Kurgan-Telecom Ru | Информационные технологии

В .NET 9 появился новый примитив синхронизации System.Threading.Lock, и многие команды начали заменять привычные object-замки на новый тип в поисках более предсказуемого поведения и производительности. Но такая замена меняет саму механику работы lock: достаточно одного места, где экземпляр потеряет свой тип, чтобы два участка кода перестали синхронизироваться между собой.

В статье разберемся, как именно устроена новая модель блокировок в C#, где компилятор помогает заметить проблему, а где она остаётся скрытой, и стоит ли переходить на Lock ради заявленных преимуществ.

Всем привет! Я уже несколько лет работаю с дейтинг трафиком, и одну вещь понял довольно быстро: результат в арбитраже зависит не только от вас. Можно сколько угодно вылизывать креативы, анализировать и подбирать аудитории, но трафик вы все равно льете в чужой проект. И часть результата вашей работы всегда в руках у других людей: рекламодателя, партнерки, менеджера, который то ли ответит, то ли нет.

Шейв, задержки выплат, оффер, который отключили посреди залива, - все это случается не из-за ваших ошибок. Поэтому выбор оффера и партнерки для меня не менее важен, чем сама связка.

Обычно партнерки ищут в интернете, и это, честно говоря, не лучшая идея. Большинство "рейтингов" в поиске - та же реклама, только в обертке обзора, кто заплатил, тот и в топе. Поэтому я решил собрать личные рекомендации: с кем работал сам и кого советуют люди, которым я доверяю.

Сначала немного про саму вертикаль. Кому нужен только список - листайте вниз, не обижусь.

В прошлой статье мы уже немного врали игроку самым наглым образом, когда брали вполне корректную с точки зрения физики проверку земли, растягивали её на несколько миллисекунд и разрешали персонажу прыгнуть уже после того, как он фактически покинул платформу. Всё это делали не из-за криворукости нашего программиста физики, который не умеет написать нормальную проверку столкновений, а чтобы игрок вообще не знал, что там у нас происходит со столкновениями… да он и не обязан об этом знать.

В сетевой игрой происходит примерно то же самое, но приходится немножечко врать уже не о положении персонажа, а о времени и если coyote time был маленькой ложью о том, где заканчивается платформа, то lag compensation, будет маленькой ложь о том, когда именно существовал игровой мир.

Здесь тоже все интересно и сервер действительно может быть прав что игрок не попал, а игрок всё равно будет уверен, что игра украла у него попадание, не будем разочаровывать игроков и терять прибыль из-за плохих отзывов.

Всё началось с обычной задачи: собрать нитку маршрута на несколько дней, прикинуть набор высоты по дням, понять, где на пути вода, и отдать группе трек, который откроется у всех.

Пятница, 25 сентября, 22:35. Я отправляю первый промпт: стену текста без единой запятой. В ней вперемешку всё сразу: хочу рабочий продукт вроде Discord. Чаты там сделаны так, что меня бесит, поэтому чат будет как в Telegram. Звук и стабильность как в Zoom, с передовыми кодеками. Ещё голос, роли и права, стрим экрана, PostgreSQL и отдельной строкой «эхо не должно быть совершенно».

Вечером следующего дня версия 0.3.1 уже стояла в проде: подписанные сборки под macOS, Windows и Linux, веб-версия, лендинг.

Я отправил 90 сообщений, 29 из них были скриншотами с подписью «сделай как тут». Строчки кода я не написал. Ни одного теста не запустил. Всё остальное сделали модели.

Продукт назвали Calab, код лежит на GitHub. Дальше будут цифры, стоимость в долларах и список мест, где нейросети ошибались. (Без него история выглядит слишком хорошо, я бы и сам ей не поверил.)

4 сентября прогнал свой сайт на пригодность к цитированию ИИ-поисковиками, тогда он был статическим HTML. 27 сентября, через сутки после переезда на WordPress, инструмент вернул Timeout (10s) на всех 25 адресах и средний балл ноль, хотя одиночная страница отдавалась за 0,3-1,8 секунды. Разбор с кодом: что именно упало, почему доля шаблонного текста 0,99 оказалась артефактом формулы и какие выводы пришлось снять.

Введение

В предыдущих статьях цикла мы разобрались, почему нормативно-справочная информация (НСИ) неизбежно деградирует, как устроен сервис SOFROS AI/ML, какие модели работают «под капотом» и как они встраиваются в 1С:MDM. Мы показали методологию, архитектуру и интерфейсы.

Но у вас мог остаться главный вопрос: а что с результатами? Сколько времени и денег это экономит? Какие реальные задачи решает? Можно ли измерить эффект в цифрах?

В этой статье мы переходим от теории к практике. Разберём реальные кейсы внедрения SOFROS AI/ML и покажем экономику: сколько компания теряет на «грязных» справочниках и как AI возвращает эти деньги.

Добро пожаловать в мир, где у нормализации данных есть измеримый ROI.

Про шесть рукопожатий знают все, и почти все знают, что это как-то связано с Милгрэмом и письмами где-то в шестидесятых. Но на этом знание обычно заканчивается: есть цифра шесть, есть фамилия, а между ними пустота, которую заполняют пересказы пересказов. Мне стало интересно, что именно Милгрэм проверял, на скольких людях и что у него получилось в действительности, поэтому я окунулся в первоисточники и в работы тех, кто уже успел побывать в его архиве.

Самая первая попытка выглядела так: в Уичито, штат Канзас, по объявлению в газете набрали 60 добровольцев, и до адресата в Кембридже дошли 3 письма, каждое из которых прошло в среднем через восемь человек, то есть девять рукопожатий. Эти цифры Милгрэм так и не опубликовал, а в популярную статью попала ровно одна цепочка из трех, и, как мы дальше увидим, самая короткая.

Дальше расскажу, как был устроен тот эксперимент, куда деваются письма, почему потери портят не только процент успеха, но и саму измеренную длину цепочки, и что получилось у тех, кто перепроверял Милгрэма уже на миллионах людей.

Мы часто используем привычные нам математические объекты и порой не задумываемся, почему они устроены именно так, а не иначе. На этот вопрос бывает ответить совсем не просто, ведь для этого необходимо взглянуть на повседневные вещи под совершенно другим углом или глубоко обобщить накопленную по ним информацию.

Сегодня я предлагаю подробно разобрать и обобщить информацию об элементарных и специальных функциях. Как мы увидим далее, грань между ними далеко не так очевидна, как кажется на первый взгляд.

Цель статьи – показать практический потенциал идеи асимметрии: она возникла как логико-риторическое правило, а сегодня стала реальным методологическим и инструментальным вектором в разработке ИИ.

Фактор логики

Отношение категорий «доказать» и «опровергнуть» имеет асимметричную логическую структуру – один точно подобранный контрпример опровергает утверждение с квантором общности, при этом любое число подтверждающих случаев его не доказывает. Иначе говоря, никаким количеством и качеством подтверждающих аргументов, тестов, экспериментов нельзя доказать общее суждение. Индуктивное умозаключение выполняет не доказательную функцию, а увеличивает степень правдоподобия вывода. Все это известно еще
со времен Аристотеля.

В среде IT эта асимметрия знакома по формуле Эдсгера Дейкстры с конца 1960-х в формулировке «тестирование способно показать наличие ошибок
и никогда не покажет их отсутствия».

О чем мы говорим конструктивно, или методологические следствия для тестирования

Из принципа асимметрии следует распределение усилий по проверке, которая должна следовать той же логике. Тогда разумной стратегией является либо целенаправленный поиск опровергающих случаев (контрпримеров), либо переход от тестирования к формальному доказательству свойства. Промежуточным режимом между этими полюсами является статистическая гарантия.

Отсюда методологические следствия:

В феврале 28 дней, в марте 31, продавайте одинаково каждый день — и рост на 11% появится сам, без новых клиентов.
В статье разбираю базу, как календарь и сезонность ломают отчёты: три вопроса перед сравнением периодов, SQL-запросы для среднего за день и скользящего среднего, ловушки сравнения год к году.

Облака над горами: что они нам могут рассказать о ветрах на высоте?

Съездив  в отпуск в Сочи летом, я также оказался  на верхней точке горнолыжного курорта «Красная поляна».

До этого я бывал в горах  только зимой, когда катался на лыжах.

Летние горы выглядят несколько иначе, чем зимой, особенно это касается  наблюдаемого поведения облаков на склонах и гребнях гор.

Летом  влаги в  воздухе содержится в разы больше,  чем зимой, что делает  летние облачные процессы намного ярче для визуального наблюдения, особенно на  фоне тёмных  каменных склонов и зелёной растительности (см.рис.1-2.)

Мне всего 44, но я помню мир без интернета, мобильных телефонов, навигаторов и мессенджеров. Чтобы позвонить своей будущей жене, я бегал к уличному таксофону и бросал монетку в аппарат. Чтобы что-нибудь узнать, шел в библиотеку и открывал Большую советскую энциклопедию, такой бумажный Google, только без рекламы, комментариев и возможности за три минуты поставить себе смертельный диагноз. Я ездил по городу без навигатора. И мы каким-то чудом умудрялись встречаться с друзьями в точно назначенное время на другом конце города, без возможности поделиться геолокацией и написать “я уже почти подъехал”, когда даже еще не вышел из дома... Это было удивительное время.

Мы легко встречали новые технологии и довольно быстро к ним приспосабливались. Интернет, мобильная связь, компьютеры, смартфоны — все это входило в нашу жизнь постепенно, оставляя нам время освоиться и привыкнуть. Но сейчас скорость изменений стала совсем другой. Мы все еще уверены, что так же легко адаптируемся ко всему следующему? Хотя, боюсь, мы даже близко не представляем, что нас ждет впереди. И на этот раз времени привыкнуть нам могут уже не оставить.

Не, я не буду писать про то, что ИИ резко выйдет из-под контроля, начнет улучшать сам себя и переиграет человечество за считанные месяцы. Скорее всего никакого восстания машин вообще не произойдет: мы просто шаг за шагом передаем алгоритмам управление бизнесом, экономикой, армией и государством, потому что решения ИИ оказываются эффективнее человеческих. В итоге люди формально остаются у руля, но уже ничего толком не решают.

Как вам такое мнение одного из пользователей соцсети:

Приветствую, уважаемые читатели.

Эта статья будет настолько философской и платонической, насколько это возможно на Хабре.

Типичный кешбэк, как правило, приходит в конце расчётного периода. Иногда увидеть вознаграждение можно через несколько недель. Но если сам платёж проходит быстро, почему бы не сделать таким же быстрым и вознаграждение?

На связи Константин Гузаров, эксперт направления в команде платформы лояльности «Мир Plat.Form», технологической команды Национальной системы платёжных карт (НСПК), и сегодня я расскажу, как мы запускали моментальный кешбэк за покупки по Системе быстрых платежей (СБП) и что пришлось изменить в платформе, чтобы вознаграждение приходило практически одновременно с платежом. 

Сейчас кешбэк за покупку по СБП начисляется мгновенно по заведённым акциям. Для пользователя это выглядит просто: оплатил покупку — получил кешбэк. Но между этими двумя событиями происходит цепочка операций: процессинговый центр лояльности (ПЦЛ) получает информацию о транзакции, проверяет условия акции, учитывает историю покупок клиента, определяет размер вознаграждения и инициирует процесс выплаты. 

Привет! На связи Андрей Безруков из команды Авито Рекламы. Если вы работаете с обратной связью от пользователей, то наверняка понимаете, что для разбора нужно не только увидеть комментарий о проблеме, но и понять её точный смысл, сохранить все затронутые темы и применить консистентные правила разметки. Наша команда собрала для этого систему из специализированных ИИ-агентов, Python-помощника и обновляемой таксономии.

В этой статье рассказываем, как распределить задачи между инструментами, чтобы они действительно помогали вам быстрее анализировать фидбэк.

Привет! На связи Андрей Безруков из команды Авито Рекламы. Если вы работаете с обратной связью от пользователей, то наверняка понимаете, что для разбора нужно не только увидеть комментарий о проблеме, но и понять её точный смысл, сохранить все затронутые темы и применить консистентные правила разметки. Наша команда собрала для этого систему из специализированных ИИ-агентов, Python-помощника и обновляемой таксономии.

В этой статье рассказываем, как распределить задачи между инструментами, чтобы они действительно помогали вам быстрее анализировать фидбэк.

range-based for в C++ выглядит безопасным местом, пока в него не попадает временный объект с внутренней ссылкой. Такой код может годами работать в продакшене, а затем начать читать освобождённую память после смены компилятора или настроек сборки. В статье разбирается, как C++23 изменил время жизни временных объектов в таких циклах, почему поддержка стандарта зависит от компилятора и какие проверки помогут найти проблемные места в кодовой базе.

Государственное технологическое агентство Сингапура (Government Technology Agency of Singapore, GovTech) запустило FirstDate, пилотный проект, использующий алгоритм Гэйла — Шепли для подбора пар среди государственных служащих в возрасте от 21 до 35 лет. Проект появился на фоне исторически низкой рождаемости в Сингапуре и уже вызвал в интернете как интерес, так и критику.

Некоторые государственные служащие Сингапура могут обнаружить в своей электронной почте необычное приглашение: возможность найти пару через сервис знакомств с верификацией с помощью Singpass, запущенный GovTech.

Ведомство начало пилотный проект FirstDate для государственных служащих в возрасте от 21 до 35 лет. Вместо бесконечной ленты анкет сервис подбирает пары с помощью алгоритма. «Усталости от свайпов больше нет», — говорится на сайте FirstDate. Сейчас проект тестируют в системе государственной службы. Его цель, как сказано на сайте, — способствовать возникновению «осмысленных знакомств». Заявки на участие в текущем раунде принимаются до 5 октября 2026 года. Участвовать могут не состоящие в браке, овдовевшие или разведённые люди.

Как я решил сделать игру, сделал ее и встрял на последнем уровне

Вайбкодинг открыл нам дивный новый мир. Судя по тематическим телеграм‑каналам, фитнес‑тренеры уже вовсю создают одним промптом открытые миры в 3D, а домохозяйки уходят на ноготочки, оставляя детей и мужей на OpenClaw. И по возвращении находят одних уже воспитанными, других — покормленными и уложенными. И с мужьями тоже всё норм.

И тут я зачем‑то вспомнил, что образование у меня, в целом, айтишное. И решил, что это — моё конкурентное преимущество (спойлер: нет).