У нас состоялось несколько встреч, собственник демонстрировал продукт, делился идеями, мы обсуждали возможные варианты запуска и дальнейшего развития, искали точки сотрудничества. Через полгода он сделал мне предложение – выкупить мой портал. Его план был использовать накопленный трафик и базу зарегистрированных пользователей как одни из инструментов для старта своей платформы; по сути, превратить мой ресурс в один из разделов его платформы, сохранив аудиторию. Я попросил время на размышление.
Два месяца назад я уже рассказывал о том, что сделал приложение VibeLing для изучения иностранных слов и фраз. Если совсем коротко — это приложение, в котором я стараюсь максимально использовать ИИ, чтобы убрать лишнюю рутину и сделать изучение языков не только эффективнее, но и просто интереснее.
В этот раз хочу рассказать не про продукт целиком, а про одну конкретную часть — тренировки слов. О том, как они эволюционировали, зачем вообще понадобились нейросети и какие проблемы они помогли решить.
Начну издалека. Ровно год назад ко мне случайно попала автомагнитола Volkswagen Premium 7. Не пропадать же добру — подумал я — и решил реверс‑инжинирить её дисплей. Спустя много попыток, изучений новых для меня инструментов и способов анализа сигналов — удалось вывести на её дисплей своё изображение. В районе лета мне пришла идея, что с этим всем сделать — часы + метеостанция + монитор ресурсов пк + драйвер подсветки стола. На этом этапе мне пришла идея: заводская подсветка была одноцветной (синей), так ещё и крайне тусклой. Надо ставить что‑то своё. Под руку попалась WS2812 адресная светодиодная лента — яркая и RGB.
Фотография — это не только момент, но и настроение, стиль, история. А что, если всё это можно изменить одним промптом?
И тогда я решил попробовать Nano Banana Pro. Оказалось, нейросеть может создать любой кадр за секунды — нужно только правильно её попросить. Без навыков дизайна, без фотошопа, без месяцев обучения. Только нейросеть и ваша фантазия. Звучит как читы, но это уже реальность.
В этом гайде — подборка промптов, которые превращают обычные фото в арты, схемы и даже создают визуальные решения загадок. Логические задачи, паттерны, дорисовка... иногда кажется, что нейросеть прошла уровень сложности, который нам и не снился. И теперь она готова делиться своими скриншотами.
У нас больше 40 сервисов, развернутых в docker-compose, у многих есть API, база данных, кэш, брокер сообщений, у одного только Posthog больше 20 контейнеров с воркерами, плагинами, ClickHouse, Redis и сопутствующей обвязкой.
Со временем появился простой запрос: хотим понимать, что вообще происходит с контейнерами на хосте, видеть всю информацию централизовано в grafana и узнавать о проблемах через алерты, а не от юзеров. Понятно, что это не панацея, но большинство проблем все же решает.
Бывает, когда требуется что-то замерить, я прибегаю к простому методу, который не слишком быстр, не слишком точен, не рекомендуется ни в одном официальном стандарте — но, всё-таки, ни разу меня не подводил. Опишу его здесь, хотя, даже просто называя его «методом», я уже немного его приукрашиваю. Пожалуйста, не пользуйтесь им, если нужно повесить шкафчики на кухне или вообще что угодно, на что вам придётся ежедневно глядеть в течение ближайших десяти лет. Из измерительных инструментов нам понадобится только лист формата A4 — и всё.
Генеративный ИИ добрался до 16,3% населения планеты — таковы данные свежего отчета Microsoft по итогам четвертого квартала 2025 года. Но за общей цифрой скрывается раскол: мир делится на тех, кто платит $20 в месяц за ChatGPT, и тех, кто скачивает DeepSeek бесплатно.
