Kurgan-Telecom Ru | Информационные технологии

В прошлой статье я рассказывал, как обычная задача «собрать маршрут на выходные» превратилась в сервис — там была история без единой строчки кода. Судя по комментариям, самое интересное осталось за кадром: как именно это устроено и почему решения принимались так, а не иначе.

Исправляюсь. Здесь — техническая часть: где я брал данные, что из этого работало, и главное — три случая, когда я честно провёл замер, получил убедительное число и сделал из него неправильный вывод. Последнее, подозреваю, полезнее всего остального.

Обсудим: composable, sharedComposable, pinia. Попробуем понять: а нужно ли вообще управлять состоянием? что значит управлять? кто должен управлять? и Какие существуют подводные камни в управлении состоянием. Методы и идеи их преодоления. Готовые библиотеки или примеры кода для использования.

Контекст статьи — PWA, в других контекстах тоже будет работать, но это не точно.

В статье будет критика Pinia. Если ты любишь этот инструмент, и не готов к конструктивной критике — лучше не читать, либо давай подискутируем в комментах. Я открыт к диалогу. Если ты уже думаешь о замене или уже ищешь её — это для тебя. 

Официальная версия звучит усыпляюще. Агенты OpenAI забрались на сайты американских ведомств, но взломом компания это не называет: «вызывающее беспокойство поведение». У Reuters язык суше и цифры неприятнее — к середине сентября набралось больше двадцати нежелательных эпизодов. Ещё 53 пользовательских изображения оказались в открытом интернете.

На биржевом этаже эту историю слышат иначе. Там всё ещё продают триллионную оценку, IPO после небольшой паузы и AGI где-то за ближайшим поворотом. А этажом ниже агенты выбираются из песочниц, счета за вычисления пухнут, конкуренты уже у двери. Жать на тормоз страшно: обгонят. Не жать — тоже.

Сделал MCP сервер для Blender, чтобы ИИ-агент сам создавал 3D-модели с проверкой качества. 119 команд, автоисправление топологии, скачивание текстур и моделей из библиотек

В первой части я рассказывал о системе автоматизации теплицы на Raspberry Pi 4. Она собирала показания датчиков и управляла оборудованием. Постепенно захотелось применить её и за пределами теплицы: дома, в мастерской или серверной. Задачи там знакомые — следить за температурой, включать устройства по условию и получать уведомления.

Для этого понадобились новые способы подключения устройств, удалённый доступ и обновления с сохранением настроек. В проекте появились Zigbee-датчики, поддержка Rock Pi, облачный кабинет и уведомления в MAX. Теперь это Geek Automation System — контроллер умного дома, для которого теплица остаётся одним из вариантов применения.

В этой статье покажу, что изменилось, как устроена связь с облаком и зачем на самой плате работает отдельная служба - provision agent

Кто за что отвечает

В системе три основных участника: подключённые устройства, контроллер и облачный сервис.

Устройства — это датчики, розетки и реле. Одни передают показания, другие выполняют команды.

Контроллер — Raspberry Pi или Rock Pi — получает показания и выполняет правила. Например, включает вентиляцию, когда температура поднимается выше заданного порога. На нём хранятся настройки и история измерений, а управлять им можно через страницу в браузере.

Облачный сервис работает на отдельном сервере, доступном через интернет. Через него пользователь видит свои контроллеры вне дома, открывает их интерфейсы и получает уведомления.

В облачном кабинете к аккаунту привязывается контроллер целиком. Его датчиками и остальным оборудованием управляет программа на плате.

Существуют сотни случаев, когда важные открытия были сделаны независимо разными людьми практически одновременно: математический анализ (1600-е годы), телеграф (1837 год), лампочка (1879 год), реактивный двигатель (1840 год) и телефон (1876 год) и т.д.

Почему это происходит? Откуда берутся хорошие идеи?

Идея смежных возможностей объясняет такие одновременные инновации.

Мы всё быстрее движемся к самовосстанавливающейся инфраструктуре. Но когда инцидент всё-таки случается, у инженеров может уйти много времени на сбор информации о состоянии серверов. При SLA 99,99% на простой остаётся около 4 минут в месяц, каждая минута на счету, и не автоматизировать эту часть разбора инцидента — непозволительная роскошь. Технически это можно сделать и сейчас: дать ИИ-агенту SSH и sudo.

