Kurgan-Telecom Ru | Информационные технологии

Стоимость привлечения клиента стремительно растет: Gо данным E-Promo Group, за первый квартал 2026 года цена клика увеличилась на 3%, а стоимость целевого действия — на 26%. Одновременно меняется поведение пользователей: они дольше принимают решения и совершают меньше импульсивных покупок. В таких условиях таргетинг, который ищет клиента только в момент горячего спроса, охватывает узкий и дорогой срез аудитории. 

В этой статье разбираем, как расширить охват за счет изучения жизненного пути и смежных покупок пользователя, и как это реализовано в кабинете Авито Рекламы.

С 14 августа Claude Code будет запускать новые сессии на Pro, Max и Team в auto mode: вместо диалога «разрешить/запретить» каждую команду оценивает отдельный классификатор. Коротко о том, что печатает команда claude auto-mode defaults (60 149 символов правил, 65 запретов, тринадцать из двадцати полей окружения пустые), какие ваши правила прав продолжают работать поверх классификатора, что на самом деле стоит за цифрой 13,6% из пересказов и был ли у этой фичи откат в прошлых версиях.

Рандом жульничал, ведущий жалел игрока, а сцены скучали — рассказываю, как строил MVP и почему теперь прошу вас его сломать.

12–14 ноября 2026 года в Санкт-Петербурге пройдет INFOSTART A&PM EVENT 2026 - конференция для аналитиков, руководителей проектов, владельцев продуктов и специалистов, работающих с проектами и продуктами на платформе 1С.

Сайт конференции уже открыт. На нем опубликованы программа, тематические секции, состав модераторов и варианты участия.

В 2003 году немецкая аспирантка по имени Бритта Шпет наткнулась на гипотезу Маккея — одну из крупнейших нерешённых задач в области математики, известной как теория групп. Сначала её цели были относительно скромными: она надеялась доказать одну‑две теоремы, которые позволили бы сделать небольшой шаг вперёд в решении этой задачи, как делали многие другие математики до неё. Но с годами она снова и снова возвращалась к ней. По её словам, всякий раз, когда она пыталась сосредоточиться на чём‑то другом, «это не срабатывало».

Существовал риск, что столь упорное стремление к решению столь сложной задачи может навредить её академической карьере, но Шпет всё равно посвятила ей всё своё время. Это привело её в кабинет Марка Кабанеса — математика, ныне работающего в Институте математики Жюссьё в Париже, который, вдохновлённый её усилиями, тоже полностью погрузился в работу над этой гипотезой. Работая вместе, они влюбились друг в друга и в конце концов создали семью.

Проблема, которая поглотила их внимание, берёт за основу одну из ключевых тем математики и превращает её в конкретный инструмент для исследователей теории групп. Математика полна чрезвычайно сложных абстрактных объектов, которые невозможно изучить в полном объёме. Однако, как обнаружили математики, зачастую достаточно рассмотреть лишь небольшой фрагмент такого объекта, чтобы понять его более общие свойства. Например, в III веке до н. э. древнегреческий математик Эратосфен оценил окружность Земли — примерно 40 000 км — путём измерения теней, отбрасываемых солнцем, всего в двух городах, расположенных на расстоянии около 800 км друг от друга. Аналогичным образом, когда математики хотят понять невероятно запутанную функцию, они могут посмотреть, как она ведёт себя на небольшом подмножестве возможных входных значений. Этого может быть достаточно, чтобы понять, как функция ведёт себя при всех возможных входных данных.

Привет, Хабр! Представим: финансовая организация получает из ЕСИА подтвержденные сведения о клиенте, завершает дистанционную идентификацию и принимает его на обслуживание. Позднее выясняется, что операцию совершал мошенник. Паспорт оказался утраченным, изображение документа – отредактированным, а доступ к учетной записи – скомпрометированным.

Кто отвечает? Оператор ЕСИА, потому что сведения пришли из государственной системы? Организация, которая приняла решение обслужить клиента? Или тот, кто когда-то разместил в системе недостоверные данные?

Интуитивный ответ – «если государственная система сказала, что все в порядке, какие могут быть вопросы к бизнесу». Юридический ответ устроен сложнее: подключение к ЕСИА распределяет функции между участниками процесса, но не переносит всю ответственность на оператора системы. Разберемся, где проходит эта граница и как построить технологический контур идентификации, который не сводится к одному зеленому чекбоксу.

Эту статью мы подготовили совместно с Национальным советом финансового рынка (НСФР). В основу юридической части легло заключение НСФР о правовых условиях использования решений Smart Engines для получения и проверки сведений, необходимых финансовым организациям при идентификации клиентов.

