Kurgan-Telecom Ru | Информационные технологии

Рассказываем о восьмилетнем опыте продвижения воды «Новокурьинская». За это время стоимость клика в контекстной рекламе выросла примерно в четыре раза, а стоимость целевого обращения осталась практически неизменной. Как этого удалось добиться и одновременно увеличить объём заявок в 3,4 раза — разбираем в кейсе.

В июне 2026 года в московском Кибердоме прошла юбилейная международная кибербитва Standoff 17. Красные команды – белые хакеры из разных стран – отрабатывали сценарии кибератак и проверяли на прочность инфраструктуру виртуального Государства F. Синие обнаруживали и расследовали инциденты и пресекали действия атакующих. Все происходило в условиях, максимально приближенных к реальным. В этом году впервые в истории Standoff командам защиты было доступно решение класса Distributed Deception Platform – первая отечественная система киберобмана Xello Deception.

Система создает в инфраструктуре ложный слой из приманок и ловушек. Взаимодействие с такими объектами указывает на компрометацию сети. Ловушки представляют собой серверы, эмулирующие ресурсы ИТ-инфраструктуры компании: сервисы, базы данных, операционные системы. Приманки — это ложные данные на конечных устройствах пользователей: учетные записи, сохраненные пароли в памяти ОС или браузерах и другие артефакты.

Разбираем, что считать секретом, а что конфигурацией, и как настроить Infisical для Unity‑проекта так, чтобы новый разработчик получал доступ к сборке за пару минут.

Я делаю Кубыш, приложение для учета расходов и накоплений на iPhone: оно считает, сколько можно тратить в день до зарплаты и когда накопишь на цель. Пишу о нем на Дзене, vc.ru, в LinkedIn и соцсетях - подписывайтесь пожалуйста. После каждой публикации хотелось понять одно: что из этого приводит людей в App Store.

На сайте эту задачу решает UTM-метка. В App Store так не получится: параметры ссылки до приложения не доходят. SDK атрибуции для маленького приложения избыточен: еще одна зависимость и передача данных третьей стороне. Поэтому я посчитал источники стандартными средствами Apple. Ниже как это настроить и на чем я обжегся.

Компания потратила полгода на базу знаний: собрала инструкции, назначила ответственных, разложила материалы по разделам. Кажется, теперь ответ на любой рабочий вопрос можно найти за пару минут.

В прошлой статье я рассказывал, как устроено ядро нашего поиска: триграммы, crc32, словарь болей и два сита. В конце был короткий раздел «А где же нейросеть?», и он заслуживает отдельного разговора. Сегодня про то, как модель встроена сверху и почему мы с самого начала исходили из того, что она когда-нибудь подведёт.

Коротко о контексте. Мы делаем поиск для сайтов, которому человек пишет своими словами: «нужно вырыть траншею под кабель на даче», «подарок папе, он рыбачит». Без модели поиск работает на словаре и векторах. С моделью он начинает понимать, чего человек хочет, задаёт уточняющий вопрос и объясняет, почему предложил именно этот вариант.

Ошибки в настройке Kerberos могут поставить под угрозу безопасность всего домена, поэтому специалисту по ИБ важно понимать, что происходит внутри протокола после ввода учётных данных. Разбираем путь от аутентификации и выдачи TGT до сервисных билетов и ключей Kerberos, а также смотрим, какие механизмы становятся точками интереса для атакующего.

Если вы думаете, что два персонажа, сыгранные одним актером, могли оказаться в одном кадре и даже взаимодействовать лишь после появления компьютерной графики, то глубоко ошибаетесь. Кинематографисты научились создавать совершенно невозможные сцены задолго до того, как цифровые спецэффекты стали нормой. Маски, многократная экспозиция, оптические принтеры, рирпроекция, дорисовки на стекле и еще десятка два технологий, на которых почти сто лет зиждилось кинопроизводство.

Как вообще вырезать актера из фона без компьютера? Почему фон за актерами сначала был синим, а потом вдруг стал зеленым? Что такое оптический принтер и что на нем можно сделать помимо совмещения кадров? И чем на самом деле занимались первые компьютеры на съемках? Давайте узнаем обо всем этом.

Камера, мотор, поехали!

