Kurgan-Telecom Ru | Информационные технологии

Новая нейросеть GPT Image 2 генерирует идеальные арты с текстом и ультрареалистичные фото. Узнайте, как пользоваться ИИ в России без VPN. Внутри: полный гайд и 20 готовых промптов с примерами!

12–14 ноября в Санкт-Петербурге пройдет INFOSTART A&PM EVENT 2026 — конференция для аналитиков, руководителей проектов, архитекторов и специалистов по автоматизации на платформе 1С.

Инфостарт открыл прием заявок на выступления. Подать доклад можно до 28 августа.

Главный страх любого инженера ошибка CUDA Out of Memory. Мы выстраиваемся в очереди за H200 на 140 ГБ. Но как только мы спускаемся с уровня Python на уровень написания кастомных ядер, наступает великая ирония. Наша главная цель как оптимизаторов любой ценой избежать обращения к этой самой VRAM. В этой статье мы поговорим о физике видеокарт, "Стене Памяти" и о том, почему настоящие нейросети живут в регистрах, а VRAM это просто холодный склад.

Продолжаю серию подборок неочевидных ресурсов. Недавно рассказывал про 15 онлайн-сервисов, которые должен знать каждый сисадмин. Сегодня собрал инструменты для случаев, когда dig, mtr и traceroute недостаточно, но ставить софт не очень хочется. Под катом — подборка для сетевиков.

Прошло несколько лет с тех пор, как нейросетевые модели стали применимы в генерации текста. Сегодня языковые модели уверенно решают задачи написания кода, поддержки диалогов и планирования маршрутов. Тем не менее, до сих пор не сложилось универсального подхода для валидации LLM перед их внедрением в цифровые продукты.

Но у нас есть решение! В этой статье я расскажу, как мы в Sber AI обучили специализированного LLM-судью (LLM-as-a-Judge) Pollux для оценки русскоязычных LLM. Мы выложили его в открытый доступ и вы можете встроить его в свой продукт уже сегодня.

Привет, это Всеволод Иванов и Артём Икчурин из Yandex Infrastructure — в нашей инфраструктурной команде Cloud Storage Services мы занимаемся разработкой хранилищ, которые внутри компании используются самыми разными сервисами. В Яндексе есть несколько систем хранения для разных задач, в том числе объектное хранилище для неструктурированных данных.

Несколько лет назад мы искали способы ограничить нагрузку на внутренний сервис S3 — так появилось наше собственное решение Yet Another Rate Limiter, или YARL, о котором мы уже писали на Хабре. Сегодня расскажем, как развивается наш лимитер. Так что если вам интересны высокие нагрузки, рекомендуем ознакомиться с предыдущей статьёй и затем вместе с нами отправиться под кат за продолжением.

Привет, дорогой Хабр.

Итак, в 2019 году ВОЗ внесла данный сабж в Международную классификацию болезней как синдром с тремя диагностическими признаками. Но - не классифицируется как медицинское состояние.

Т.е., больничного листа с диагнозом “выгорание” в природе пока не существует. Наука пока не определилась, куда это класть - к расстройствам адаптации, к аффективным нарушениям или выделить отдельно. Ну и пока не договорилась - официально вас как бы и нет. 

А тем временем - 58% российских сотрудников, по данным SuperJob (это такой портал для поиска работы) за сентябрь 2025-го, столкнулись с выгоранием. 

Сегодня SCD-2-таблицы не только остаются актуальными для медленно меняющихся данных, но и, на мой взгляд, становятся гораздо проще в реализации благодаря новым технологиям и инструментам.

Мне поручили пересобрать витрину в ходе миграции в наше новое хранилище данных. Итак, в этой статье мы будем:

— строить Iceberg-таблицы SCD-2 с помощью Trino, SQL и Python;

— попутно освоим прекрасные функции merge, MD5 и другие полезные инструменты;

— напишем свой собственный оператор для Airflow для автоматизации ETL-процесса.

Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого.

Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично:

1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек:
— fine-tune собственных LLM на своих датасетах
— свой TTS/STT на своих датасетах
— генерацию лиц и deepfake
— MLOps-инфраструктуру и пайплайны

Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек.

Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке.

2. Теперь компания Y: AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества.

