Я отдал браузерному помощнику разбор двух рекламных кабинетов в Яндекс Директе. Ниша: продажи серверов и систем хранения данных корпоративным заказчикам, тендерные закупки, цикл сделки в месяцах, чек в миллионах. Работа заняла три дня в начале августа.

Про поломки самих кабинетов я писал в предыдущей статье. Здесь другой материал: пять раз я получил от нейросети уверенный вывод, построенный на неверно прочитанном интерфейсе. Ни один из пяти не был ошибкой рассуждения. Логика в каждом случае чистая, аргументация связная, тон ровный.

Ниже: как выглядят такие ошибки, чем они опасны и по какому признаку я их ловил.

Цифры округлены и обезличены: ниша узкая, игроков мало, по точным данным компанию вычисляют за пару минут. Соотношения между цифрами сохранены.

Распознавание автомобильных номеров часто воспринимают как обычную задачу OCR: есть изображение с текстом, значит, достаточно прочитать символы. На практике OCR — лишь один из этапов обработки: до распознавания система должна обнаружить автомобиль, локализовать номерной знак, подготовить изображение и проверить результат. При этом на качество распознавания влияют десятки факторов: угол съемки, освещение, скорость движения автомобиля, загрязнение номера и другие особенности реальных условий эксплуатации. 

В статье разбираем, как устроен пайплайн распознавания автомобильных номеров в «Фалькон Тех», почему эту задачу нельзя свести к «чтению текста с картинки» и какие инженерные решения помогают сохранять высокую точность при сложных условиях съемки.

Солнце вышло — убавляем досветку. Выросла влажность — запускаем проветривание. Поднялся сильный ветер — закрываем шторы. Расскажу, как мы поручили эти задачи автоматике в клубничных теплицах Гомеля и Бреста. В статье — алгоритмы управления светом и микроклиматом, схемы щитов и история о том, как магнитные пускатели мешали работе 4G-модема

Команда Solar WAF зафиксировала в первой половине 2026 года аномальный всплеск числа веб-атак, пик которого пришелся на июль. Подавляющее большинство зафиксированных событий – работа автоматизированным сканеров. Аналитики «Солара» не исключают, что в мае-июле (периоде, когда наблюдался быстрый рост количества веб-атак) российские компании подверглись спланированному массовому сканированию веб-ресурсов с помощью сканеров на базе ИИ. Несколько месяцев злоумышленники собирали информацию об уязвимостях, а в августе начали пробовать их эксплуатировать. Среди этих проб была выявлена новая тактика: злоумышленники стали маскировать трафик веб-атак под запросы легитимных ИИ-сервисов (DeepSeek, ChatGPT, Perplexity и не только). Цель такой маскировки – обмануть WAF. Как много было выявлено таких инцидентов и что за ними последует – рассказываем ниже.

На днях я разбирал дополнительные материалы, которые собирал во время написания книги «Невиноватая игра». В ней я разобрал множество мифов, связанных с индустрией, применяя доказательный подход – опирался на исследования, опросы и реальные исторические факты.

Уже после того как книга ушла в печать, обратил внимание на эксельку с подборкой из 100 шутеров, в части которых конкретный народ выставлялся врагом и виновником всех бед, и на исследование двух политологов, которые количество таких игр подсчитали уже десять лет назад – в 2016-м. И решил эти два файла сверить.

В статье рассказываю, что и как подсчитали мы и они, и почему совпадение этих двух независимых подсчетов интереснее, чем любой из них по отдельности.

У любой компании как и у человека есть память. В бизнесе это называется корпоративным знанием. Однако неверно думать, что знания – это что-то зафиксированное в документах. На самом деле большая их часть скрыта в решениях, принятых интуитивно, негласных договоренностях команды, и понимании, когда правило лучше обойти.

