Kurgan-Telecom Ru | Информационные технологии

«Паша! Я конечно не МГИМО финишед, но можешь хотя бы по‑русски, а?» — попросил Азиз когда я выпалил ему питч, заготовленый для грядущего ивента в 71 блоке на one North. Тогда я понял, что…
Потенциальный клиент для внедренца not!= специалист.
И я сделал то, что планирую сделать в этой серии статей — рассказал про интеграцию автоматизированного учёта в малом бизнесе простыми словами.

Мы разработали с помощью ИИ-агентов кастомные дашборды и инструмент скоринга бэклога. Сэкономили примерно пару месяцев человеко-часов и, конечно, много денег. Подробности под катом.

В статье разберем, какие задачи ИИ уже сегодня может взять на себя, в каких сценариях он превосходит человека и как использовать ИИ для увеличения продаж без расширения команды.

В этой работе рассматриваются средства MATLAB для генерации показаний виртуальных инерциальных MEMS датчиков.

После четырёх месяцев разработки состоялся выпуск 2.42.0 высокопроизводительного кроссплатформенного линкера mold.

Проект написан на языке C++ (стандарт C++20) и распространяется по лицензии MIT.

( читать дальше... )

 c++, mold, линковка, утилита

Компании покупают лицензии, объявляют AI-стратегии, считают токены и показывают красивые демо. Потом оказывается, что пользователи не пришли, продукт не решает их задачу, а за результат как будто никто не отвечает: он потерялся между презентацией, подрядчиком и чат-ботом.

Проблема часто не в самой модели, а в слабом управлении разработкой. Если в обычном проекте неясно, что именно строят, для кого и как будут проверять результат, AI этого не исправит. Он лишь позволит ошибаться быстрее.

У меня был другой путь. Я не «внедрял AI в компанию» и не измерял эффективность числом сгенерированных строк. Я начал использовать AI-агента как постоянного участника разработки.

Когда я разбирал в предыдущей статье гипотезы появления сознания, в центре внимания оказалась идея нейробиолога Антонио Дамасио о том, что сознание рождается не из абстрактного мышления, а из тела. Из тех базовых сигналов, которые организм подает сам себе ради выживания.

Но во что разворачивается это сознание по мере взросления человека?

Концепции возрастной психологии и психоанализа — от теории привязанности до моделей раннего эмоционального развития — показывают, что тело остается фундаментом и на следующих этапах. Только фокус смещается с механизмов восприятия на саму структуру личности.

Сегодня этот фундамент проходит проверку на прочность. Массовое внедрение искусственного интеллекта ломает привычные социальные маркеры, порождая закономерную тревогу. Возникает прагматичный вызов: какой психотип способен совладать с новыми технологиями и сдвинуть общество вперед, а не деградировать под их тяжестью?

Эти концепции складываются в единую систему, которая дотягивается до экономики и истории, объясняя не только структуру личности, но и причины, по которым разные эпохи востребуют определенные типы людей. Выводы следуют из общей логики материала, даже если некоторые из них выходят за рамки устоявшихся представлений.

Каждый год на новогодних каникулах у меня просыпается ностальгия, хочется перепройти что‑то из детства, типа «Harry Potter and the Philosopher’s Stone» от KnowWonder. И если с консольными играми всё просто (эмуляторы типа DuckStation или PCSX2 работают идеально), то с PC‑играми 32-битной эры всё сложно, особенно на Mac. Часто пока ты добьешься запуска игры, уже пропадает всякое желание ее проходить.

В этот раз я решил проблему радикально: написал свою «Windows». В браузере. На TypeScript.

Усаживайтесь поудобнее, я расскажу вам, как я полгода дебажил чужие игры двадцатилетней давности и почему на это подсел.

Последнее время я почти не пишу код руками — значительную часть реализации берут на себя AI-агенты. Но работы меньше не стало: теперь нужно задавать ограничения, проверять архитектуру и понимать результат, не перечитывая тысячи сгенерированных строк. Я попробовал сделать архитектурный граф общей моделью для человека, агента и генератора кода. Из одного графа получил сервисы на Go, Python, C++ и Rust, а затем сравнил их с прямыми реализациями того же HTTP → gRPC сценария. Главный вопрос эксперимента: какова runtime-плата за систему, которую проще понимать, изменять и наблюдать?

Привет, Хабр! Результаты коллег по цеху и наши исследования позволяют сделать однозначный вывод: в 2026-м для рецепта отличной reasoning-модели уже недостаточно лишь текстовых рассуждений. Для качественных ответов на большинство вопросов пользователей нужна работа с инструментами, мультимодальные режимы рассуждений, и нередко даже такая экзотика, как рассуждения в латентных представлениях сети.

Мы рады поделиться с сообществом фреймворком для обучения рекурсивных reasoning-моделей STARM, существенно опережающих по качеству предыдущие open source-аналоги.

