я в целом без трудностей поправил это через системный промт. Однако до конца у меня исправить это так и не получилось, видимо, мои модели слишком тупые.

Бизнесу, разработчикам и продуктовым командам уже недостаточно подключить одну нейросеть и считать задачу закрытой. Для текста лучше подходит одна модель, для кода — другая, для изображений — третья, для видео, аудио, 3D и эмбеддингов — отдельные классы решений. Поэтому на первый план выходит не просто API нейросеть, а единый слой доступа, где можно управлять разными моделями через один понятный интерфейс, один баланс и один набор правил интеграции.

AI API ключ нужен, чтобы приложение, сайт, CRM, бот, внутренний сервис или аналитическая система могли обращаться к моделям искусственного интеллекта без ручной работы. Вместо того чтобы каждый раз открывать веб-интерфейс нейросети, пользователь отправляет запрос программно: текст, изображение, аудио, видео, задачу на генерацию кода, поиск смысла в документах или создание 3D-объекта.

Главная ценность такого подхода — скорость внедрения. Команда получает API ИИ, подключает его к своему продукту и начинает строить сценарии: автоматические ответы клиентам, генерацию карточек товаров, проверку кода, создание изображений для витрин, обработку голосовых сообщений, подготовку видео, анализ документов, поиск похожих текстов и многое другое. При этом AI API доступ можно организовать так, чтобы не зависеть от одной модели и быстро переключаться между провайдерами.

Агрегатор ИИ API в России: https://api.ranvik.ru/

Эта часть про то, как я пилю бэкенд, учусь на этом и получаю эмоциональные качели.

Для начала, напомню о себе: после 12 лет отсутствия в сфере я решил вернуться к своему базовому образованию – инженер-программист. Что-то приходится «вспоминать с нуля», но я не люблю начинать изучение полностью с теории, я больше экспериментатор.

Мне приходится периодически кататься на велике. В какой-то момент я решил, что просто кататься - это слишком скучно. Захотелось не просто ездить, но и как-то исследовать окружающий мир.

Я попробовал исследовать окрестности своего квартала на наличие источников WiFi излучения.

Полгода использовал Claude, GPT и Cursor как полноценного второго разработчика на Rust в проде. Собрал семь категорий ошибок, которые модели стабильно делают и которые проходят cargo build, cargo test, иногда cargo clippy и при этом являются UB или скрытыми архитектурными ловушками. Lifetime laundering, std::sync::Mutex через .await, Drop у транзакций, unaligned read, async cancellation, orphan rule и массивы на стеке. Разбираю, почему именно Rust ломает LLM и что с этим делать.

«Если что-то может пойти не так, это обязательно случится». Мы не пытаемся предотвратить отказ, мы проектируем систему так, чтобы отказ одного элемента не валил конструкцию целиком.

В предыдущих статьях мы разобрали AutoML на задаче о Титанике и показали систему мониторинга моделей. Это были туториалы по компонентам OutBoxML. Сегодня я хочу подняться на уровень выше и поговорить о принципах, на которых эти компоненты и вся система держатся. И поговорить про это через мой опыт в судостроении и страховании.

Почему добавление второго consumer«а в очередь может привести к двойным списаниям? Разбираем на реальном кейсе: как один Topic стоил компании 312 дублей за час. »

Сравниваем поведение JMS, Kafka и RabbitMQ, показываем, почему ни одна очередь не даёт exactly‑once из коробки, и как идемпотентность, Dead Letter Queue и правильный выбор канала (команды vs события) делают интеграции надёжными.“

Готовые схемы, продакшен‑код на Java и чек‑лист, который стоит применить прямо сейчас!

Программирование — это редко про «написать кнопку». Чаще это попытка перевести хаос бизнес-процессов, привычек пользователей и странных требований в систему, которая должна работать стабильно. В статье — реальные истории из легаси, enterprise и автоматизации: DOS-мышление в вебе, Excel как основа бизнеса, реверс-инжиниринг без документации и почему иногда лучший аналитик — оператор с цифровым блоком клавиатуры.

Представь: пятница, вечер. Ты запускаешь CI для последнего пулл-реквеста, идёшь наливать кофе, возвращаешься… а билд упал. Один тест. Ты перезапускаешь проходит. «Флаки», — вздыхаешь ты и ставишь лейбл flaky. На следующей неделе история повторяется. Потом ещё раз.

Мы привыкли, что нестабильные тесты — это неизбежное зло. Их ловят повторными прогонами, а если повезёт вырезают. Но знаешь, что реально бесит? В 80% случаев корень проблемы можно найти, просто посмотрев на код теста.

Я написал инструмент, который это делает автоматически. Без логов CI, без истории прогонов — только AST и машинное обучение.