Антон Бурлаков — гендиректор ООО «Интеллитех». Его компания недавно воспользовалась программой Московского Инновационного Кластера и всего за месяц получила патент на полезную модель. О том, как патенты помогают в бизнесе, процессе подготовки заявки и многом другом Антон рассказ Павлу Соколову, главному редактору журнала Онлайн Патент.

Проверил, найдёт ли агент Коворк в рабочей переписке сообщения возрастом до пяти лет. 
Память Радианта нашла 15 из 15, хотя даже окно на миллион токенов вмещает переписку только за последние четыре месяца.

Как студенческая команда МФТИ собрала AI-пайплайн, который генерирует верифицированные CTF-задачи на основе реальных уязвимостей — и довела продукт до запущенного MVP с 1400+ пользователями. 

The HackNet — это онлайн-платформа для практики кибербезопасности в формате CTF (Capture the Flag), в которой задачи не пишутся вручную, а непрерывно генерируются ИИ на основе свежих уязвимостей из баз CVE/NVD. В отличие от тренажеров со статичным набором задач, The HackNet каждый день выкладывает новые задания, основанные на актуальных уязвимостях из CVE/NVD. 

Проект вырос из формата «Стартап как диплом» онлайн-магистратур МФТИ (направления «Управление цифровыми продуктами» и «Науки о данных»). За время работы команда прошла путь от гипотезы и кастдева до запущенного MVP, получила грант Фонда содействия инновациям на 1 млн рублей, зарегистрировала ООО и получила оценку «отлично» от внешних рецензентов из МИСИС, Фонда «Сколково» и индустрии.

Продукт уже доступен: [hacknet.tech]

Я в тестировании много лет. И чем дальше, тем отчетливее понимаю: наибольшая проблема не в том, чтобы найти баг, а в том, чтобы поддерживать сценарии тестирования в актуальном состоянии. Начинал я с ручных сценариев в TMS, потом были Selenium, Cypress, Playwright. Казалось, автоматизация решит проблему. Но она ее просто перекладывает. Вместо того, чтобы щелкать кейсы руками, ты пишешь код, чинишь селекторы и разбираешься, почему тест, который вчера проходил, сегодня мистическим образом падает. А на фоне вечное «надо катить в прод прямо сейчас, в идеале вчера». Тесты всегда оказываются в конце списка приоритетов: их пишут в спешке, а поддерживают по остаточному принципу, еще ладно бы свои. Обиднее, когда достаются унаследованные со времен царя Гороха, написанные другими людьми и под другую архитектуру. За годы я писал и поддерживал, наверное, тысячи тестов — ручных и автоматизированных. И все это время меня не покидало ощущение, что процесс можно сделать легче. 

В общем, устав от постоянной гонки за качеством продукта при постоянном отсутствии времени, я задумался о поиске супер-пупер-тулы, которая будет писать тесты сама (в идеале, чтобы и сама запускала). Разумеется, с ростом популярности нейросетей возник вопрос: «А что, если всю работу целиком от сценария до тестирования будет выполнять машина?». Воспользовавшись тем, что такого решения еще нет, мы с моим коллегой @JSK решили: а давайте его изобретем? Спойлер: дело закончилось патентом.

Как Splash ускоряет локальные языковые модели на Mac? Разбираем спекулятивное декодирование DFlash 2, результаты тестов разработчиков и ограничения движка. Объясняем, что учитывать при выборе Q4 или Q8, сколько памяти и места на диске потребуется и как запустить Splash на macOS.

Грамотно написанные YARA-правила обеспечивают высокую скорость и точность сканирования. Однако при неправильном подходе этот полезный инструмент «легким движением руки» превращается в пожирателя CPU, особенно когда сигнатуры исчисляются десятками, а количество файлов для анализа — миллионами.

В статье приведем полезные лайфхаки, которые помогут оптимизировать правила, сократить избыточные вычисления и избежать распространенных ошибок. Для подготовки данного гайда мы использовали материалы, размещенные в открытом доступе на гитхабе. Рекомендации статьи применимы ко всем версиям YARA, начиная с 3.7 и выше. 