Привет, друзья! В прошлой статье мы разобрали идею применения автоэнкодеров к трансоформерам. Там весь наш pipeline проходил на идее сжатия признакового пространства так, чтобы поделить кошек и собак. Но что делать, если у нас не задача классификации, а задача next token prediction? Да и признаки не соответствуют «собакам» и «кошкам», а охв атывают все богатство естественного языка...
Ответ сообщества сейчас такой — давайте использовать SAE. Как? Разбираем основы в статье.
Игрок платит денежную сумму S за игру, после чего подбрасывает честную математическую монетку до тех пор, пока не выпадет решка. Выигрыш игрока составляет , где H - число выпавших подряд орлов.
Легко показать, что матожидание такой игры стремится к бесконечности. С вероятностью 1/2 в последовательности не будет орлов и мы получим за неё 1 рубль. С вероятностью 1/4 выпадет один орел, и это 2 рубля. С вероятностью 1/8 вы получите 4 рубля, и так далее. Матожидание всех этих исходов: 1/2 + 2/4 + 4/8 + ... -> .
Однако вряд ли найдется человек, который согласился бы играть в эту игру даже при S=20.
Обратился заказчик, ему нужно принимать предоплату за бронь падел-кортов.
Создавать платёжную ссылку из ЛК Тинькофф неудобно — заказчик не хотел давать доступ к счёту всем менеджерам.
Статичный QR-код не подходит — нужно же понимать, за какую бронь пришла оплата.
Каких-то других готовых решений без дополнительных комиссий не нашли.
Я показал рабочий пример в моём Tg-боте: там генерируется уникальная ссылка, при переходе по которой клиент платит удобным способом. И не на карту менеджеру, а на расчётный счёт, вполне официально.
На этом варианте и остановились.
Механика работы
Менеджеру даём ссылку на бот с секретным ключом вида t.me/name_of_bot?start=secret_key
Когда менеджер переходит по ней, он автоматически получает право создавать ссылки на оплату для заданного терминала. Это такой очень простой и надёжный вариант авторизации.
Менеджер нажимает "Создать ссылку", указывает номер брони, email клиента (он требуется для отправки чека) и сумму.
Бот через API Тинькофф создаёт ссылку и присылает её менеджеру.
Менеджер пересылает клиенту.
Клиент по ссылке попадает на платёжную страницу Тинькофф, там оплачивает через приложения банков, картой или по СБП.
Менеджеру приходит уведомление, что бронь с таким-то номером оплачена.
Элементарно, работает как часы, заказчик доволен.
Как создаются платёжные ссылки в боте
Занятный денежный факт
За создание этого платёжного бота я получил больше денег, чем за всё время существования и разработки своего бота для мониторинга сайтов, из которого эту маленькую функцию и стащил. Но мониторинг не брошу.
Зачем я это написал
Я подумываю сделать решение универсальным сервисом для создания платёжных ссылок. Интересно узнать, сталкивались ли вы с подобной задачей и как решили?
В середине 2025-го в базе патентов США появилась одна из самых необычных и спорных заявок последнего времени - патент US20250238653A1, поданный физиком-изобретателем Митчеллом Квоком. Его полное название звучит как «Universe Time Machine using AI god and the Universe Internet» — «��селенская машина времени с использованием ИИ-бога и вселенского интернета». Звучит патент как научная фантастика, сочетая в себе реальные научные темы и утопические (если не мифические) идеи о будущем искусственного интеллекта.
Автор предлагает архитектуру гипотетической «машины времени», основанной не на путешествии сквозь кротовые норы или искривлении пространства-времени, а на полном контроле над материей и энергией.
На выставке CES 2026 представили гаджеты, которые заставят Дарта Вейдера обсуждать стратегии подавления восстаний, а Эйнштейна - объяснять теорию относительности голосом из вашей коллекции.
Время идет и каждая из областей в МЛ развивается, часто сложно уловить особенности и прорывы в каждом домене. Я предлагаю начать разбирать вглубь RecSys и постепенно отвечать на вопросы: что общего со всеми, а что стало доменным.