Назвал его FlakyDetector. Первая версия была исследовательским прототипом (про него у меня выходила статья на Хабре). А теперь — это полноценный продукт: CLI, веб-дашборд, CI-интеграция и даже React-фронтенд. И да, он open source.

Давай разберёмся, как это устроено.

Большинство задач современной робототехники так или иначе завязаны на нейронных сетях: детекция объектов, оценка глубины, локализация, планирование. Всё это ресурсоёмко, и вопрос выбора компактного вычислителя (достаточно часто алгоритмы должны работать локально) встает довольно остро. На практике выбор сводится к трём классам устройств: NVIDIA Jetson, внешний ускоритель (один из самых популярных — Hailo) и китайский (не всегда, конечно, но в современных реалиях обычно китайский) SoC с интегрированным NPU. В этой статье я рассмотрю представителя третьего класса — Axera AX650N, а NVIDIA Jetson будет использоваться для сравнения, так как это единственное массовое edge-решение с универсальными вычислительными ядрами (CUDA).

Это первая часть цикла. Здесь я разберу аппаратную архитектуру самого AX650N — CPU, NPU, DSP, ISP, память — и поделюсь результатами первых тестов: YOLO, Depth Anything, SuperPoint и мультимодальный Qwen3. Подробные бенчмарки и сравнения — во второй части.

Я тестировал AX650N в рамках готового устройства от Sipeed — Maix4 Hat. Он состоит из двух частей: SoM, на котором расположены SoC и 8 GB RAM (2x4 GB, так как у AX650N два отдельных DDR-контроллера), и baseboard от Sipeed с минимальным количеством интерфейсов. Скромность интерфейсов объясняется просто: baseboard — это HAT для Raspberry Pi 5, подключающийся по PCIe 2.0. В такой конфигурации AX650N работает как внешний ML-ускоритель, аналогично Hailo. В рамках этой и последующих статей я буду использовать Maix4 Hat как самостоятельный микрокомпьютер.

Состоялся выпуск MuseScore Studio 4.7, свободного нотного редактора для Linux, Windows и macOS. В новой версии разработчики сосредоточились на гравировке, гитарной нотации, ускорении повседневной работы и доработке аудиодвижка. Код проекта распространяется под лицензией GPLv3.

( читать дальше... )

• Загрузить
• Руководство
• GitHub

 linux, macos, musescore, windows, ноты

На стенде ваши модели обучаются буквально на десятках картинок вместо тысяч, и дают не меньше 86% точности, при этом обходят YOLO — без GPU-кластеров и эмэль‑псевдомагии.

Мы разработали уникальный во всех смыслах слова стенд. И с развитием стенда ML-щики будут ....й не нужны, потому что никаких действий от ML-щиков внутри требоваться не будет. Положите в стенд изображения (десяток‑другой, вместо тысяч),  понажимайте кнопки — получите результат.  

Чтобы пользоваться нашим стендом, не нужно быть айтишником, а можно – быть кем угодно. Вы можете  тренировать модель для себя. Айтишник может пригодиться на этапе наладки отправки данных с вашего приложения, камеры или чего угодно ещё в нашу систему, чтобы мгновенно получать ответ/результат. Либо для разметки данных, потому что у нас этого интерфейса пока еще нет.

Исключения рождаются не только в основном коде, но и в обработчиках этих самых исключений. Зачастую вопросу не уделяется должного внимания. Действительно, что может пойти не так в блоке catch? Там ведь код тривиальный! Но это только на первый взгляд.

Например, безобидный LOG.warn("...") выливается в десяток вызовов нижележащих методов. И чем больше «наслоений» в библиотеке логгирования, тем выше вероятность сбоя. Всё бы ничего, если бы не одна особенность языка Java…

Как получить p‑value ≈ 10⁻¹⁵⁴ там, где его на самом деле нет? Разбираем феномен псевдорепликации при анализе пропорций в single‑cell данных и учимся честно ловить биологический шум. Этот туториал посвящен тому, как работает квази‑биномиальная логистическая регрессия — один из наиболее используемых методов в биоинформатике для поиска клеточных популяций, которые растут или исчезают при старении и развитии заболеваний.

В апреле 2026 года пользователям iPhone стало недоступно пополнение Apple ID с баланса мобильного счета. Учитывая ориентированность устройств на платные сервисы, владельцы «яблок» могут столкнуться с неприятными неудобствами.

Однако не стоит отчаиваться: как и многие другие ограничения последних лет, проблема с оплатой сервисов Apple решается виртуальным «переездом». О том, как подготовить iPhone к смене региона Apple ID, какую страну лучше выбрать и как пополнять счет — разберемся вместе с вами прямо сейчас!