Я решил пойти другим путём и собрал Linux MCP daemon (mcpd): сервер, изначально рассчитанный на ИИ-агентов. Вместо обёрток над стандартными утилитами он сам читает состояние системы из ядра и отдаёт его агенту через инструменты — сейчас их 38, и список растёт. Когда нужен root, агент может его запросить, но получит только там, где вы разрешили, и в заданных границах. Отдельным интересным решением получилась утилита linuxctl в стиле kubectl. Под катом устройство, установка, подключение ИИ-агента и права, которые только выглядят безопасными.

Разберём, как устроена observability в xk6-sip — расширении нагрузочного инструмента k6, которое позволяет автоматизировать нагрузочное и функциональное тестирование VoIP/SIP-звонков: откуда берутся метрики, как из них строятся панели и как по ним отличить деградацию АТС от деградации самого генератора.

Все графики и цифры от реального прогона нагрузочного теста: 100 одновременных звонков, 10 минут, 2000 звонков, 6,1 млн RTP-пакетов. Дашборд — 37 панелей в шести блоках; для каждого блока ниже есть источник данных, запрос, измеренное значение и признаки проблемы.

Всем привет!

Не давно сделал свою Gated RNN, то есть с другой математикой, ни как у LSTM, GRU и подобного.

Я хочу (для вас) разобрать её теоретически, практически, замерить (я не умею замерять так что буду замерять как могу), ну и конечно же расскажу плюсы и минусы.

Ещё недавно вопрос звучал так: «как нам внедрить нейросети». Теперь он звучит иначе: «как нам выжить, когда нейросети есть у всех». Это разные вопросы. Когда мощный инструмент есть у каждого, он перестаёт быть преимуществом и превращается в цену входа на рынок. Ниже шесть соображений о том, что останется ценным в ИТ, когда обёртки вокруг чужих моделей перестанут быть преимуществом.

Привет, Хабр! В прошлой статье я рассказывал, как запустить 176B-класс Qwen3.8-Flash-Next на GTX 1080 Ti, и тогда это был, скорее, эксперимент на грани возможного. Но недавно я наткнулся на материал на ast-softpro.ru, где ребята запустили Qwen 3.8-27B на двух RTX 5060 Ti по 16 ГБ (32 ГБ суммарно). Если коротко, они подтвердили, что гибридная архитектура DeltaNet + attention позволяет эффективно работать с длинным контекстом, а на их стенде модель в квантизации Q4_K_M выдавала около 24 токенов/с. Именно это, а также комментарии на Хабре, подтолкнуло меня к серии экспериментов, о которых пойдёт речь. Забегу наперед, я был удивлён результату: на моём стенде, который я опишу ниже, результаты на одной из моделей, которая как минимум не хуже, оказались сопоставимыми.

В «ИИ и инфляции качества» я писал о снижении стоимости интеллектуальной итерации. Если дополнительная проверка раньше занимала два часа, а теперь десять минут, меняется не только производительность: меняется представление о нормальном результате. В «Человеке и Рое» тот же механизм был применен к масштабу интеллектуальной работы. Если решение проблемы дешевеет, в работу попадают проблемы, которые раньше никто не решал не потому, что они были не нужны, а потому, что стоимость ответа превышала стоимость решения. У снижения стоимости интеллектуального труда есть еще одно следствие: дешевеет превращение профессионального мнения в работающую систему. И вот оно может заметно изменить не только рынок программного обеспечения, но и конкуренцию между самими специалистами.

Сейчас популярно хоронить SaaS. Аргумент простой: если ИИ позволяет компании быстро сделать собственный сервис для обработки документов, отчетности или небольшого внутреннего процесса, покупать готовый становится незачем. Для части нынешнего SaaS это вполне реальная проблема. Если вся ценность продукта заключалась в том, что кто-то однажды потратил полмиллиона на разработку очевидной функции и теперь продает ее по двадцать евро в месяц, падение стоимости разработки разрушает значительную часть этой экономики. Но тот же механизм работает в противоположную сторону. Если сделать небольшой программный продукт стало дешевле покупателю, его стало дешевле сделать вообще. В том числе специалисту, которому раньше для выхода на рынок не хватало не профессиональной идеи, а нескольких разработчиков и денег на их содержание.

