Pull to refresh
-6
Алексей@java3000

Администратор windows умеющий в программирование

Send message

Дайджест новостей из мира науки за прошедшую неделю

Level of difficultyEasy
Reading time9 min
Reach and readers6.7K

• Новый анализ крови позволяет выявить рак на 10 лет раньше

• Радиотелескоп MeerKAT демонстрирует невидимые кольца Млечного Пути

• Математики создают наземные телескопы, успешно конкурирующие с космическими обсерваториями

• Загадка фотосинтеза наконец-то решена спустя несколько десятилетий

• Экспериментальная «супервакцина» остановила рак в лабораторных условиях

Читать далее

Кто такой Product Owner: роль, обязанности, навыки

Reading time9 min
Reach and readers9.7K

Сегодня Agile-методологии стали де-факто стандартом, и Scrum — один из самых известных фреймворков. Но хотя Scrum задаёт чёткую структуру, на практике роли и процессы нередко размываются.

Роль Product Owner — одна из критически важных в Scrum. Однако то, как она описана «по канону», и то, как она реализуется в реальных командах, может заметно отличаться. В этом гайде мы разберём теоретические основы роли PO — и то, как её обычно воплощают в повседневной работе.

Читать далее

Что такое ANR и как с ним работать правильно

Reading time5 min
Reach and readers6.6K

ANR — это не просто “зависание”, а молчаливый краш, который напрямую бьёт по удержанию пользователей. В статье разбираю, как работает механизм ANR, какие ошибки его вызывают, как анализировать traces.txt, какие библиотеки помогают отслеживать блокировки (ANR-WatchDog, ANR-Spy, Firebase Crashlytics), и как построить процессы, чтобы QA-команда научилась ловить их ещё до релиза.

Читать далее

Услуги уборки в Санкт-Петербурге: ТОП-10 проверенных клинингов

Level of difficultyMedium
Reading time9 min
Reach and readers6.9K

В материале рассмотрим клининговые компании Санкт-Петербурга. Подскажем, где выгодно заказать клининг в СПб и как выбрать исполнителя, чтобы итоговая стоимость совпала с расчетом.

Читать далее

Я выполнил реверс-инжиниринг веб-обфускации Amazon, потому что приложением Kindle пользоваться невозможно

Level of difficultyEasy
Reading time6 min
Reach and readers21K

TL;DR

• Я впервые купил на Amazon электронную книгу

• Android-приложение Kindle самой компании Amazon было очень забагованным и часто вылетало

• Попробовал скачать мою книгу, чтобы читать её в реально работающем приложении для чтения

• Осознал, что Amazon больше не позволяет этого делать

• Решил назло выполнить реверс-инжиниринг её системы обфускации

• Обнаружил множество слоёв защиты, в том числе рандомизированные алфавиты

• Победил их все при помощи колдунства с сопоставлением шрифтов

Читать далее

Ретро-клад: как я на досках объявлений 6 легендарных консолей нашел

Reading time8 min
Reach and readers24K

Всем привет! Меня зовут Ваня. Я увлекаюсь технологиями, обожаю консоли, а еще пишу для блога МТС на Хабре. Недавно мне подарили Sega 32X 1994 года, эта приставка — моя ровесница. У меня есть Xbox, поэтому я был уверен, что сыграю в Sega пару-тройку раз из ностальгии, а потом буду доставать ее с полки, чтобы показать гостям раритет. Но нет.

Частенько, когда я сажусь поиграть, Sega выигрывает конкуренцию у Xbox. «Старушка» дарит мне не просто впечатления от игры, но и целую тонну ностальгических эмоций. Например, я вспоминаю, как маленьким мальчиком наблюдал за сражениями дяди и двоюродного брата в Mortal Kombat. Как с двоюродным же братом мы на пару рубились в «Черепашек-ниндзя», Streets of Rage, Battletoads — и как я очень боялся его подвести, чтобы не пришлось начинать уровень заново. Те эмоции я готов проживать снова и снова. 

Поддавшись магии ретро-консолей, я заинтересовался, а что еще сейчас можно найти на барахолке. Так и родилась эта подборка. Я постарался собрать первые модели в линейке приставок — а вдруг вам тоже захочется оживить моменты из своего детства. Ну что ж, давайте сыграем!

