Привет, Хабр! Представьте ситуацию в интернет-магазине. Клиент звонит и пишет в поддержку, так как получил поврежденный заказ. При этом он уже откладывал повторную покупку из-за долгой доставки в прошлый раз и не дописал отзыв, который хотел оставить неделю назад. Человек на грани ухода к конкурентам. Что увидит типичный оператор поддержки? Да просто текущее обращение. Он оформит возврат, закроет тикет — и на этом как бы все. Остальные сигналы останутся незамеченными им. В противовес ему, агентная система видит всю картину, ловит паттерны и закрывает боли клиента: оформляет возврат, предлагает промокод на следующую покупку, устраняет причину недовольства. Это рабочая модель, которую уже описывают аналитики McKinsey в свежем отчете о перестройке клиентского опыта в эпоху агентского ИИ.

Последние пару лет компании в основном просто добавляли генеративный ИИ поверх старых процессов. Да, чат-боты стали вежливее и быстрее, но логика принятия решений при этом у них не изменилась. Клиент как сталкивался с разрозненными сценариями на разных этапах пути, так и сталкивается. Агентский ИИ меняет эту логику. Вместо заранее прописанных сценариев он в моменте принимает решение на основе реального контекста. Что это значит на практике, через какие этапы проходят компании и какой результат получают на выходе?

Всем привет! Меня зовут Александр Цай, я ведущий инженер-аналитик в МТС Web Services.
Занимаюсь всем, что связано с данными и ИИ. Найти, заполучить, обработать, спроектировать, развернуть — это все ко мне.

Опущу все нудные подробности, решили мы развернуть себе Superset 6.1.0 — последнюю версию, но столкнулись с тем, что заказчику категорически не нравится штатный фильтр по датам и он не хочет пересаживаться со своего BI, а хочет он календарик. А еще — пару плагинов с оглядкой на PowerBI. Поэтому встал вопрос создания собственного плагина-фильтра.

Казалось бы, задача несложная. Пара-тройка гайдов в en сегменте имеется, есть даже документация и штатный генератор шаблонов. Но по факту оказалось, что все это не работает. Генератор так вообще не обновлялся аж с 2024 года: выдает шаблон, который ссылается на уже несуществующие классы и типы, что автоматически делает все гайды неактуальными…

А что все это значит? Время написать свой собственный!
Об этом и расскажу в сегодняшнем материале. 

Дисклеймер: Я питонист до мозга костей и в тайпскрипте, да и фронте в целом, понимаю не очень много. Простите меня, адепты сего языка программирования, но код самого плагина навайбкожен (хоть и проверен насколько я смог).
В npm не запушил тоже умышленно, цель статьи — дать исходники и показать, как можно собрать плагин. Любой желающий может что-то додумать и доработать, собрать или разобрать и так далее.

На старте почти любого проекта бизнес-аналитик оказывается в одной и той же ситуации. Бизнес говорит: «клиент может иметь несколько договоров», «договор относится только к одному клиенту», «товар идентифицируется артикулом».

Эти формулировки понятны предметным экспертам, но в таком виде их не передашь архитектору данных или команде разработки — для них это еще не техническое задание. Неясно, где здесь сущность, а где значение, что будет идентификатором, какие ограничения критичны, а какие можно оставить на уровне процессов.

На этом шаге аналитик становится переводчиком между двумя мирами. Нужен промежуточный слой — формальное, проверяемое описание предметной области. Таким слоем часто становится концептуальная модель данных: она помогает согласовать термины между бизнесом и ИТ, зафиксировать правила до проектирования таблиц и API, увидеть противоречия и пробелы в требованиях, отделить смысл данных от будущей технической реализации.

Меня зовут Вадим Скляров, я бизнес-аналитик проектного офиса МТС Медиа. В этом материале расскажу, почему для этой задачи я выбрал ORM2 в качестве инструмента концептуального моделирования, какие приложения есть на рынке, почему в итоге понадобилось собственное SPA-приложение и чем оно оказалось полезным.