Сравним экономику:

Вариант 1:
4 senior’а х $8k х 4 месяца
≈ $128k до запуска

Вариант 2:
15 человек x $3k x 15 месяцев
≈ $675k до конкурентного качества продукта

Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров.

Маленькая сильная команда:
— вышла на рынок быстрее
— строила собственные технологии
— накапливала engineering leverage
— могла быстро pivot’иться при необходимости

Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта.

Какие выводы:

1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект.

2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса.

Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный.

Если не согласны — с удовольствием подискутирую.

Если вы используете GPT в работе, вы уже могли поймать странный эффект: задачи стали делаться быстрее, но свободнее не стало. Более того — иногда кажется, что стало тяжелее.

Раньше ты писал отчёт два часа. Теперь собираешь его за двадцать минут. Но вместо того чтобы получить обратно эти полтора часа, ты начинаешь делать отчёт глубже: добавляешь аналитику, проверяешь гипотезы, готовишь несколько сценариев, аккуратнее формулируешь выводы.

И в какой-то момент возникает неприятный вопрос: если ИИ действительно экономит мне время, почему я не чувствую себя менее загруженной?

Когда начался ажиотаж (хайп) вокруг закона о норме, даже в писательском сообществе я столкнулась с непониманием того, что требуется, в каких случаях, по какому закону. Некоторые утверждали, что дело касается только вывесок в реальном мире, другие — что нужно следить за всем, что написано русским языком. Многие вовсе отрицали необходимость изменений. Но постепенно бизнес выстроил новые процессы, проверка текста на соответствие нормам русского языка стала одним из обязательных действий, и пришло время заняться оптимизацией. А значит, выбрать максимально удобные инструменты.

В этой статье расскажу, как устроен закон, на какие тексты он распространяется. И почему именно инструмент «Норма» от Орфограммки оказывается наиболее удобным. Я опираюсь на интервью с разработчиками, и расскажу о деталях реализации, но пишу от лица писателя и маркетолога для тех, кто много работает с текстом.

Устройства дополненной реальности — это устройства, которые обеспечивают интерактивное взаимодействие с реальным миром, интегрируя цифровой визуальный контент и аудио в окружающую среду. К устройствам дополненной реальности относятся проекционные дисплеи, голографические дисплеи, смарт-очки и другие.

Основными типами устройств дополненной реальности являются дисплеи, надеваемые на голову (head-mounted display, HMD), и проекционные дисплеи (head-up display, HUD). Устройства дополненной реальности используются в самых разных отраслях, в том числе в потребительской, коммерческой, корпоративной, здравоохранении, аэрокосмической и оборонной промышленности, энергетике и автомобилестроении. Популярные англоязычные аббревиатуры (VR, AR, MR) — это соответственно виртуальная, дополненная, смешанная реальность.

Посмотрим, что происходит в этой сфере в России и мире с точки зрения патентов. 

Статья написана на основе интервью с Еленой Власовой, основательницей бренда женской одежды больших размеров Pluffy Queen.

По профессии я медсестра — проработала в медицине 10 лет. Потом стало модно быть блогерами — начала худеть и делиться результатами с подписчиками. Я всегда носила 60-й размер, но периодически сбрасывала вес и покупала вещи поменьше. Подписчики часто интересовались, где я беру одежду, — подобрать стильные вещи моего размера в обычных магазинах практически невозможно. Удачные покупки чаще всего случались во время заграничных поездок.

В 2021 году я купила в Турции на обычном рынке комбинезон. Очень интересный — в российских магазинах такой было сложно найти. Я стала носить его, показывать в блоге, и подписчицы снова начали спрашивать: «Где купила?». И тут меня осенило: а что, если сшить такой же комбинезон и продать? С этого все и началось.

Приходило ли вам в голову, что инженеры уже много сотен лет бьются над одним и тем же вопросом и вопрос этот — как достичь постоянного момента? 

В настоящее время, этот вопрос легко решается электронными средствами, однако в прошлом, этот вопрос был решён множеством оригинальных способов, и, предупреждая вопросы: не все из них применимы в каждом случае, из-за чего и продолжается до сих пор эта «бесконечная гонка», имеющая (и имевшая ранее) существенные последствия, повлиявшие на всё человечество! 