Сразу скажу, как считается балл, чтобы не было магии. Никакого ИИ в самой оценке. Обычная арифметика: сахар на 100 грамм, соль, насыщенные жиры, трансжиры, позиция сахара в списке ингредиентов и наличие добавок из «списка внимания». Складываю штрафные баллы, порог — и на выходе зелёный, жёлтый или красный. Формула открытая, каждый может пересчитать руками. ИИ у меня отвечает только за короткую фразу-объяснение поверх уже готового вердикта, придумать он ничего не может.

Теперь сами цифры.

Из шестидесяти тысяч товаров зелёных вышло примерно 43 процента, жёлтых — 38, красных — около 18. То есть «всё плохо» — это неправда. Больше сорока процентов полки — нормальная еда без подвохов: крупы, простые молочные продукты, вода, чай, овощи. Это, кстати, был первый сюрприз лично для меня: я начинал проект с ощущением, что сейчас всё окажется красным, а оказалось наоборот.

Красная зона — вот где интересно. Я полез разбирать, из-за чего именно товар туда попадает, и картинка развалилась на три почти равные кучки. Примерно 40 процентов красных — чисто из-за питания: сахар, соль, жир, без всяких добавок. Ещё около 36 — наоборот, состав по нутриентам нормальный, а красный он из-за добавки. И ещё треть — пограничные, где всё держится на одном показателе: чуть сдвинь порог, и половина из них уедет в жёлтый. Красная зона, короче, не монолит. «Красное» по разным причинам красное.

Дальше — добавки, те самые «ешки», которых все боятся. Я прогнал частотку по всем составам: сколько всего разных Е-кодов реально встречается. Получилось чуть больше четырёхсот уникальных. И вот тут главное, ради чего всё затевалось: из этих четырёхсот с лишним под настоящим вниманием токсикологов находится буквально горстка. Нитриты в колбасе, часть синтетических красителей, диоксид титана — и то претензии обычно не к самому факту наличия, а к дозе. Всё остальное — это витамины, кислоты, загустители, эмульгаторы, которые получили код Е просто потому, что регистривались по той же процедуре. Аскорбиновая кислота — это витамин С и одновременно Е300. Лимонная кислота — Е330. Пектин, лецитин, сода. Буква Е на упаковке говорит не «химия», а «есть регламент».

Трехфазный ИБП без лишней экзотики: почему Vienna Rectifier все чаще выигрывает у классических схем

В сегменте трехфазных ИБП давно нет одной «правильной» силовой схемы на все случаи жизни. Для одних проектов важнее минимальная цена и предсказуемость, для других — качество входного тока, широкий диапазон работы по сети и высокий КПД. Если для инвертора все более-менее определилось — это трехуровневая схема на IGBT с недавним трендом перехода с кремния на SiC; то для выпрямителя на практике выбор обычно идет между несколькими классами решений: тиристорным 6-пульсным или 12-пульсным выпрямителем для тяжелой промышленности, диодным мостом с повышающим каскадом (как что-то вообще из прошлого века) и активным трехполумостовым выпрямителем.

На этом фоне Vienna Rectifier или венский выпрямитель выглядит не просто еще одной топологией, а очень удачным компромиссом. Он позволяет получить качество входного тока и энергетические показатели, близкие к полноценному активному трехполумостовому выпрямителю, но без стоимости и схемной тяжеловесности двунаправленного моста. Особенно интересно наблюдать, как данная топология действительно завоевывает российский рынок. Фактически существует 2 «школы выпрямителестроения» для ИБП: западная и восточная. Западная школа исторически использовала активный трехполумостовой выпрямитель на IGBT, затем перешла трехуровневую схему, «отзеркалив топологию инвертора», что дало прирост эффективности и функциональности, но увеличило стоимости и сложность решения. Восточная школа пошла по пути «венского выпрямителя» — это позволило сразу получить высокий КПД, но ограничило функционал. ИБП с данной топологией не сможет работать «параллельно с сетью», реализовывать режим «peak-shaving» и т.п. — в общем убирается все, что дает двунаправленный выпрямитель, но ИБП будет работать именно как ИБП!

Тут важно отметить, что в своих трехфазных ИБП мы решили придерживаться именно топологии венского выпрямителя не только для текущих линеек, разработанных и производимых совместно с нашими технологическими партнерами из Китая, но и для ИБП, разрабатываемых в данный момент «с нуля» российскими инженерами «Систэм Электрик» с последующим производством на заводах нашей компании в России. Почему? Поясним ниже.

AI-агенты - это цикл обмена сообщениями между пользователем и языковой моделью (LLM), где для ответа пользователю модель может обратиться к доступным ей напрямую инструментам (tools) или через настроенные для неё MCP. Каждое такое взаимодействие дописывает историю диалога. Для простоты часто считают, что вся эта история и уходит в любой следующий вызов модели - иначе она «не вспомнит», о чём шла речь, и криво соберёт ответ.