Организовать надежную связь в открытом карьере или шахте — задача технически нетривиальная. Любой, кто с ней сталкивался, знает, как сложно обеспечить решение без проводов с нормальной скоростью: приходится одновременно проводить радиопланирование для очень сложных условий распространения сигнала и выбирать точки размещения оборудования в сложных условиях зоны ведения горных работ — учитывая сам план работ, ограничения по организации электропитания и каналов связи для транспорта между элементами беспроводной сети, выполняя требования по пылевлагозащите и взрывобезопасности. При этом нужно сделать это решение бесшовным, без прерывания сеансов связи (при переключениях между базовыми станциями) и с минимальным числом мертвых зон. А уж приоритизация трафика — это вообще задача со звездочкой для любой беспроводной сети, не только в карьере или шахте.

Какую технологию выбрать для работы в сложных, удаленных от больших городов условиях? Сразу появляется идея — накрыть рабочую зону Wi-Fi. Но у этой идеи сразу несколько ограничений: 

• Низкие характеристики по покрытию, для покрытия значительной площади требуется установка десяток точек доступа, для каждой из которых требуется питание, канал связи, порты на сетевом оборудовании.
• Wi-Fi может терять сессии при переключении между точками доступа.
• Высокое затухание, высокая интерференция при переотражении.  
• Нет механизмов управления задержками при загрузке канала трафиком, линейно возрастает уровень задержки 

В отличие от Wi-Fi технология pLTE позволяет достичь качественно иного уровня автоматизации горных процессов (включая подземные работы), обеспечивая детерминированную задержку и стабильное соединение в сложных условиях рудников и карьеров.

Поэтому в горной отрасли все чаще делают выбор в пользу в private LTE/5G при создании опорной инфраструктуру связи. Давайте разберем, как технология, рожденная для массовых звонков и стриминга видео, становится основой безопасности и рентабельности горного дела.

Когда я разбирал в предыдущей статье гипотезы появления сознания, в центре внимания оказалась идея нейробиолога Антонио Дамасио о том, что сознание рождается не из абстрактного мышления, а из тела. Из тех базовых сигналов, которые организм подает сам себе ради выживания.

Но во что разворачивается это сознание по мере взросления человека?

Концепции возрастной психологии и психоанализа — от теории привязанности до моделей раннего эмоционального развития — показывают, что тело остается фундаментом и на следующих этапах. Только фокус смещается с механизмов восприятия на саму структуру личности.

Сегодня этот фундамент проходит проверку на прочность. Массовое внедрение искусственного интеллекта ломает привычные социальные маркеры, порождая закономерную тревогу. Возникает прагматичный вызов: какой психотип способен совладать с новыми технологиями и сдвинуть общество вперед, а не деградировать под их тяжестью?

Эти концепции складываются в единую систему, которая дотягивается до экономики и истории, объясняя не только структуру личности, но и причины, по которым разные эпохи востребуют определенные типы людей. Выводы следуют из общей логики материала, даже если некоторые из них выходят за рамки устоявшихся представлений.

Привет, Хабр! Я Матвей Лихота, старший Go-разработчик. В предыдущем материале я показывал, как получить Go-код из OpenAPI. Теперь хочу сделать еще один шаг назад — к моменту, когда контракта еще нет.

На демо частенько можно увидеть, как по простому запросу «напиши CRM» или «собери интернет-магазин» LLM уже через минуту готовит сервер, модели, миграции и тесты. Но в реальности, конечно, все происходит чуть иначе: проверяем код, а там — сюрприз-сюрприз ошибки. Повторив тот же промпт, мы получим другую архитектуру и снова потратим время на проверку. И нет гарантии, что после переделки ошибок не станет еще больше.

Конечно, все дело в промпте. Согласитесь, странно просить модель понять задачу, выбрать архитектуру, определить границы и все реализовать за один шаг? Что, если LLM сначала проектирует систему и выпустит OpenAPI, Proto, JSON Schema, CloudEvents и AsyncAPI? А код мы добавим чуть позже: за повторяемую часть будут отвечать обычные генераторы, а за проектно-зависимую — разработчики и агент в контексте репозитория.