Всё еще пишете YARA-правила «на глазок»? Тогда мы идем к вам…

Старший фронтенд-разработчик Mindbox Игорь Уваров рассказывает, как делегировал агенту исследование задачи. Теперь агент изучает документацию и код в репозиториях, ищет зависимости и ограничения, а затем приносит вопросы к грумингу. Внутри — история о том, как создавался плагин, который заменил системного аналитика.

История эта началась два года назад, когда подписчики моего канала начали регулярно и настойчиво интересоваться, когда же в «Селените появится режим автономной обработки сигналов». Базовый блок трансивера получился достаточно компактным, 100х62х23 без выступающих частей, и желание пользователей «отвязать» его от компьютера, где как раз и производилась обработка сигнала, было вполне резонным.

Всем привет! Меня зовут Магомед, я инженер поддержки в команде Контента в Банки.ру. За 4 месяца я собрал на n8n несколько автоматизаций. Часть из них дежурит вместе со мной: утренний дайджест по состоянию сервисов, сторож аномалий после релизов и ИИ-агент, который знает наши сервисы, работает с Jira и умеет оценивать задачи. Другая часть работает на авторов контента: уведомляет о комментариях и просмотрах и проверяет, подходят ли к материалу прикреплённые виджеты.

В этой статье я не буду уходить в детали устройства воркфлоу: схем из n8n, промптов и разбора нод здесь не будет. Хочу показать, как конкретно я, инженер поддержки, применяю ИИ в ежедневной работе. Если захочется подробностей по какому-то из ботов, спрашивайте в комментариях, расскажу.

Каждый день мы интересуемся погодой — смотрим, идёт ли дождь, какая температура на улице, сильно ли дует ветер. Однако есть ещё один важный параметр, заслуживающий внимания — уровень фонового радиационного излучения. Если он будет сильно превышен, например, в результате техногенной катастрофы, сразу вы этого не заметите, но последствия для здоровья могут быть весьма плачевные.

В этой статье я расскажу про источники радиации и средства её измерения. В практической части статьи будет описана погодная станция, способная измерять не только температуру, давление и влажность, но и уровень радиационного фона.

Созданные с помощью ИИ выводы о событиях, свидетелем которых вы были лично, порождают в сознании ложные воспоминания. Точность воспоминаний о событии снижается вдвое. А ложные воспоминания внедряются даже если вас напрямую предупредят о том, что именно ИИ подводил итоги.

При работе с STM32 приходится решать несколько повторяющихся задач: настроить сборку, подключить библиотеки, записать прошивку и проверить её поведение на плате. После изменений эти действия нужно выполнить снова — желательно тем же способом и с понятным результатом.

В моих проектах для этого постепенно сложился набор инструментов и примеров. Одни помогают описывать сборку, другие — прошивать микроконтроллер, третьи — сохранять действия в отладчике в виде повторяемых тестов. Отдельная часть посвящена инструкциям для ИИ-ассистентов, участвующих в разработке.

Хочу показать, как эти проекты связаны и где могут пригодиться.

TL;DR. Я купил мини‑ПК с Ryzen AI 9 365, чтобы гонять большую локальную модель на NPU. Начал с Windows ради гибрида NPU+iGPU, который так и не заработал, прошёл квест с драйвером NPU, выяснил, что NPU видит только половину оперативки, переехал на Proxmox и в итоге запустил Qwen3.6–35B‑A3B через FastFlowLM прямо на хосте. Модель работает 24/7: prefill около 200 ток/с, decode 13–17 ток/с. По дороге выяснилось, что NPU обслуживает один запрос за раз, падает с double free, если клиент не дождался ответа, и умеет выгнать из памяти большую модель ради маленькой embedding‑модели. Ниже вся дорога по порядку, мини‑гайд и цифры.

1,1 миллиарда рублей заплатил российский бизнес подрядчикам за геймификацию в 2025 году. Годом раньше было 920 миллионов.