Читать далее

Промпт-инжиниринг мёртв? Почему «как спросить» больше не важно, и что приходит на смену

Level of difficultyMedium
Reading time3 min
Reach and readers22K

Новое исследование от Anthropic, создателей Claude, ставит крест на классическом промпт-инжиниринге. Их вывод: эффективность ИИ-агентов теперь определяется не тем, как вы спросите, а тем, какие данные вы им предоставите. На сцену выходит контекст-инжиниринг.

Читать далее

Аттракшен инжиниринг и MCCP

Reading time5 min
Reach and readers6.3K

В последний месяц очень форсится идея о том, что для универсального промпта нужно правильно натаскать контекст, подключить правильные тулы и MCP, и вот тогда-то наступит счастье.

Итог этой идеи известен каждому руководителю, который пытался сделать для сотрудника идеальные условия, в которых он наконец-то сможет творить, а не заниматься рутиной. Это помогает лишь частично. Если у человека есть возможности что-то делать — не означает, что он пойдет и сделает. Для действий нужны уже некие внутренние мотиваторы. Руководитель уже может капать на нервы очень конкретным образом, в дополнение к формуле «морковка сзади, морковка спереди».

Читать далее

Как научить Telegram-бота на Python не терять задачи пользователей при перезапуске. Кейс ассистента для hh.ru

Level of difficultyMedium
Reading time5 min
Reach and readers8.8K

Привет, Хабр!

Мы тут в свободное время пилим проект, который должен решить боль многих айтишников, — автоматизировать рутинный поиск работы. Идея выросла в Telegram-бота «Аврора» , который на "автопилоте" ищет вакансии на hh.ru и откликается на них.

Но чтобы "автопилот" был полезным, он должен быть надежным. Никому не нужен ассистент, который при первом же деплое новой версии или падении сервера забывает, что он делал, и какие вакансии уже отправил.

Сегодня я хочу рассказать не столько о самом боте, сколько о конкретной инженерной задаче, с которой мы столкнулись: как обеспечить персистентность и "бесшовное" возобновление длительных пользовательских задач при перезапуске сервиса.

Под катом — наш подход к Graceful Shutdown, восстановлению сессий и немного про то, как LLM (в нашем случае Gemini) генерирует поисковые запросы.

Читать далее

ИИ для бизнеса: как понять что он нужен, где использовать

Level of difficultyEasy
Reading time6 min
Reach and readers6.4K

Применение нейросетей в рабочих процессах стремительно набирает популярность. Для одних — это незаменимый помощник, который экономит сотни часов и избавляет команду от рутины. Для других — лишь модный хайп, за которым вскоре последует разочарование, как после пузыря доткомов.

Как понять, действительно ли ИИ принесет пользу вашему бизнесу? Где его место в ваших процессах и какие задачи стоит ему доверить? И главное — как избежать завышенных ожиданий и не тратить бюджет на все, что просто имеет приписку «AI»?

Читать далее

Инструкция по бесплатной GPT генерации новых фичей для наращивания точности ML модели

Level of difficultyEasy
Reading time5 min
Reach and readers6.4K

Одним из самых важных навыков любого специалиста по данным или ML инженера является умение извлекать информативные признаки из исходного набора данных. Этот процесс называемый feature engineering (инженерия признаков), — одна из самых полезных техник при построении моделей машинного обучения.

Работа с данными требует значительных инженерных усилий. Хотя современные библиотеки вроде scikit-learn помогают нам с большей частью рутинных операций, по-прежнему критически важно понимать структуру данных и адаптировать её под задачу, которую вы решаете.

Создание новых, более качественных признаков позволяет модели лучше улавливать зависимости, отражающие особенности предметной области и влияющие на результаты факторы.

Разумеется, feature engineering — это времязатратный, креативный и нередко утомительный процесс, требующий экспериментов и опыта.

Недавно я наткнулся на интересный инструмент — Upgini. Следуя тренду на использование Large Language Models (LLM), Upgini применяет GPT от OpenAI, чтобы автоматизировать процесс feature engineering для ваших данных.

Подробнее о python библиотеке Upgini можно почитать на GitHub странице проекта. У проекта уже 345 звездных оценок, что является показателем востребованности и полезности функционала.

👉 GitHub - upgini/upgini: Data search library for Machine Learning

Читать далее

Я послушал коучей, продавал на 20 млн в год, а теперь закрываюсь с долгами

Level of difficultyEasy
Reading time5 min
Reach and readers132K

Когда мне исполнилось 37 лет, мой устричный бизнес вышел на оборот 20 млн в год, я заключил контракты с крупными ресторанными сетями, вроде Ginza Project и гостиницами, включая Асторию, организовал доставку уже открытых устриц за 60 мин, но улетел в минус 5 млн, закрыл бизнес и ухожу в найм. Хочу взгляда со стороны, где я ошибся?