В IT давно понятно: один инструмент редко решает сложную задачу оптимально. Максимальный эффект даёт правильно собранный стек. В эстетической медицине - та же логика.
В клинике КЛАЗКО внедрён сочетанный авторский метод коррекции лица Endolift + нитевой лифтинг, разработанный практикующим пластическим хирургом, тренером-косметологом, кандидатом медицинских наук Андреем Евгеньевичем Сергеенко. Метод тестировался и дорабатывался в клинических условиях более года и показал стабильные, воспроизводимые результаты.
Если говорить языком высоких технологий, Endolift здесь отвечает за «глубокую оптимизацию на уровне ядра», а нитевой лифтинг - за точную настройку интерфейса и фиксацию результата.
Я работаю продуктовым аналитиком уже много лет и за это время видел, как рынок несколько раз менял ориентиры. Профессии становились «самыми востребованными», потом перегревались и теряли привлекательность. Если смотреть на происходящее без эмоций и громких обещаний, аналитика остаётся редким примером направления, где вход в профессию остаётся относительно доступным, а ценность специалиста для бизнеса ощущается довольно быстро.
Аналитика не выглядит эффектно со стороны. В ней нет визуального результата, как в дизайне, и нет ощущения инженерной сложности, как в разработке. Зато есть постоянная работа с реальностью продукта: с тем, что происходит с пользователями, деньгами и решениями. Пока компании принимают решения на основе данных, аналитики будут частью этого процесса.
В этой статье я покажу, как с нуля подключить OpenTelemetry в ASP.NET Core проект и получить полноценную наблюдаемость: распределённые трейсы, метрики и логи. Мы не будем углубляться в теорию (что такое спаны/трейсы/метрики и поч��му это важно) - сфокусируемся на практике.
Мы развернём небольшой "микросервисный" стенд в Docker Compose и после пары запросов увидим в SigNoz полный набор сигналов: трейсы, метрики и логи с корреляцией по trace_id. Все исходники доступны в репозитории GitHub так что каждый шаг можно повторить самостоятельно.
Каждый, кто хоть раз вводил pip install transformers, наблюдал, как терминал начинает безостановочно выводить простыню зависимостей: pytorch, accelerate, bitsandbytes, peft и многие, многие другие. Но если PyTorch является фундаментом, настоящим Атлантом, на плечах которого держатся тензорные вычисления, то какую роль играют его помощники?
В этой статье мы проведём ревизию джентльменского набора LLM инженера. Для этого мы изучим функционал, методы работы и даже заглянем в исходный код таких библиотек, как PyTorch, Transformers, Accelerate, Bitsandbytes, PEFT и Unsloth. Эти знания позволят вам видеть за списком импортов не просто названия, а четкую структуру, на которой держится ваше приложение.
Все началось с банальной задачи: мне потребовалось подобрать имя для игрового персонажа — гнома (dwarf male). Казалось бы, выбор очевиден, но классические имена вроде Торина, Балина или Гимли затасканы до неприличия и давно превратились в дефицит. В виртуальных мирах царит странный парадокс: при всем обилии возможностей геймеры демонстрируют поразительную скудность воображения, пытаясь натянуть на своего персонажа чужую славу. Убедившись, что все каноничные имена уже заняты, я обратился к первому найденному в поиске генератору имен.
В разных командах разработки наблюдается похожая картина. После внедрения ИИ в процессы он ускоряет не только работу, но и масштабирует уже существующие проблемы.
Мне приходилось внедрять ИИ в продакшн-среду в разных доменах — от классических моделей классификации до разворачивания собственных серверов под локальные LLM и интеграции генеративных моделей для усиления командной работы. В каждом случае вывод оказывался одинаковым.
Большинство инженерных проблем при работе с ИИ по-прежнему лежит в области дисциплины и мышления, а не в технологиях. Поэтому привычные инженерные практики требуют переосмысления.
, где H - число выпавших подряд орлов.
.
