Kurgan-Telecom Ru | Информационные технологии

За последние несколько десятков лет почти в каждое устройство ставили литий-ионные аккумуляторы. Высокая энергоёмкость, долговечность (в разумных пределах) и гибкость форм сделали их стандартом для большинства устройств.

Но всё чаще в новостных заголовках стали говорить про проблемы самопроизвольного возгорания смартфонов, ноутбуков и даже автомобилей, чувствительности к экстремальным погодным условиям и т. д. Инженеры стали искать другие, новейшие варианты конструкций, самым интересным из которых стало создание твердотельных аккумуляторов.

Поговорим про внутреннее устройство твердотельных аккумуляторов. В чём отличие от литий-ионных?

Нет, в статье я не буду расписывать, насколько классные твердотельные батареи, как они в один момент смогут решить все проблемы человечества и что сейчас за ними наше будущее (с чем я в принципе согласен, но не будем про это). Рассмотрим факты и практику.

При разработке персонального цифрового ассистента здоровья «Я Здоров» мы использовали долгосрочную память — LTM (Long-Term Memory). Сервис реализован в формате мобильного приложения: он собирает медицинские данные пользователя в единый цифровой профиль, позволяет хранить и оцифровывать медицинские документы, отслеживать результаты анализов, вести дневники здоровья и общаться с AI-ассистентом в чате.

В диалогах пользователь сообщает ассистенту информацию о своем здоровье: о симптомах, принимаемых препаратах, аллергиях и других состояниях. Часть этих данных важно учитывать не только в текущем разговоре, но и при следующих обращениях. Для этого мы сохраняем их в LTM и при необходимости возвращаем в контекст модели.

На практике работа с долгосрочной памятью оказалась шире, чем просто сохранение фактов. Нужно учитывать их актуальное состояние и изменения, определять, какие данные нужны модели для конкретного запроса, и контролировать, какие операции можно оставить LLM, а какие надежнее выполнять программно.

В статье разберем, как мы с командой ASAP решали эти задачи, как менялась архитектура LTM и к какой реализации пришли сейчас.

В данной статье рассмотрим сложные сценарии восстановления кластера Greengage DB, в которых кластер восстанавливается на новом окружении.

Реклама потратила две тысячи рублей и не принесла заявок.

Отключать или ждать?

Показываю, как связать допустимую цену заявки с числом переходов, откуда берётся ориентир в три цены результата и почему он работает только при определённых условиях.

Отдельно разбираю задержку конверсий, повторные клики и разницу между лимитом бюджета и статистическим порогом.

JEP 491 в JDK 24 устранил закрепление виртуальных потоков за потоками-носителями при работе с мониторами. Именно из-за этого механизма переход на виртуальные потоки в Java 21 был рискованным для блокирующего кода внутри synchronized. Однако закрепление всё ещё возможно при выполнении нативного кода, загрузке классов и локальных файловых операциях в Linux. Поэтому событие JDK Flight Recorder (JFR) jdk.VirtualThreadPinned по-прежнему должно входить в контрольный список перед внедрением.

Claude считает каждую страницу отсканированного PDF как изображение — это примерно 1785 токенов на страницу. Незаметно 200-страничный документ превращается в 357 000 токенов. Если взять Claude Sonnet 5 и цену $3 за миллион токенов это около 90 рублей только за то, чтобы модель просканировала ваш документ. При прогоне 50 документов в день стоимость составит $55 в сутки, или $1 600 в месяц.

Если из того же PDF заранее извлечь текст, страница будет стоить в среднем 300–600 токенов, а 200 страниц — 60–120 тысяч токенов, то есть в 3–6 раз дешевле. Простая смена формата может сэкономить значительную часть бюджета.

Привет, Хаброжители! Сегодня данные играют главенствующую роль в проектировании систем, и нужно обеспечить их масштабируемость, согласованность, надежность, производительность и удобство сопровождения. Необходимо учитывать огромное разнообразие систем хранения данных: реляционных баз данных, хранилищ NoSQL, складов и озер данных, а также облачных и локальных сервисов и встроенных баз данных.

С новым обновленным изданием книги вы сможете разобраться в терминологии и решить какой вариант лучше всего подойдет для вашего приложения.

Вы когда-нибудь пробовали увеличить старое фото через нейросеть и получали лицо, которое не имеет ничего общего с оригиналом? Или загружали снимок в апскейлер и видели, как он честно увеличил все царапины вместе с лицом?

Апскейл и реставрация - нетипичный кейс использования, требующий особый подход. В 2026 году на рынке есть несколько моделей, которые закрывают эти задачи с разной степенью надёжности. Мы протестировали GPT Image 2, Nano Banana 2, Grok Imagine Image 2.0, Gen4-Image, FLUX.2-Flex и Qwen-Image-2-Pro на реальных повреждённых фотографиях. Разница в результатах оказалась значительнее, чем можно было ожидать.