История «не резиновая» - у современных моделей контекстное окно может быть огромным, но умение работать с длинным логом сильно зависит от того, насколько он структурирован. Плюс накопленная история разговора и реальный контекст, который модель видит на очередном ходе, не всегда одно и то же. В последнее время это один из фокусов развития агентских систем в рамках context engineering: что сжать, что оставить снаружи, что подтянуть инструментами только когда нужно.

В этой статье хочу рассказать про эволюцию подхода работы с длинной историей и где мы находимся сейчас. Примеры будут на LangChain - на открытом стеке легко посмотреть реализацию, которая в готовых продуктах часто спрятана. При этом LangChain достаточно популярный, развивающийся фреймворк - остальные либо делают похожие вещи, либо сами опираются на него как на базу.

Если спросить кого-нибудь о первом в мире автомобиле, то, наверное, многие назовут Т-модель Форда, хотя это далеко от истины. И даже бенцовский Patent-Motorwagen не являлся таковым — он скорее был первой серийной машиной на ДВС, но не первым авто, которое человек приручил и огоражил.

На самом деле, люди начали передвигаться на автомобилях гораздо раньше, еще в те времена, когда Александр Сергеевич прозябал в опале, Антарктиду только открыла экспедиция Фаддея Беллинсгаузена, а в Латинской Америке бушевали одна за другой революции…

Это моя первая публикация на Хабре, который я читаю уже лет 10... Так что, если честно, даже немного трясусь от волнения. Всё равно что смотреть футбол и выйти на поле в составе моего любимого Кайрата. Но постараюсь без лирики и перейду к делу.

Итак, в 2026 году уже всем как будто понятно, что потенциальные клиенты всё чаще выбирают банк не в поиске, а в диалоге с нейросетью (хотя многие с этим до сих пор почему‑то спорят). На выходе клиент получает короткий список из трёх‑четырёх названий.

Так как я занимаюсь аналитикой данных, мне стало интересно, по какому принципу этот список собирается, как эти данные обрабатываются, и кто вообще попадает в этот заветный шорт‑лист.

Ниже я описываю, как за пару вечеров собрал на Python замер видимости банков Казахстана в пяти ИИ‑ассистентах, на что напоролся и к каким выводам в итоге пришел. Код и формулы прилагаю, цифры можно перепроверить, если у вас будет желание.

Интересное применение новой функции — это ресёрч и работа с прочитанным. Как оказалось, люмену всё равно, с художественной литературой он имеет дело или нон-фикшном, и перечисление персонажей (реальных и вымышленных фигур), в двух последних, крайне насыщенных, сложных и содержательных книгах Дэвида Грэбера — «Долг: первые пять тысяч лет» и «Заря всего. Новая история человечества» — он справляется так же хорошо, как и с эпической книжной фэнтези-серией.

Свой интерес к созданию настольных игр я открыл в себе еще в институте в 1997 году, когда в общежитии решил придумать интересную тему для библейской вечеринки. Тогда мы смоделировали израильские войны и противостояние филистимлян и мадианитян. Для расчета хода тогда приходилось использовать ноутбук на 386 процессоре. Ход занимал минут 5, в итоге я запутался, и идея провалилась.

Следующее озарение пришло ко мне только пару лет назад, когда возникла идея на основе игр бродилок создать мир в стиле киберпанк, где участники будут сражаться за прокачку частей тела. Здесь на обдумывание механики ушло не пару часов, а пару лет.

Когда сбои идут один за другим, а клиенты уже не разбираются, кто виноват — ваша система или облачный провайдер, обычной расстановки приоритетов становится недостаточно. В статье — практический разбор Code Yellow и Code Red: как вовремя объявить инженерную эскалацию, организовать работу команд и вернуть инфраструктуру в стабильное состояние.

Я целиком записал русскую повесть в одну Bitcoin-инскрипцию, а затем извлёк её из reveal-транзакции через собственную ноду и побайтово сверил с исходником. Получился эксперимент не по «регистрации авторского права», а по независимой фиксации редакции, времени и целостности текста. Разбираю, что такая запись действительно доказывает, чего не доказывает и почему книга останется доступной даже после исчезновения ordinals.com.

Система распознавания документов может найти на одном изображении сразу несколько областей, похожих на таблицы. Среди них может быть нужная нам таблица, другая таблица, блок реквизитов, рамка или просто удачно выровненный текст. И прежде чем запускать распознавание ячеек, нужно понять, какой именно из найденных регионов содержит целевую таблицу.

В Smart Engines мы решили эту задачу необычным способом: превратили каждый табличный регион в строку, которая одновременно описывает его геометрию и текстовое содержимое, а затем стали идентифицировать нужную таблицу с помощью регулярных выражений. Получился быстрый детерминированный алгоритм, способный выполнять около 2000 идентификаций таблиц в секунду даже на обычном мобильном процессоре.

Сегодня в статье мы расскажем, как устроено строковое представление таблицы, почему оно позволяет отказаться от набора хрупких эвристик и как более точная идентификация нужной таблицы влияет на итоговое качество распознавания документа.