Kurgan-Telecom Ru | Информационные технологии

Здравствуйте!

Цель статьи - поделиться опасениями от использования ОТЛИЧНЫХ AI-ассистентов и услышать мнение сообщества по их поводу.

Я C# разработчик, и в своей работе в 90% случаев использую VisualStudio. 50% моей работы - создание типовых RESTful сервисов для бэкэнда нашего продукта. Еще процентов 30% - работа с обработкой изображений и видео. И процентов 20% рабочего времени я трачу на различные R&D исследования разной степени сложности.

В 2023 году ChatGPT плотно захватил умы прогрессивного человечества. Мы развлекались как могли. А я в свою очередь стал использовать ChatGPT, а затем и DeepSeek для рутинных задач. Например, сгенерировать набор классов по JSON, отредачить текстовку и т.п. Работа не всегда была выполнена чисто - то напутает с типами данных, то поломает стилистику. В общем приходилось ревьювить каждую генерацию. Но в целом, это здорово помогало экономить время. К тому же мало помалу я составил идеальные промты для каждой задачи, и казалось вот оно светлое будущее.

Затем появился Copilot и часть своих задач я начал выполнять непосредственно в VS. Copilot научился нативно интегрироваться в IDE, представлял удобнейший инструмент для включения результатов своей работы в код и остальные плюшки. Коллеги, между тем, на месте не стояли и расширяли набор сценариев взаимодействия с Copilot. Да и сам Copilot предлагал все более интересные модели.

Начались шуточные разговоры про бездушную машину, замену человека и прочие шутки в этом роде. И если вы подумали, что именно этого я боялся, то нет. Точнее на данном этапе я этого совсем не боялся.

В эру нейросетей уже даже у людей без компьютера есть свой карманный ИИ, не говоря про специалистов, работающих в интернет маркетинге, арбитраже, SMM и так далее, продолжать можно долго.

Вот и я перепробовал разные вариации искусственного интеллекта (от набившего всем оскомину GPT, до китайских “убийц” этого самого ГПТ, ну или каких то сильно нишевых моделей). Но я всегда использовал или прямое общение, или какие то готовые инструменты, которые люди писали под разные нужды. Это то и натолкнуло меня на мысль - сделать помощника под себя. И вот… Хотя давайте по порядку.

Итак, у вас есть телеграм-канал, и вы хотите понять, какой контент заходит аудитории конкурента, вам некогда искать темы или вы просто не знаете, о чем писать, но не хотите постить лабуду.

Вместо того чтобы читать тысячу постов конкурента за год, вы загружаете историю его постов в NotebookLM и нейросеть, проанализировав закономерности, скидывает вам меньше чем за минуту список топовых рубрик, плюсы и минусы контент-стратегии канала и прочее.

Когда Anthropic, Google DeepMind и OpenAI одновременно называют одни и те же сроки - пора насторожиться.

Тайминг завораживает, потому что эти заявления появились сразу после того, как xAI, его компания по искусственному интеллекту, закрыла раунд финансирования на $20 миллиардов. И если связать это с тем, что случилось на прошлой неделе в Давосе, вы поймете, почему это утверждение заслуживает серьезного внимания, даже если вы скептик.

Потому что Илон Маск больше не единственный CEO из мира ИИ, говорящий о сингулярности.

Я планировал отойти в этой статье от стандартного контента. Покажу вам конкретные признаки, которые подтвердят наше приближение к этому переломному моменту.

На днях у Кирилла Мокевнина вышел пост про то, как он разлюбил динамическую типизацию. Мысль понятная: на больших кодовых базах отсутствие типов начинает дорого стоить.

Хочу дополнить аргументом, который в 2026 году уже стал прям must-have: статанализ и типы — это лучший self-check для AI-агента.

Современные агенты для разработки (Claude Code на Opus 4.5 и ChatGPT Codex 5.2 High) хорошо пишут код. Ошибок уровня «переменная не объявлена», «импорт забыл», «опечатка в имени метода» по сути уже почти нет. 

Основные промахи чаще про другое:

Любое предложение бизнесу чаще всего должно сопровождаться обоснованием, во что оно обойдется в плане финансовых затрат и сроков, когда планируется получить первые выгоды от его использования.

Поэтому, когда завершены два первых этапа фазы, и становится более-менее очевидным, что именно должен получить заказчик в результате создания целевой ИС, в дело привлекаются команды потенциальных исполнителей для первоначальной оценки реализации решения.

В прошлой статье мы запустили эмулятор и убедились, что Android Automotive OS (AAOS) — это не просто зеркало вашего телефона. Это самостоятельная экосистема. Но пока мы запускали только стандартные медиа-плееры, мы скользили по поверхности.