Важной частью моего решения стать бизнесменом были бизнес-коучи. Тогда я как раз сгонял на Форум, это мотивировало меня, офисного работника, стать предпринимателем. Работая на себя, я держал их советы в голове. В статье расскажу, как советы бизнес коучей сработали жизни и привели обратно в найм.

Читать далее

Veo 3 — Бесплатно. Обзор «лаборатории» генеративного ИИ от Google

Level of difficultyEasy
Reading time2 min
Reach and readers25K

Google тихо запустил экспериментальную платформу Whisk в начале года — пространство для генерации изображений и видео на основе последних моделей Nano Banana и Veo 3. Это своего рода «лаборатория для создателей», где можно протестировать возможности новых генеративных моделей без лишних настроек и инфраструктуры.

Читать далее

Тупик

Level of difficultyMedium
Reading time3 min
Reach and readers29K

Мат рождается в душе. Больше всего его рождается когда сталкиваешься с чем-то похожим на <подставь свой фреймворк>. Инструмент с прекрасными целями и задачами постепенно превращается во все больший и больший кусок г.. в котором приходиться копаться. Ощущаешь себя жужжащей мухой, летающей вокруг по необходимости.

Когда трава была зеленее, когда мы сильно боролись за каждый такт процессора, тратя на это наше время, которое мы тогда не очень ценили, все было в какой-то мере проще.
Если тебе нужна была фича, ты ее делал сам.
Или ты искал уже реализованную фичу, и прикручивал к своему коду.
Больше времени уходило на поиск. Не всегда можно было найти.

Сейчас все поменялось.
Подключение новой фичи чаще всего присоединяет к твоему коду 100500 дополнительных фиговин, которые мало того, что чаще не нужны, но и которые мешают запустить твой код.
Они подключаются по дефолту сами, и ты ищешь как их отключить. Но так как библиотеки постоянно меняются, это не так просто. Сколько раз подключал <подставь свой фреймворк>, ещё не разу не было одинакового кода. Постоянно меняются названия методов, их параметры, типы.

Раньше было просто. Возьмем для примера <подставь свой фреймворк>. Ты подключал и говорил ему, что нужно делать в первом случае, что во втором, что в третьем.
Сейчас же так просто не работает. Все стало сложнее. Ты указываешь доступный всем метод по старинке, но не тут то было. Клиенты получают в ответ фигу. Ты думаешь, что поменялся синтаксис, ищешь новые незадеприкейчаные методы (которых по количеству уже меньше, чем задеприкейчаных), но все равно клиенты получают фигу. Один и тот же код разрешает пользователям работать с одними запросами, но не разрешает с другими. Уверен, что это как-то объясняется. Просто подключается ещё куча бинов по дефолту, с доп параметрами по дефолту, и т.д. Идеология упрощения.
Но то, что прямо игнорируется команда разработчика, это уже перебор.

Читать далее

Почему маленькие ошибки больших языковых моделей важнее, чем кажутся

Reading time3 min
Reach and readers6.5K

ИИ становится всё умнее — но почему даже топовые модели всё ещё ошибаются в простых фактах, особенно если задать вопрос не по-английски? Бывает достаточно использовать одно неверное по смыслу слова, чтобы весь ответ оказался неверным.

Новое исследование PsiloQA неожиданно меняет акцент: оказывается, самые тонкие и опасные ошибки LLM часто проходят незамеченными именно потому, что стандартные проверки их не ловят — и ещё реже на других языках. Команда собрала огромный датасет из миллионов коротких галлюцинаций на 14 языках, чтобы понять: в чём уязвимость моделей, и какие методы реально помогают найти эти проблемы.

Разбираемся, как ИИ учится находить свои промахи, зачем детально размечать даже самые крошечные ошибки и почему эта тонкая работа может сыграть ключевую роль в будущем честных и универсальных ИИ-моделей.

Читать далее

Художественный фильм «Импортозаместили» (побрюзжим)

Reading time7 min
Reach and readers23K

Итак, прошло уже больше 2,5 лет с момента, когда слуги народа решили, что пора создавать отечественные аналоги популярных в народе сервисов, приложений, платформ.

Решение, безусловно правильное, нужное, но вот реализация, как всегда.