Дисклеймер: в тексте учитывается законодательство по состоянию на август 2026 года. Материал носит информационный характер и не заменяет правовой анализ конкретного бизнес-процесса.

Недавно я попробовал объяснить маме, как нормально ставить задачи ChatGPT.

Без temperature, context window, system prompt и прочих слов, после которых человек вполне справедливо решает, что проще уже сделать всё самому.

Я сказал примерно так: «Сформулируй, что тебе нужно. Объясни, каким должен быть результат. Если есть ограничения, напиши их сразу. Не сваливай пять разных задач в одну. И не заставляй модель угадывать то, что существует только у тебя в голове».

На всё ушло минут пять.

А потом я понял, что почти дословно пересказал KERNEL, один из фреймворков для написания промптов.

И тут стало интереснее: если базовый prompt engineering действительно можно объяснить человеку за пять минут, что происходит, когда LLM переезжает из вкладки браузера в реальный продукт?

Пару месяцев назад я решил провести эксперимент и сделать с нуля clean-room имплементацию LINSTOR, используя его референсы и публичные API-типы. Изначально эта идея зародилась как пятничная шутка: я просто хотел уделить этой задаче минимум времени, запустить ее на фоне и посмотреть, к чему это приведёт. Целью было просто проверить, насколько современные нейросети способны к автономной работе без участия человека. 

Спойлер: полностью автономной работы не получилось, и мне пришлось достаточно сильно повозиться над проектом. Однако в итоге процесс меня затянул с головой и конечный результат превзошёл все мои ожидания.

Если в кластере больше пяти Helm-релизов, рано или поздно появляется скрипт. Сначала десять строк с helm upgrade --install, потом sleep 30 между базой и приложением, потом sops ▎ -d values.yml | helm -f -, потом ветка if [ “$ENV” = prod ]. В какой-то момент никто не может сказать, что именно он раскатит на проде, пока он это не сделает.

▎ nelmwave заменяет этот скрипт одним манифестом

Привет, Хабр. На связи команды «Интерпретируемый ИИ» и «Основы генеративного ИИ» AIRI и «Генеративная поэзия» SberAI. Мы занимаемся альтернативными архитектурами языковых моделей — тем, что могло бы работать вместо привычной генерации токен за токеном слева направо.

Одно из таких направлений — диффузионные языковые модели (dLLM). Диффузионные языковые модели, в отличие от обычных LLM, генерируют текст параллельно, несколько токенов за раз. Теоретически это даёт кратное ускорение. Также они не ограничены генерацией справа от контекста и могут заполнять произвольные пропуски в поданном на вход тексте.

Мы много работали с dLLM, перепробовали кучу моделей, набив на них шишек, и даже предложили свои. В результате накопилось большое понимания того, какие подходы действительно работают, а какие вызывают много вопросов касательно их воспроизводимости. Обо всём об этом рассказываем в обзоре ниже.

Cuddli стал №1 среди дейтинг-приложений для гиков, собрал более 100 000 пользователей, помог создать тысячи пар, а пользователи настолько любили сервис, что сами раздавали его стикеры и рекламировали приложение на фестивалях.

А потом закрылся.

С момента внедрения ЕГЭ прошло уже больше 15 лет. Если верить цифрам, которые мы видим в новостях, то может показаться, что мы наблюдаем образовательное чудо: средний балл по математике неуклонно растёт. Уже в этом [2026] году средний балл составил 66, что выглядит очень впечатляюще, ведь 10 лет назад средний балл составлял ~46.

Но что на самом деле скрывается за этим невероятным прогрессом? Дети стали умнее за 10 лет? Образование совершило новый скачок? А может, дело в чём-то другом?

Давайте обратимся к цифрам, графикам, подключим логику и разберёмся, что же на самом деле скрывают эти цифры.

В прошлых двух статьях я разбирал DNS-трафик домашней сети и анализировал 1233 публикации Хабра, чтобы понять, за что площадка даёт рейтинг. И там, и там был вопрос, который я обходил: чем, собственно, я выгрузил эту тысячу статей?

Не руками копировал и не скриптом на Python, который на двухсотом запросе получил бы 429 и бан по IP. Я написал расширение для Chrome, которое сохраняет статьи Хабра в Markdown — по одной, пакетом или автоматически по расписанию, — и делает это достаточно вежливо, чтобы сервер не считал его атакой.

Главная мысль статьи оказалась не про парсинг HTML, а про хорошие манеры к серверу. Наивный качатель на голом fetch пишется за пять минут и получает бан на десятой. Инструмент, которым можно пользоваться постоянно, отличается тремя вещами:

— держит принудительный интервал между запросами (1.5 секунды, гарантированно); — слушает 429 и при перегрузке сервера замолкает на три минуты целиком (паттерн circuit breaker), а не долбит сквозь ограничение; — работает с открытыми статьями для личного архива, а не сливает базу.