Такой подход, где главным артефактом становится контракт, а код — его производной, можно назвать Documentation Driven Agent Development или Specification Driven Agent Development. Как он работает — покажу на примере разработки простой автоматической телефонной станции (АТС), а еще проведу границу между генераторами и агентами.

Древние надписи часто выглядят как набор странных значков на камне или глине. За ними стоят целые культуры, которые исчезли, оставив после себя только обрывки. Линейное письмо А с Крита, этрусские тексты, знаки долины Инда — все это до сих пор сопротивляется полному прочтению. Без подсказок вроде розеттского камня или явных родственников среди живых языков работа превращается в долгую головоломку, где каждый новый фрагмент может как помочь, так и запутать.

В последние годы к процессу подключились нейросети. Они уже умеют восстанавливать утраченные участки текстов, искать закономерности в тысячах древних надписей, проверять гипотезы и даже оценивать возраст и происхождение находок. Разберемся, что уже умеют такие системы, а где они пока бессильны. 

Когда говорят об автономном транспорте, обычно вспоминают беспилотные автомобили. Но есть ниша, где автономные системы уже работают — и работают в условиях, которые во многом сложнее городских дорог. Речь об автономных инвалидных колясках.

Казалось бы, задача проще: маленькая платформа на колесах, не нужно соблюдать ПДД, скорость низкая. Но именно здесь кроется подвох. В отличие от автомобиля, у коляски нет размеченных дорог и четких правил — ее среда хаотична и непредсказуема. А цена ошибки здесь гораздо выше: водитель застрявшего автомобиля вызовет эвакуатор, а человек в застрявшей коляске окажется беспомощным.

В этом году на рынок выходят два продукта, которые должны были бы стать прорывом. Один оснащен лидарами, камерами и настоящим автопилотом — но не сертифицирован как медицинское изделие. Второй сертифицирован, но не умеет ездить сам.

Как так вышло? И почему автономная коляска оказывается сложнее беспилотного автомобиля? Давайте разбираться.

Машинное обучение часто воспринимают как работу над моделью: есть данные, алгоритм, обучение и результат. В крупных компаниях основная сложность постепенно перемещается в другое место. Одни и те же данные приходится готовить для разных проектов, модели — регулярно переобучать, эксперименты — проверять, а найденные решения — переносить между командами.

На «ИТ-Пикнике» Сергей Кузнецов, руководитель разработки платформы рекомендаций и поиска MWS, показал на трех кейсах, почему в одних случаях лучше работать с полноценной ML-платформа, а в других — выгоднее остановиться на уровне библиотеки.

Представьте двух мальчиков 12 лет. Один из них родился в семье отца-работяги со средним образованием и средним достатком, у второго мама и папа получили высшее образование, имеют собственный бизнес и крупные суммы на счетах. У кого их этих подростков будет шанс стать великим изобретателем? 

Исследователи представили первый лонгитюдный региональный атлас межпоколенческой образовательной мобильности. Регионы Европы, где образовательные возможности людей в наименьшей степени зависят от уровня образования их родителей, как правило, демонстрируют наибольший уровень инноваций — и это подтверждается числом патентов. 

Я разбирался с ИИ для работы и статей — какой промпт качественный, как западная и китайская школы генеративных моделей разошлись и снова сходятся. Заставлял модели работать лучше, для этого препарировал процесс — и собственные мысли тоже пришлось препарировать. А именно — превращать интуитивные озарения в текстовые алгоритмы. В итоге я начал искать ответы на «Что есть наше сознание, которое мы формализуем?».

В какой-то момент ИИ у меня стал ассоциироваться с Океаном из «Соляриса» Станислава Лема — безбрежным нечеловеческим разумом без соприкосновения с человеческим опытом. Океан мыслит, реагирует, воссоздает целые миры из чужой памяти, как нейронка из промпта. Но полноценный контакт с Океаном не устанавливается, поскольку не за что зацепиться — отсутствует общая система координат. С нейросетями повезло больше: их обучали на человеческих текстах, и точки соприкосновения появились.