Хочу провести скромную ревизию того - что нам обещали и что мы получили в итоге (это будет сугубо субъективное мнение среднестатистического пользователя):

Читать далее

Обучение скрытых слоёв S–A–R перцептрона без вычисления градиентов. Часть 2

Level of difficultyMedium
Reading time6 min
Reach and readers4.2K

Предисловие. Опубликовав первую часть понял, что само обучение перцептрона мало кого интересует, пока не будет экспериментальных результатов. И это разрешило мою дилемму о том, как сократить изложение для хабра. Мы пропустим разделы с объяснением архитектуры перцептрона TL&NL и начнем сразу с 4 раздела моей статьи.

4. Точность прогнозирования

В предыдущих разделах, мы стремились уменьшить число признаков (А - элементов), требуемых для решения задачи. И это понятно, т.к. обработка меньшего числа признаков требует меньше вычислительных затрат. Но выделяя только минимальное число признаков (и соответствующих A-элементов), и обучаясь только на части всех возможных примеров, мы рискуем построить слишком грубую модель. Её будет достаточно для решения задачи на обучающем множестве, но она будет плохо предсказывать. Представьте, что мы аппроксимируем окружность, и примеры нам показывают, что это многоугольник и во время прогнозирования мы исходим из того, на сколько углов мы обучили свою сеть. Поэтому, задача исследования в этом разделе состоит не в минимизации А-элементов, а в нахождении такого их количества, которое стабилизирует модель обобщения, которую строит перцептрон. Что означает стабилизация станет ясно из последующего изложения.

Для анализа точности прогнозирования будем использовать классические тесты MNIST по распознаванию рукописных цифр и MNIST Fashion по распознаванию пиктографических изображений одежды.

4.1. О методологии экспериментов

Отсутствие пред- и постобработки. Это не всегда очевидно, и различные исследователи часто явно или не явно используют некоторую предобработку обучающей и тестовой выборки. Мы должны строго разграничить обучающую выборку от тестовой, так, как например в результате некой нормализации происходит “подсказки от экспериментатора”, что не допустимо. Например, используя некие статистические характеристики и одинаково нормализуя обучающую и тестовую выборки происходит утечка информации, передача признаков тестовой выборки из обучающей выборки, или наоборот. По сути, это сводится к тому, что экспериментатор, зная тестовую выборку, косвенно подсказывает алгоритму, как ему обучаться. Поэтому важно, чтобы тестовая выборка была строго отделена от обучающей. Кроме того, мы хотим исследовать как именно работает алгоритм, а не то, как дополнительные манипуляции помогают решить задачу. Еще более важным, это становится при сравнении алгоритмов, в нашем случае перцептрона TL&NL с MLP+backprop. Поэтому в рамках наших экспериментов мы намеренно не допускаем никакой пред- и постобработки, за единственным исключением. В MNIST точки изображения даны в градации серого от 0 до 255. А нейросети удобнее работать с величинами на отрезке [0;1]. Поэтому единственную нормализацию, которую мы допускаем является разделение значения цвета на 255, как для обучающей, так и тестовой выборки.

Читать далее

Нейросеть для вайбкодинга, расчет «плохого» холестерина по вашим анализам — и ещё 8 российских стартапов

Reading time5 min
Reach and readers5.6K

10 новых российских продуктов для управления идентификацией и авторизацией на основе Serverless технологий, подберу площадки и специалистов для вашего праздника, создания продающих страниц за 30 секунд и многого другого. Битва за «Продукт недели» началась!

Product Radar — здесь каждую неделю публикуются лучшие онлайн-сервисы и железки от русскоязычных команд.

Читать далее

Документный хаос? RAG-система придёт на помощь

Level of difficultyMedium
Reading time13 min
Reach and readers7.5K

Статья описывает практическую реализацию системы Retrieval-Augmented Generation (RAG) для превращения документов в интерактивную базу знаний. Показано, как хранение эмбеддингов в Qdrant и интеграция с языковой моделью (LLM) позволяют быстро получать точные ответы на вопросы. Рассматриваются архитектура, ключевые компоненты и внутренние механизмы работы системы, полезные для разработчиков и новичков в области RAG.

Читать далее

Information

Rating
Does not participate
Location
Москва, Москва и Московская обл., Россия
Date of birth
Registered
Activity

Specialization

Десктоп разработчик, Администратор серверов
Младший
From 110,000 ₽
Java
Java Spring Framework
RESTful WebServices.
PostgreSQL
SQL
Hibernate
Linux
Базы данных
Microsoft SQL Server
Разработка программного обеспечения