Настоящая магия начинается там, где софт встречается с «железом».

В телефоне у вас есть стандартный набор датчиков: GPS, акселерометр, гироскоп. В современном автомобиле таких датчиков тысячи: от давления в шинах и температуры масла до угла поворота руля и статуса каждой двери. Как Android-разработчику получить доступ к этому океану данных? Не будем же мы тянуть провода к OBDII разъему?

Конечно, нет. Для этого Google построила мощный мост, по которому мы сегодня и пройдемся. Добро пожаловать в мир Car API и VHAL.

Принято считать, что стеганография в аудио умирает, как только файл пережимают в MP3. Классический метод LSB (замена младших битов) действительно не выдерживает встречи с психоакустической моделью сжатия — данные просто стираются как «неслышимый мусор».

Но что, если подойти к задаче не как к замене битов, а как к радиосвязи? В этой статье мы напишем приложение ChameleonLab на Python (PyQt6 + NumPy). Мы откажемся от хрупких методов в пользу военной технологии DSSS (расширение спектра), применим криптографию AES-256 и научим наш сигнал выживать даже при перекодировании в 128kbps. Разберем математику корреляции, борьбу с рассинхронизацией ffmpeg и почему иногда шум — это хорошо.

Привет, Хабр!

Технологии управления проектами меняются — и вместе с ними меняемся мы и наш мир. Особенно отчётливо это видно в ИТ. Раньше компании были вынуждены мыслить системно: обновления продуктов выходили раз в год, а то и реже, и новые версии нередко приносили не только функциональные улучшения, но и переработанную архитектуру.

Сегодня мы мыслим инкрементами. Обновления выпускаются с немыслимой прежде скоростью — Scrum, DevOps и сам современный темп работы сформировали этот подход. Менять архитектуру стало некогда: в инкремент это не укладывается, за спринт — не разрабатывается. В результате продукты всё чаще превращаются в корабли Тесея: после множества мелких правок в системе не остаётся ни одной «старой доски». Формально корабль полностью новый — все элементы заменены, — но по сути он изменился куда меньше, чем кажется.

Мы стали мыслить бэклогами, а не архитектурами. Образ мышления неизбежно отражается в продуктах, продукты формируют наш цифровой мир, а тот — в конечном итоге — нас самих. Так индивидуальность начинает подстраиваться под популярную методику, порождая однотипные проектные команды. При этом внутренне мы понимаем, что должно быть наоборот: методика обязана адаптироваться к компании, а не перекраивать её под себя.

Большой адронный коллайдер в швейцарском CERN — прежде всего огромная научная установка. Под землей, на границе Швейцарии и Франции, проложено 27-километровое кольцо, в котором ученые разгоняют и сталкивают друг с другом элементарные частицы. Об этом вы, конечно, знаете. Да и обычно о коллайдере говорят именно в этом контексте — открытия, теории, физика. Но с января 2026 года у него появилось еще одно применение, можно сказать, приземленное. Речь об отоплении домов.

Дело в том, что во время работы коллайдер выделяет большое количество тепла. Раньше его просто отводили, оно тратилось впустую. Сейчас же избыточное тепло начали использовать для отопления соседнего французского городка. В итоге система, созданная для экспериментов с частицами, стала источником тепла для тысяч квартир и зданий.

Привет! Это команда Яндекс Практикума. В конце 2025 года мы провели исследование рынка и узнали, как меняются требования работодателей и к чему стоит готовиться джуниору Go-разработчику при трудоустройстве. Рассказываем самое важное.

Проведенное недельное тестирование системы автоматизации планирования собеседований выявило тревожные тренды, указывающие на глубокий структурный дисбаланс на рынке IT-труда. Полученные данные свидетельствуют о значительном перегреве, при котором HR-специалисты формируют иллюзию "очереди у забора" из кандидатов. Однако эта видимость маскирует ключевую проблему: массовую дубликацию активностей соискателей.

Мы немного в когнитивном диссонансе, потому что история дикая и сделать правильно в ней явно будет неправильно. Сейчас объясню, но сначала хронология обращений в поддержку VDS-хостинга.

В один прекрасный день в техподдержку прилетает тикет. Пишет человек, что его почта была взломана и он утерял доступ к своему аккаунту. Пишет с личной почты с публичного сервиса типа @mail.ru.

Аккаунт зарегистрирован на почту внутри домена, домен и сервер, соответственно, скомпрометированы, по всей видимости. Просит восстановить доступ к серверу и перевязать всё на его личный ящик.