Тем не менее ИИ крайне сложно раскрыть тему без конкретики — хотя бы кривой и неполной. На ней можно наращивать содержательные слои, а без нее модель генерирует обтекаемые образы.

Человек же создает конкретику сам для себя. Сознание превращает мир в частный опыт «я». Выдавая конкретику нейронкам, я задумался: почему в нас она возникает автоматически?

Для себя я нашел подсказку: исходная конкретика, из которой строится сознание, — тело. Оно задает специфику восприятия и его границы. Сознание начинается с них. 

Мысль очевидная, и я заподозрил, что до нее кто-то дошел более обстоятельно. Покопавшись, я нашел две работы, которые эту связь между сознанием и телом разбирают куда основательнее — причем с разных сторон.

Мы привыкли думать, что историю человечества можно прочитать по костям и орудиям. Археологи копают, находят останки, сравнивают их с уже известными образцами и постепенно складывают пазл древа эволюции человека. Но иногда прошлое оставляет следы совсем в другом месте — прямо внутри нас.

Недавняя работа команды специалистов из Калифорнийского университета в Беркли показала, что в геномах живущих сейчас людей спрятаны фрагменты от группы, о которой до сих пор не было никаких материальных свидетельств. Ни костей, ни зубов — ничего. Только генетическая память, которую удалось вытащить на свет новым вычислительным методом.

У британского поставщика мяса Swaledale Butchers около 70% заказов приходило через WhatsApp. Сотрудникам нужно было расшифровать разговорные формулировки, сверить товары и вручную перенести заявку в учетную систему. После подключения ИИ-агента среднее время обработки заказа сократилось с двух минут до восьми секунд.

Раньше сотрудник вручную переносил каждый заказ в систему. Теперь он проверяет уже готовую заявку, поэтому за то же время команда успевает обработать больше заказов.

На примерах закупок, продаж, финансовых операций и логистики посмотрим, какие этапы B2B-процесса уже берут на себя агенты, когда к работе подключается человек, и что бизнес получает от такой схемы. 

Привет, Хабр! На связи команда Research & Insights Центра стратегии цифровых продуктов МТС. В прошлых материалах мы рассказывали, как устроен 5G, и как эта технология развивается в лидирующих странах. Сегодня разберем, почему пятое поколение в России идет по другому пути и способы монетизации технологии у нас тоже будут отличаться от мировых. 

Люблю я мини-ПК. Это крайне интересные устройства, позволяющие добиться впечатляющей производительности при небольшом объеме. Причем корпоративные модели HP, Dell и Lenovo устроены заметно интереснее большинства недорогих китайских коробочек. В них используются обычные сменные процессоры, доступная память, стандартные накопители и вполне ремонтопригодные цепи питания.  

К чему это я? Будем чинить один из таких девайсов. А именно — HP Pro Mini 400 G9, его я нашел на одной из онлайн-барахолок. Продавец указал, что компьютер не включается, а на плате есть заметный прогар. С подобными повреждениями я уже работал и несколько раз успешно возвращал технику к жизни, поэтому аппарат показался подходящим кандидатом для очередного ремонта. Расчет был простой: разобрать корпус, удалить сгоревшие детали, восстановить дорожки и выяснить, насколько далеко система сможет пройти последовательность запуска. На практике все оказалось немного сложнее, зато сама диагностика дала хороший повод подробно посмотреть, как устроен современный корпоративный мини-ПК.

Привет, Хабр! Меня зовут Даниил Оларь, я разработчик в команде продукта MWS Tables — платформы для лёгкой автоматизации и совместной работы на базе таблиц. 

Недавно коллеги обратились к нам с задачей: для B2B-коммуникаций важно следить за трендами рынка, поэтому им нужна была система сбора новостей из публичных каналов. При этом управлять ей — добавлять и удалять каналы, собирать данные для аналитики — коллеги планировали без работы с кодом.