Про AI в разработке/тестировании/пентесте написано и сказано немало. Постепенно он проникает во все сферы нашей жизни, и уже часто можно услышать, что мы все скоро останемся без работы. В этом есть доля правды. Но мне понравилась услышанная однажды фраза – «Не ИИ нас заменит, но те, кто смог приручить ИИ, заменит тех, кто с этим не справился».

Вот мы в команде Secware и решили проверить, как на текущий момент искусственный разум справляется с задачами пентеста.

В любом пентесте часть рутинной работы можно переложить на агентов, однако сразу встает практический вопрос: насколько такой подход эффективен в реальной работе и какие задачи по-прежнему требуют участия человека. Для тестирования мы взяли OpenCode, Metasploitable 3, 2 middle-пентестера и таймер. И вот что из этого получилось.

Всем привет! Меня зовут Максимкин Андрей, я iOS-разработчик в hh.ru. В далеком 2023 году мы уже рассказывали про нашу мобильную аналитику в этой статье. С тех пор много воды утекло, а вместе с ней поменялся и наш флоу работы с аналитикой. И начну я как раз с того, что нас к этому подтолкнуло. 

Для погружения в контекст можно перечитать старую статью, но я постараюсь изложить материал так, чтобы было понятно даже тем, кто её не читал. Рассмотрим в первую очередь технические моменты, хотя и про продуктовые не забудем. В конце будет практическая часть, в которой мы попробуем генерировать код на Swift. 

Статья будет полезна разработчикам, аналитиками и вообще всем, кто так или иначе вовлечён в создание мобильных и веб-приложений.

Гуманоиды уже умеют драться, танцевать и работать на заводах, но с обычной бытовухой пока справляются плохо.

Разбираюсь, почему главный дефицит рынка может оказаться не в самом железе, а в ИИ-моделях, данных обучения и сервисах вокруг роботов.

Он может организовать атаку с применением биологического оружия или развязать глобальную войну дронов. Может привести в действие ядерную бомбу. А может разрушить человеческое общество более постепенно, сосредоточив в своих руках все экономические ресурсы мира и лишив нас еды, жилья или лекарств.

Именно такие мрачные мысли сегодня возникают вокруг искусственного интеллекта, технологии, которая уже стала огромным достижением человечества, но которая, как опасаются некоторые, потенциально способна полностью нас уничтожить.

В сентябре подобные тревоги попали в заголовки мировых СМИ после того, как исследователь Anthropic ушёл из индустрии, объяснив своё решение опасениями, что его лаборатория и другие подобные компании создают сверхразумные машины, которые люди не смогут контролировать.

Потенциальные угрозы, связанные с ИИ, вполне объяснимо пугают. Но современный мир изобилует множеством экзистенциальных рисков. Человечеству также грозит гибель из‑за астероидов, пандемий, термоядерной войны, изменения климата, гигантских выбросов раскалённого вещества с Солнца, экологического коллапса и внезапного наступления ледникового периода.

Проблема, говорят учёные и специалисты по государственной политике, заключается не столько в самих угрозах, среди которых ИИ лишь самая новая, сколько во врождённой человеческой неспособности правильно оценивать их масштаб и соотношение.

«Мы терпимо относимся к рискам, к которым привыкли, но боимся новых», — сказал Джеймс К. Хэммитт, директор Гарвардского центра анализа рисков. Мы гораздо чаще ездим на автомобилях, чем летаем на самолётах, отметил он, поэтому «авиаперелёты воспринимаются как нечто более опасное по сравнению с автомобильным транспортом, хотя на самом деле это не так». Искусственный интеллект, добавил он, «очевидно, плохо понятен и не воспринимается нами как нечто находящееся под нашим контролем, поэтому вызывает огромную общественную тревогу».

Параллельные ветки могут сократить путь договора вдвое, но одна ошибка в логике слияния — и процесс останется «в работе», хотя согласовывать уже некому. Разберём маршрут от запуска веток до итогового решения и покажем, как обработать отказы, таймауты и повторные раунды так, чтобы договор действительно дошёл до конца.

Чтобы быстрее отвечать пользователям, команды техподдержки применяют RAG — подход, при котором нейросеть ищет информацию в базе знаний и опирается на нее при подготовке ответа.

Проблема в том, что в архивных тикетах важные детали часто разбросаны по переписке: по отдельному фрагменту не всегда понятно, какие способы уже проверяли и чем все закончилось. К тому же в ходе диагностики часто появляются новые факты, которые меняют представление о проблеме. 

Исследователи из Microsoft предложили новый подход — RAFT. Он разбивает старые обращения по шагам: от первых симптомов до конечного решения. Когда появляется новая проблема, система находит похожий этап в прошлых обращениях и показывает, как именно проблему решали в прошлый раз.

В этой статье разберемся, как устроен RAFT, кому он нужен и чем он отличается от обычного RAG. Заодно посмотрим, что показали тесты Microsoft.