Мы, естественно, на слово не верим. Запросили дополнительные документы: паспорт и всё возможное, связанное с аккаунтом. Он присылает скан паспорта. ФИО в паспорте совпадает с данными в профиле аккаунта. Во-вторых, самое главное — банковские чеки и квитанции об оплате этого самого сервера за последние месяцы. Мы смотрим: документы в порядке, деньги платил именно он. Ситуация штатная: человек — назовём его первым человеком-пауком — потерял почту, подтвердил личность, подтвердил оплаты. Мы переносим аккаунт на его личную почту и отдаём доступ.

И тут с почты внутри домена приходит такой же тикет, только на другое имя. Мол, утерял доступ, верните.

Привет! В этой статье рассмотрим различные идеи оптимизации регистров накопления в 1С, чтобы закрытие месяца проходило гладко и база не ложилась под нагрузкой. Рассмотрим итоги, агрегаты и разделение итогов, а также пару трюков с делением данных по периодам.

Закрытие месяца в 1С обычно означает выполнение серии тяжелых расчетов: расчет себестоимости, распределение расходов, переоценка товаров — все это активно читает и пишет данные регистров накопления. Если регистры не оптимизированы, запросы могут перебирать миллионы записей, а записи блокировать друг друга. Все это в лучшем случае, часы ожидания. В худшем база может упасть.

Привет, Хабр! На связи команда отдела поисковой оптимизации и продвижения интернет-ресурсов Рунити. Мы занимаемся SEO-продвижением сайтов: работаем с органическим трафиком, анализируем данные, проверяем гипотезы и смотрим, как изменения в поиске отражаются на реальных показателях проектов.

За последний год SEO заметно изменилось. Дело не в новых факторах ранжирования и не в очередном апдейте алгоритмов, а в том, как теперь работает поиск. Пользователь получает ответ на запрос прямо в выдаче, а наличие сайта в топе больше не гарантирует переход и стабильный органический трафик. Мы видим эти изменения не только на уровне рынка, но и в данных по собственным проектам. Поэтому решили самостоятельно проверить, как именно ИИ-ответы в поиске влияют на клики, CTR и поведение пользователей по информационным запросам. В этой статье поделимся результатами и выводами.

В крипте легко попасть в ловушку: кажется, что главное — найти «правильный» проект. А по факту главное — не пропуститьриск, который потом проявится разлоками, уязвимостью, слабой коммуникацией команды или отсутствием спроса. Я незрячий web3-программист, поэтому не опираюсь на визуальные подсказки и «красивые» графики. Мой подход проще: разложить проект на несколько блоков и последовательно проверить, где именно он может сломаться. Ниже — схема, которой я пользуюсь, когда решаю, стоит ли вообще тратить время и деньги на проект. Это не «как выбрать монету» и не прогноз цены. Это чеклист рисков: команда, концепт, коин (токеномика и капитал), код и практика (как всё работает в реальности).

Тут всё важно:

В блоге Beeline Cloud мы часто поднимаем темы информационной безопасности — например, недавно рассказывали про RFC 9116, который описывает security.txt.

Сегодня мы продолжим тему в контексте LLM. Спроектировать или развернуть систему ИИ — это только полдела. Ее еще нужно тщательно протестировать, отладить и проверить на уязвимость к промпт-инъекциям. Упростить эту задачу помогают специальные инструменты — несколько таких open source-проектов мы собрали в этой подборке.

Как дать пользователю ответ на конкретный вопрос с помощью гео-аналитики? Идеальный ответ — это заходишь в сервис, нажимаешь одну большую кнопку и сразу видишь ответ на свой вопрос. Но, как и в любой сложной системе, в реальности всё устроено сложнее.

В этой статье — история трансформации 2ГИС ПРО: от перегруженного картографического интерфейса для гиков до гибкой платформы, где любой может собрать себе рабочее пространство под конкретную задачу.

Расскажу, как мы:

• отказались от устаревших слоёв в пользу виджетов,
• пересобрали интерфейс вокруг единого дашборда,
• внедрили независимую логику для виджетов,
• переехали на сетку, виртуализацию и архитектуру, вдохновлённую микросервисами,
• сделали миграцию незаметной для пользователей.

Наш опыт будет точно полезен для разработчиков UI, веб-инженеров, работающих с дашбордами и тем, кто строит большие аналитические продукты. Внутри — как из мысли на бумажке вырастает продакшен-интерфейс.

Давайте честно. Все эти конференции про "Цифровые Двойники" и "AI на производстве" - это красиво только на слайдах в PowerPoint.

В реальности, когда ты приходишь к главному технологу и просишь данные для обучения модели (например, чтобы предсказывать прогар футеровки), происходит одно из двух: