Когда мне пришла идея написать эту статью, я предполагала, что это будет хроника ошибок, от которых мы бы хотели предостеречь техническое сообщество: как мы наивно полагались на «синтетику», а «видовое многообразие» сервисов раскрыло нам глаза.

Но по мере подготовки материала пришло осознание, что проблема не в том, что мы ошиблись в методике, а в том, что для core-системы, пропускающей сотни тысяч разнородных запросов в секунду, достичь точного воспроизведения боевой нагрузки практически невозможно.

Под катом рассказ о том, как мы двигались от упрощенных моделей к глубокому изучению специфики поведения системы, а по пути осознали, что нужно не выбирать между крайностями, а комбинировать подходы и учитывать риски.

Технологии Backend-Driven UI уже давно используются во многих компаниях, включая Альфа-Банк. Существует множество реализаций этого подхода, и недавно Google представил собственное решение — Remote Compose.

Remote Compose выглядит очень перспективной технологией. Фреймворк активно развивается и поддерживается командой Google. Однако на момент написания статьи технология всё ещё находится в alpha-версии, поэтому использовать её на проде пока рано. 

Но я изучил этот фреймворк и хочу поделиться своим опытом, а когда Remote Compose выйдет в бета-версию вы будете знать, как с ним работать

В статье разберём:

•  общую концепцию Remote Compose,
•  чем он отличается от классического BDUI,
•  какие интересные технические решения используются внутри,
•  несколько практических примеров использования.

Нейронные сети сегодня уже не какая-то магия из научных статей. Они стоят за рекомендациями в сервисах, распознаванием изображений и, конечно, за LLM-моделями, которыми мы пользуемся каждый день. Но знакомство с ними у многих происходит через готовые библиотеки такие, как PyTorch или TensorFlow: написал пару строк кода — модель обучилась — всё работает. А что именно произошло внутри обычно остаётся загадкой.

Feed-forward нейронная сеть (FNN) — одна из самых базовых архитектур, на основе которой исторически выросли более сложные модели: DNN, CNN и многие другие современные подходы. Хотя сама по себе она редко используется в практических задачах в чистом виде, именно через неё проще всего понять фундаментальные принципы обучения нейросетей.

В этой статье мы реализуем нейронную сеть прямого распространения с нуля, используя только Python и NumPy — без готовых ML-фреймворков. Такой подход позволяет на практике увидеть, как работают основные концепции и принципы нейронных сетей. Погружаясь одновременно в математику и программирование, вы сможете получить более глубокое понимание того, что происходит внутри модели во время обучения и предсказаний.

Эта реализация станет основой для дальнейшего изучения: по мере освоения материала можно экспериментировать с более сложными архитектурами, различными функциями активации и методами обучения, улучшая свои собственные модели. Статья рассчитана на читателей с базовым пониманием линейной алгебры и Python, и ее цель — показать, как ключевые математические идеи превращаются в работающий код.

Представьте себе: вы закончили большую задачу, написали много строк кода, проверили всё, даже подумали над названием каждой переменной! Но откладываете создание PR на день, два, три…из-за того, что не хочется идти в ревью и получать критику?

А мне такое и представлять не надо. Я испытываю подобное почти перед каждый своим ревью, даже спустя 6 лет в разработке.

Читая новости я начинаю что-то подозревать. СМИ пишут, что треть разработчиков пишут код с ИИ, а в Отечестве — три четверти отечественных разработчиков (по данным Яндекса), а в Anthropic, говорят, некоторые инженеры вообще не пишут код. А статистика это подтверждает и говорит, что за шесть месяцев доля коммитов Claude Code на GitHub выросла с 0,7% до 4,5% (по состоянию на март 2026).

В интернете на эту тему разворачиваются статьи о том, как LLM изменят программирование и теперь код создаётся сам:

— «Writing code is cheap now»
— «Code is cheap. Show me the talk»
— «Code is cheap now. Software isnt»

Контекст нового мира вокруг меня таков, что не использовать ИИ нельзя (?). Иногда его начинают использовать из любопытства. Иногда, чтобы быть «на передовой». Иногда он рекомендуется к использованию. Иногда он рекомендуется очень настойчиво. В общем, как сказал Райан Даль, создатель NodeJS, «эпоха, когда люди писали код, закончилась»

И вот, наконец, вкалывают роботы ИИ-пишет код в банках, страховых компаниях, маркетплейсах и даже в госсервисах. Возрадуемся же, что LLM теперь может писать миллионы строк кода в час и мы наконец свободны от оков программирования!

Это, конечно, все прекрасно, нас всех ждет светлое будущее и коммунизм сингулярность, но извините, как у гуманитария с тремя классами коридорного образования, у меня есть три невероятно глупых вопроса о последствиях.

В этом эссе родителя-экспериментатора без педагогической теории (я не педагог и не психолог), без идеализации родительства, но с некоторым багажом практики, я описываю, как занимался развитием сына и что делал, чтобы он вырос думающим, любознательным, любопытным и эрудированным.

Есть точка в карьере, где перестают работать привычные способы роста. Вы уже не джун, умеете управлять проектами, продуктами и командами. К вам приходят за советом, доверяют сложные задачи, вы принимаете решения, от которых зависит результат. Формально, всё выглядит хорошо. Но внутри появляется странное ощущение: решений становится больше, а ясности — меньше, ошибки перестают быть очевидными и всплывают через месяцы. Обратная связь почти исчезает.

Но не потому что вы всё делаете идеально, нет, вы всё делаете правильно, просто уровень ответственности становится слишком высоким для постоянных комментариев. Вы всё чаще варитесь в собственном контексте, не имея возможности посмотреть на себя и свои решения со стороны. В этот момент многие задумываются о менторинге в качестве менти — и кто-то тут же отмахивается от этой идеи: «Это для джунов», «Мне уже поздно», «Я и так всё знаю».

Но это ошибка.

Тема сериализации данных является базой для любого мобильного разработчика, поскольку используется для работы с сетью, файловой системой и коммуникацией между основными компонентами. Но есть в этом вопросе особенность, с которой я столкнулся впервые за 7 лет.

Именно об этом открытии и пойдет речь в статье — о смеси двух методов сериализации, — а также о том, почему для решения этой задачи важно разбираться в работе разных видов classLoader. Информация из статьи поможет вам постепенно мигрировать на Parcelable в нужных местах, не переписывая сразу все классы на новую технологию.

В 2019 году я получил диплом металлурга и был уверен, что впереди стабильная инженерная карьера. В феврале 2021-го сидел на первом собеседование в IT на позицию мануального тестировщика. В 2026 я работаю Fullstack QA Engineer в Альфа-Банке: тестирую аналитическую HTAP-систему, пишу автотесты на Java, разбираю Kafka-потоки и трассирую запросы через микросервисную архитектуру.

Путь был непростым и тернистым. Но если бы в 2026 я пытался перейти из инженера в QA, то сразу бы перескочил ручное тестирование. Привет, меня зовут Королев Павел, я ведущий специалист по тестированию в Альфа-Банке. Расскажу историю перехода в QA из других профессий и что бы я делал сейчас, если бы думал о переходе в QA сегодня.

В одной из предыдущих статей я описал, как простой Telegram-бот помогает с подбором и при этом экономит деньги банку. За прошедшие три года решение значительно эволюционировало, обросло новым функционалом, было масштабировано на многие подразделения банковского ИТ.

Параллельно в банке шли исследования в части использования генеративного искусственного интеллекта для более эффективного решения текущих задач. В статье поделюсь опытом анализа обратной связи кандидатов на вакансии системного аналитика, прошедших через бот, с использованием инструментов, предоставляемых банком.

Обратимся к статистике: по данным с https://httparchive.org/ за последние 6 лет средний размер веб-страницы значительно увеличился. Если в декабре 2019 года средний вес десктопной веб-страницы составлял 1,9 МБ, то сейчас он уже 2,9 МБ для десктопа и 2,6 МБ для мобильных устройств. Это рост на 50% за 6 лет, причём изображения составляют до 40% общего веса страницы.

С увеличением разрешения экранов, усложнением дизайна и тенденцией к использованию изображений высокого качества нагрузка на сайты продолжит расти. Это напрямую влияет на скорость загрузки, потребление трафика и, в конечном итоге, на пользовательский опыт.

Просматривая недавно пул-реквест, я заметил, что туда добавили новые изображения. Меня удивил выбор формата: для картинок без прозрачности использовали PNG. Это кажется избыточным, так как для многоцветных изображений лучше подходят форматы вроде JPEG, которые весят меньше.