Откликаешься, а в ответ тишина или автоотказ. Как я сделал бота, который сам ищет вакансии, пишет письмо под каждую, отвечает на анкеты и на ботов рекрутеров, разбирает отказы и поднимает резюме.

Открываю рабочий проект, а через полчаса обнаруживаю себя в YouTube.

Так начался мой поиск тренажёра для мозга.

Сравнил шесть сервисов — от мини-игр до N-Back и мнемотехник: что предлагают, кому подойдут и на что смотреть, кроме растущих баллов в приложении.

При построении графиков по математическим формулам, особенно если они заданы в полярных координатах или в параметрической форме в окрестностях некоторых точек они могут существенно искажаться. Обычно это происходит вблизи точки O с координатами 0;0, потому что ошибка округления в районе этой точки имеет такой же порядок или даже выше, что и значения функции. Но есть и вторая причина этого – для некоторых функций 0 является пограничной точки, то есть с одной стороны нуля, как правило, с положительной функция определена, а с другой, как правило отрицательной – неопределенна. Примером такой функции является квадратный корень.

В некоторых случаях это преодолевается с помощью математических выкладок...

Про свой тренажёр английского Yet Another English я уже писала. Там можно собирать слова, заниматься, повторять забытое. Но мне захотелось ещё геймифицировать это все. Чтобы начинаешь с яйца, учишь слова, получаешь плюшки и постепенно выращиваешь себе персонажа. Ну то есть тамагочи, только кормить его надо своими занятиями.

Начала с Claude Opus 5.0, подключённого к Blender через MCP, потом продолжила через GPT. Ушла примерно неделя по два часа в день, то есть около 14 часов и 100 баксов за Астру.

Покажу, с чего начинала, какие версии пришлось переделать и сколько всё это весит. Если тоже хотите добавить 3D-персонажа в свой проект, возможно, сэкономлю вам пару переделок.

На этой неделе Билл Гейтс дал интервью NBC News и сказал вслух то, о чём давно шепчутся в кулуарах: надеяться только на добрую волю создателей ИИ больше нельзя

Гейтс прямо заявил, что никто уже не считает саморегулирование достаточным. По его мнению, конгресс должен принять законы об ИИ, а правоохранители и политики — подключиться к обсуждению того, какими должны быть гарантии и контроль. Он признаёт, что это добавит индустрии немного бюрократии, но не думает, что это сильно затормозит разработку.

Перед нами стояла задача протестировать релиз, сопряженный с высокими рисками и реализованный в высоконагруженных агломерациях микросервисов с легаси-проблемами, - и все это вкупе со сжатыми сроками.

Как мы справились с этой задачей и попутно разработали новый QA-инструмент на основе Agentic AI?

Ничто так не вызывает у меня отвращение, чем слащавые, притворные и главное насильственные попытки благотворительности. Говорят же — делай добро и бросай его в воду. Столкнулся на практике с такой попыткой у Пятерочки. Привожу также диалог с поддержкой, чтобы понять что современным крупным сетям крайне сложно получить обратную связь об их ошибках в IT. Может быть, они получат её отсюда?

Недавно я рассказывал вам об уникальном процессоре из 1997 года - Cyrix MediaGX. На первый взгляд может показаться что это самый обычный бюджетный Cyrix без какой либо фишки, однако на практике это был самый первый в мире APU - процессор, который совмещал в себе процессорное ядро, "GPU", контроллер памяти и даже PCI! Однако в прошлой статье мы с вами так и не запустили MediaGX и не узнали на что он способен на практике - пришло время это исправить!

В сегодняшней статье мы с вами не только попытаемся запустить плату с оригинальным MediaGX, но также и посмотрим во что он превратился после покупки AMD на примере тонкого клиента и каким образом этот процессор дожил до 2020 года... Интересно? Жду вас под катом!