Внутри: разбор вежливого граббера с кодом, почему парсинг чужой вёрстки ломается на каждом редизайне и как от этого защищаться фолбэками, формат Markdown с YAML-метаданными (тот самый, что сделал возможным анализ тысячи статей) и правовая рамка — где граница между «сохранил для себя» и «спарсил».

Расширение с открытым кодом под MIT, ставится из Chrome Web Store в один клик.

Всем привет! Меня зовут Муса. Наша команда занимается витринами данных по товарному учёту.

Каждый день мы доставляем около 10 млрд записей в разных форматах. На этих данных строится различная аналитика, связанная с товарными запасами и движениями экземпляров. Перед нами встала задача: пять раз в день обогащать выгрузку из миллиардов экземплярных остатков дополнительными атрибутами для построения различного рода аналитики. История этих атрибутов уже измерялась десятками миллиардов записей.

Первое решение выглядело просто: положить данные в ClickHouse и сделать JOIN. Но одна выгрузка считалась около 12 часов, а нам нужно было укладываться в десятки минут.

В статье расскажу, про то, как мы смогли сократить время обработки примерно до 33 минут, про ключевой подход при работе с большими объёмами данных, а также попытаюсь донести важность локальности данных на примере реальной задачи.

Вокруг агентных автоматизаций разворачивается нешуточная битва. Евангелисты обещают, что ИИ-агенты вот-вот заменят все и всех, скептики интересуются реальными сценариями таких автоматизаций, ROI и прочей конкретикой (но обычно не получают ответов). 

Мы сами получаем много вопросов о практическом применении агентной автоматизации в бизнесе, и в этой статье расскажем, как сейчас обстоят дела и куда все движется.

На прошлой неделе вышло сразу два исследования сервисов, которые продают доступ к топовым нейросетям за 5–15% официальной цены: Token Jacking от Unit 42 и Free tokens for sale от Okta Threat Intelligence. Первое описывает, откуда берется товар. Второе — как устроен серый рынок токенов. Вместе получается портрет рынка, где скидка в 90% существует на самом деле, но платит за нее не продавец.

В логах запуска нашего стенда давно живёт строка Failed SDO download 0x6060 (-22). Мы её лечили всерьёз — пока не заметили, что та же строка печатается и в успешных запусках. Подтверждение на полевой шине приходит почти всегда, а значит куда меньше, чем кажется. Под катом — четыре ступени «принял» на живых замерах: почему сброс ошибки с честным ack её не снимает; как электронный редуктор не увидеть замером, который сам через него идёт; и сколько стоит спросить привод по SDO — 32 мс на параметр, полный паспорт около десяти секунд.

Приветики, меня зовут Пётр и я продуктовый аналитик с коммерческим опытом в ПА около 12 лет. В моей работе глобально задачи делятся на 3 типа — разметка событий, аб‑тесты и продуктовые рисерчи.

Про разметку я уже писал тут https://habr.com/ru/articles/785320/

Под аб‑тесты мы с корешами собрали коммерческий воркспейс. Было тут: https://habr.com/ru/articles/1064034/

А вот продуктовые рисерчи это отдельный пласт задач, которые включают в себя всякие оценки релизов, изучение какого‑то элемента или флоу/микроворонки, поиск аномалий и куча всего такого, что не ложится в разметку и тестирование.

Китайские техногиганты (Alibaba, Baidu, Tencent, ByteDance и другие) разрабатывают и используют нейросети в бизнесе практически с самого появления ИИ-технологий в их нынешнем виде. Захватывая рынок, бренды упрощают жизнь пользователям и рекламируют себя как лидеров технологического роста. Это, в свою очередь, вызывает доверие у потребителей. Рассказываем в нашей статье, как разработчики защищают свои интеллектуальные права.

Последние месяцы я довольно активно разрабатываю собственный AI SaaS-проект. Причём активность в случае AI-разработки имеет немного другой смысл, чем раньше. Когда значительную часть работы выполняют AI-агенты, скорость появления изменений резко возрастает. Агент создал изменения, открыл PR, другой агент или workflow проверил результат, если что-то не прошло, то новая итерация.

И довольно быстро я обнаружил неожиданное ограничение этой модели разработки. Если честно я ожидал и боялся упереться в токены LLM. Были небольшие опасения в производительности моего ноутбука. И даже сложность оркестрации не стала блокером.

Я упёрся в GitHub Actions квоту.