Итак, о чём идёт речь? 

Привет, Хабр! (И тебе, HR, который ставит в вакансию «Python, SQL, Linux, Docker, K8s, Spark, Airflow, английский C1, опыт 1-3 года, зарплата 40-60К». Особенно тебе.)

Сегодня будем препарировать рынок Python-разработки в России. По-настоящему. С графиками, цифрами и верой в светлое будущее.

Здесь будет всё, зарплаты, актуальные стеки и то что уже никому не нужно, прогнозы, тренды, и многое другое, будет интересно...

Поехали.

Тест, призванный расширить границы возможностей секвенирования ДНК отдельных клеток, привёл к гораздо более удивительному открытию: микроскопический организм из пруда в парке Оксфордского университета, по-видимому, использует генетический код невиданным ранее способом.

Доктор Джейми Макгоуэн, научный сотрудник-постдокторант Института Эрлхэма, изучал геном протиста, добытого из пресной воды. Цель исследования была практической: исследователи хотели протестировать технологию секвенирования ДНК, способную работать с крайне малыми количествами генетического материала, в том числе с ДНК из одной клетки.

Вместо этого команда обнаружила неожиданный генетический аномальный случай. Организм, идентифицированный как Oligohymenophorea sp. PL0344, оказался ранее неизвестным видом с редким изменением. Оно касается того, как этот организм считывает инструкции ДНК и синтезирует белки. В исследовании, опубликованном в журнале PLOS Genetics, сообщается, что два кодона, обычно связанных с сигналами остановки генов, были переназначены на другие аминокислоты — комбинацию, которую исследователи охарактеризовали как ранее не описанную.

В этой небольшой заметке хотелось бы рассказать о технологии MaterialX. Что это такое, из чего состоит, как этим пользоваться, куда можно прикладывать применять. Да и вообще, как с этим жить. Сразу стандартные ссылки: официальный сайт, репозиторий на GitHub. И тоже сразу предупреждаю - никакого ИИ, генеративных моделей, агентов и прочей шалупени. Ну если только немного в целях насмешки. А так - только старая добрая компьютерная графика. И никакого телеграмм-канала тоже. Говорю же, олдскул.

Сегодня в корпоративной среде принято много говорить о самостоятельности, инициативности и ответственности. На собеседованиях компании ищут проактивных специалистов, людей с критическим мышлением, умеющих принимать решения. Но на практике возникает любопытный парадокс.

Как только человек действительно становится независимым профессионалом, со своим взглядом на процессы и готовностью отвечать за результат, система нередко начинает воспринимать его как источник дискомфорта.

На этой неделе прочитала свежую статью Кьяры Пеллегрини из NN/g: «AI-агенты теперь тоже пользователи наших интерфейсов». Автор — серьёзный исследователь, статья хорошо аргументирована. У агента есть цели, агент сталкивается с интерфейсом, агент пытается достичь целей через наш дизайн. По функциональному определению — пользователь.

Я не согласна с этой рамкой. И думаю, что разница принципиальная.

Восемь лет я работала клиническим врачом, потом перешла в продуктовый дизайн. Сейчас веду UX/UI в крупной российской IT-компании. Этот переход дал мне странное двойное зрение: я постоянно вижу в дизайне проблемы, которые медицина решала десятилетиями. Вопрос с агентами — один из них.

Агент — это не новый пользователь. Это новый посредник.

Рынок всего на свете твердотельных накопителей в последнее время переживает серьезные встряски. Стремительный спрос со стороны крупных дата-центров заставил производителей перекраивать планы. Ну и чипы NAND, которые раньше спокойно шли в потребительские SSD, теперь в первую очередь уходят на серверные нужды. Все это привело к росту цен.

Но если во всем мире стоимость накопителей возросла на десятки процентов, то в Японии — на сотни. За считанные месяцы некоторые модели в местных магазинах выросли в цене настолько, что покупатели начали всерьез задумываться, стоит ли вообще брать накопитель сейчас или подождать, пока ситуация хоть немного стабилизируется. При этом в США и Европе аналогичные модели стоят куда меньше, в долларовом, конечно, эквиваленте. Что стряслось-то?