Недавно в блоге издательства БХВ вышла статья, что в ИТ-литературе надо больше внимания уделять темам построения команд, управления людьми и разработкой продуктов (продакт‑ и тайм-менеджменту). На наш взгляд, это хорошее начинание, ведь книги по «чистому ИТ» очень быстро устаревают, а вот про ведение бизнес-процессов и личностный рост специалистов — тема почти вечная. Книга Дианы Монталион «Изучаем системное мышление» — перевод Learning Systems Thinking, вышедшей в O’Reilly, как раз в этой струе.

На рынке есть спрос на готовые продукты, которые позволяют быстро решать как типовые, так и узкоспециализированные задачи. Тиражирование позволяет решить эту задачу сразу для обеих сторон: заказчик получает быстрое внедрение кастомизированного решения, а разработчик – возможность использовать основу продукта в следующих проектах, не начиная каждый раз с нуля. При этом каждый новый проект позволяет выявлять типовые потребности клиентов и учитывать их в базовом продукте, постепенно сокращая объем работ при следующих внедрениях.

Меня зовут Виктор Машошин, я генеральный директор Integer, и в этой статье на примере системы управления трейд-маркетингом (TMS) я расскажу, как мы пришли к тиражированию, и как это решение позволило сократить средний срок внедрения в два раза даже для сложных клиентов.

Ситуация: у сотрудника сломался ноутбук. Не включается, диагностировать на месте бессмысленно. Инженер первой линии нашел на складе подменное устройство, выдал его за двадцать минут и закрыл заявку. Получилось, что время реакции в норме, время решения тоже, пользователь оценил поддержку на пять звезд. В отчете по SLA все показатели зеленые. Казалось бы – все идет отлично.

Но вдруг через месяц обнаруживается то, чего в отчете видно не было: такие заявки идут одна за другой. Да, поломки случаются без графика, но в этом квартале их оказалось особенно много, а на складе уже не осталось ни одного свободного устройства. Заявки копятся, сроки по SLA срываются один за другим, и закрыть их физически нечем. Инженер, вроде бы, делает ровно то же самое, что исправно работало месяц назад, но проблема в том, что выдавать больше нечего. Никто не посчитал, сколько подменных устройств еще есть на складе, и тем более нигде не было правила «пополнять склад, когда остаток падает ниже минимума». Из-за этого устройства закончились разом — склад не просигналил о нехватке заранее, когда это еще можно было поправить. «А мне когда нормальный ноутбук дадут, а не это убитое железо?», — спрашивает уже третий пользователь за неделю. И он прав, а ответить ему особо нечего.

Казалось бы, звучит как проблема снабжения. Отдел закупок не успел оформить новую партию техники, бюджет на этот квартал урезали, согласование заявки на пополнение склада затянулось — причин для дефицита найдется сколько угодно, и все они будут про деньги и сроки поставки.

Но дело не в закупке. Склад опустел, потому что не было системы, которая отслеживала бы остаток и предупреждала, когда он подходит к концу, — ни у отдела снабжения, ни у сервис деска. Система управления ИТ-сервисами считает время реакции и решения, а про остаток техники на складе она ничего не знает. Если бы она была связана с системой управления активами, о нехватке подменного фонда знали бы заранее — до того, как на складе не останется ни одного устройства для новой заявки. 

Веб-интерфейс пользовательских приложений собирает сама база данных. В буквальном смысле: SQL процедуры содержат бизнес-правила и они же формируют страницы, которые видит продавец в дилерском центре. Так эта система прожила двадцать семь лет, и все двадцать семь лет она честно везла на себе продажи, сервис, склад и деньги. Сейчас в ней работают 30 дилерских центров и около шести тысяч человек, объем данных 70 терабайт вместе с медиа. Вынуть отсюда логику и при этом не остановить ни одного центра оказалось задачей на несколько лет, и мы прошли уже больше половины. 

Бывает так, что ревьюер посмотрел пул-реквест, тесты зелёные, компиляция прошла успешно, а в коде всё равно остался баг, который проявится только в продакшене. Вручную такие дефекты найти достаточно сложно, поэтому мы решили попробовать подключить дополнительные «руки».

Такими руками стал NeuroReview — автоматический ревьюер пул-реквестов, который работает в продакшене и находит часть дефектов до человеческого ревью или мержа. Мы используем его только на внутреннем коде, подключение добровольное. Сейчас каждый день через него проходит примерно 4 тысячи пул-реквестов — около 40% от всех созданных разработчиками в Аркадии, монорепозитории Яндекса. 

Возможно, вы слышали об этом в новостях. Мы здесь, в Mindscape, обычно не следим за новостями. Мы не бросаемся за каждой срочной новостью, пытаясь рассказать вам о последнем повороте в научных или иных интеллектуальных открытиях. Но иногда стоит слегка изменить правила и сделать что-то немного иначе. Итак, возможно, вы слышали о пресс-релизе эксперимента LUX-ZEPLIN, или просто LZ. Это эксперимент глубоко под землей, где ищут темную материю, ожидая, что изредка частица темной материи попадет в их детектор, столкнется с ядром и оставит сигнал. И вот новый результат: множество экспериментов уже довольно давно занимаются этим, и теперь они увидели событие, которое не могут объяснить. Мы разберемся с этим по двум причинам. Во-первых, это может быть темная материя, а это было бы очень захватывающе. Сейчас результат совсем не обладает высокой статистической значимостью. Это лишь слабый намек. Совершенно точно не стоит из-за него слишком волноваться. Но к нему все же стоит отнестись серьезно, верно? В конце концов, это люди, которые знают свое дело. Они приложили все усилия, чтобы опровергнуть интерпретацию этого события как возможного сигнала темной материи. Именно так поступают хорошие экспериментаторы, когда получают странный сигнал, чего-то не ожидавшегося или потенциально очень захватывающего.

Новые агрегации перцентилей и MAD в Manticore Search: как анализировать поведение хвостов распределения и выбросы в SQL и JSON с настраиваемой точностью через compression.

Система прошла функциональные проверки: документы проводятся, отчёты формируются, интеграции работают. Но после подключения нескольких сотен пользователей операции замедляются, а серверы оказываются перегружены. Чтобы разобраться в причинах, нужно связать прикладную логику, поведение СУБД и состояние инфраструктуры. Нагрузочное тестирование помогает специалисту 1С расширить свою ответственность — от проверки отдельных сценариев до оценки готовности системы к промышленной эксплуатации.

Разработчик в такой ситуации анализирует код, администратор — серверные ресурсы, специалист по базам данных — запросы, аналитик — бизнес-сценарии. У каждого есть часть информации, но для вывода о производительности нужна общая картина.

С комментариями Гейдара Габриэлянца, автора и преподавателя курса «HighLoad-тестирование для 1С и корпоративных систем», разбираем, какие компетенции для этого понадобятся и как меняются задачи по мере профессионального роста.

Structured output решает одну из самых раздражающих проблем LLM-интеграций: модель наконец стабильно возвращает данные в ожидаемом формате. Но валидный JSON ещё не означает правильные данные. Разбираю, где заканчиваются гарантии JSON Schema и как провести границу доверия между LLM и бизнес-логикой Go-сервиса.

Разбираем на практическом примере, как языковая модель может классифицировать входящие письма и запускать следующий шаг бизнес-процесса в 1С.

В последнее время вокруг систем ИИ, генерирующих тесты, активно развивается дискуссия, причем как в профессиональной, так и в академической среде. С одной стороны, такие системы делают ровно то, для чего задуманы ИИ-агенты: выполняют работу, которую мало кто любит делать, экономят массу времени и сил. С другой — порой выдают непредсказуемый результат: удаляют или корректируют тест-кейсы, игнорируют пограничные сценарии.

Мы решили посмотреть, какие мнения есть относительно генеративных тестов в ИТ-индустрии, и что говорит на их счет наука — разобрали свежие исследования по теме. А в конце статьи сделали подборку из открытых инструментов, которые помогут оценить возможности пары «нейросеть + юнит-тесты» самостоятельно.

Дашборд зеленый - но дойдет ли реальный злоумышленник до цели? Раз в год пентеста мало. Разбираем автопентест и BAS - непрерывную проверку защиты, российские решения и прорыв 2025 года, когда AI-система XBOW заняла первое место среди багхантеров HackerOne, обогнав всех людей.