Я решил провести эксперимент: оптимизировал и переконвертировал изображения в JPEG, WebP и AVIF, сохранив качество на глаз неотличимым от оригинала.

Приходилось ли вам браться за задачу, из-за которой прошлый разработчик успел выгореть и сменить компанию? Что ж, мне удалось с такой столкнуться — c задачей обеспечения безопасного локального хранения файлов, которые пользователь загружает в приложение, например, общаясь с технической поддержкой в чате. Обо всех деталях и во всех подробностях я и расскажу в данной статье.

Меня зовут Роман Мгоев, я специалист по анализу киберугроз в Альфа-Банке. В статье разберём, как работают BYOVD-атаки пройду: начну с архитектуры колец защиты Windows, byte-патчей в памяти ядра и разбора FudModule от Lazarus обеих версий, изучим свежие техники zerosalarium и публичные тулкиты, а в конце поделюсь семью направлениями детектирования с готовыми правилами для SIEM. Отдельный блок — про аудит драйверов, которых ещё нет ни в одной базе.

Привет! Мы разработчики платформы AlfaGen — команда Умного поиска AdvancedRAG. Это внутренняя GenAI‑инфраструктура банка и продукты на её базе.

В статье расскажем, как мы сделали Advanced RAG, чем он отличается от обычного Умного поиска — RAG. А ещё зачем вообще компаниям и пользователям такие продукты, и как вы можете сделать такой проект с меньшим числом седых волос.

Недавно увидел вот такую диаграмму. На ней я в серой зоне — как типовой представитель народонаселения, потому что не вижу, как использовать AI в жизни. На зелёные квадратики можно не смотреть, а желтые и красные — это та часть 8-ми миллиардного населения планеты, которая действительно регулярно использует LLM-ки.

А почему их так мало? Почему количество профессиональных ИИ-пользователей стремится к статистической погрешности? Почему 16% пользователей не покупают подписку на ИИ-шки? И почему оставшиеся 84%, что составляют 6 миллиардов с хвостиком знать не хотят про ИИ?

Привет! Я Стас, уже долгое время работаю в тестировании. В статье расскажу, почему я вдруг начал изучать ИИ, как далеко зашёл в этом процессе и как он связан с ростом в сторону SDET.

Ещё покажу способ быстро создавать API-заглушки для тестирования с пайплайном на бесплатном софте. После прочтения сможете собрать такой же для своего проекта.

Привет! Это Маша из AppSec Альфа-Банка. В прошлом году мы провели наш первый Alfa CTF Surfing Edition — соревнование в сфере кибербезопасности. Их делают для того, чтобы лучше искать уязвимости, атаковать чужую инфраструктуру или защищать свою. 

Сегодня мы разберем пару тасок из нашего CTF: «Запреты Роскамбалы» и «Звуки ностальгии». Задачи пропитаны work-life blend, послевкусием летнего отпуска и волн.

Приступим.

Тем, кто всё ещё не убрал ёлку, посвящается. 

Праздник давно прошёл, а годовая статистика осталась. В статье расскажу, как мы делаем рекапы — итоги года юзера в приложении с новогодним визуалом. Будут Единороги, Олени и немного дедлайнов чудес.

Меня зовут Руслан Махмудов, я — архитектор решений в Альфа-банке. Хочу рассказать, как мы в Альфа-Банке решали наши архитектурные проблемы, в результате чего создали своего монстра Франкенштейна (в хорошем смысле) — систему RSM, без которой в настоящий момент работа всего архитектурного подразделения фактически невозможна.

Меня зовут Павел Коростин, я техлид тестирования мобильного банка для юридических лиц в Альфа-Банке. Бэкенд мобильного банка — это около 300 микросервисов, работающих в k8s, развитием которых занимаются примерно 50 команд, разделённых на функциональные области. За каждой командой закреплены сервисы, которые они поддерживают, разрабатывают, тестируют и, соответственно, пишут автотесты. Раньше все тесты на сервисы «жили» в одном монорепозитории, но в определённый момент мы поняли, что дальше так работать уже не можем и нужно как-то разъезжаться.

Не буду вдаваться в подробности, почему гигантский монорепозиторий неудобен, потому что, если вы уже решили избавляться от громоздкого монолита, то основной вопрос — как дробить?