Мы сделали несколько таблиц с необходимой для работы системы информацией: источниками новостей (каналами), промптами для их обработки и правилами для отправки новостей получателям. 

Затем самописный бот собирает новости по каналам и автоматически загружает их в таблицу на платформе, а LLM отсеивает нерелевантные новости и собирает дайджест самых интересных материалов. И ещё один бот отвечает за публикацию новостей в нашу группу.   

В материале расскажу, как устроена каждая таблица и как настроена связь между ними. 

Для многих владельцев ноутбуков поломка экрана — конец света. Несколько лет назад для меня это тоже было проблемой. Разбил случайно матрицу и думал, что замена обойдется в целое состояние. В целом, если обратиться в сервисный центр, так оно и будет. Но, как оказалось, не так страшен черт, как его малюют. Заменить можно своими силами, главное — знать нюансы, которые важны для этой процедуры.

Их не так много, но они есть. За несколько лет мне довелось сменить больше двух десятков панелей в самых разных машинах — от старых бизнес-линеек до относительно свежих ультрабуков. И теперь поделюсь этим опытом с вами. Здесь нет никакого высшего знания, но уверен, что кому-то моя статья поможет. Что ж, поехали!

Привет, Хабр! Я Павел Молчанов, Data Engineer из группы обработки гео- и медиаданных Big Data компании МТС Web Services. Наш продукт «ГеоЭффект» занимается расчетами различных геостатистик на основе телеком-данных (например, по туризму).

У нас есть ежедневно обновляемая инфраструктурной командой витрина-источник с событиями (точками нахождения абонентов) на основе мобильной сети по всем регионам присутствия МТС. За сутки на каждого абонента приходится в среднем порядка 200 геособытий, общий объем данных в витрине — около 11 млрд записей в сутки. Однако в витрине-источнике не было привязки геособытий к административно-территориальной информации «Регион РФ / район», что критически важно нам как продуктовой команде, решающей бизнес-кейсы в интересах заказчиков. 

Отсюда и появилась задача — дообогатить витрину дополнительными атрибутами на основе координат геособытий. Так что в этом материале по мотивам доклада для Highload++ поделюсь, как мы это сделали, а еще ускорили джойн датафреймов с геоданными.

Пара слов по технологическому стеку: сейчас мы активно проводим подготовительные работы по переходу на Data LakeHouse, но пока что основная рабочая лошадка — Spark на старом добром Hadoop-кластере с HDFS и Hive Metastore. Так что повествование будет идти в контексте технологий Spark on YARN + Sedona + HDFS + Hive.

Привет! Мы уже знакомы — меня зовут Александр Баулин. На этот раз я решил разобраться, почему Nvidia до сих пор владеет большей частью рынка чипов для обучения и инференса AI‑моделей.

Наше время принято называть эпохой веб‑сервисов, когда главную прибыль получают разработчики соцсетей, интернет‑магазинов и корпоративных веб‑сервисов. Тогда почему самая дорогая компании мира — Nvidia, живущая на продажах железа? В этой статье я разбирался, за счет чего Nvidia остается «главным продавцом лопат» для AI и кто может потеснить ее на рынке.

Когда я взялся за этот небольшой эксперимент, мной двигало исключительно любопытство и желание ответить на вопрос — а что, если взять три моих старых ноутбука, объединить их вычислительные ресурсы и использовать их под инференс LLM? Идея запуска на них чего-то более-менее тяжелого выглядела заманчиво: три процессора, 52 ГБ оперативной памяти — в теории должно получиться быстрее, чем на любом из них по отдельности.

Спойлер: почти никогда не быстрее. Однако выяснение причины оказалось интереснее потенциальной истории успеха. Вылезли разные неочевидные вещи: старый процессор был не самым медленным, третий узел не особо помогал, а обработка промпта вела себя противоположно генерации токенов.

Сразу же оговорюсь — любой GPU средней ценовой категории сделает ту же самую работу в десятки раз быстрее. Но моя задача была увидеть узкие места в «естественной среде обитания». Приятного чтения.