Машинное обучение — больше не экспериментальная технология. Алгоритмы помогают рекомендовать фильмы и товары, находить мошеннические операции, анализировать тексты и изображения. За разработку и внедрение таких систем отвечают ML-инженеры — специалисты на стыке программирования, аналитики данных и инфраструктуры. Они делают так, чтобы модель стабильно работала в продукте: обрабатывала данные, масштабировалась и приносила бизнес-результат.

В статье расскажем, чем занимается ML-инженер, какие навыки нужны на старте, где получить знания и сколько можно зарабатывать в этой профессии.

На примере стихотворения "Рассвет на рельсах" можно увидеть эмоции и настроения Марины Цветаевой после отъезда в эмиграцию. В нём преобладают серые унылые тона. Но в то же время есть вера восстановить Россию.

Я долго пытался победить рабочий день классическими способами: списки дел, тайм-блоки, методики планирования, новые приложения. Это работало ровно до тех пор, пока не начинался плотный период: созвоны, параллельные проекты, срочные правки, десятки поточных задач.

И вот что я понял на собственной шкуре: перегруз чаще возникает не потому, что задач много, а потому что нагрузка на мозг распределена неправильно. Можно сделать десять дел и чувствовать себя нормально. А можно сделать три и выгореть к обеду.

Короткий дисклеймер Я очень хочу, чтобы эта статья была просто научной работой. Чтобы никогда и никому не понадобился мой экзоскелет. К сожалению, пока это не так. По статистике у каждого есть хотя бы один близкий, кому он необходим.

Коротко о себе. Я инженер-конструктор с большим опытом. Работал много лет в космической отрасли. Сейчас я программист на удалёнке. Но не из-за денег я поменял работу. У меня отказали ноги из-за тяжёлой формы рассеянного склероза. К слову, со старческим он никакого отношения не имеет. Отказали не только ноги. Плохо слушаются и руки. Эту статью я набиваю голосом. Вообще, повреждение спинного мозга – это ад. Не как в кино, гораздо страшнее. Но речь пойдёт о другом.

Тема далеко не новая. Есть рынки, есть исследования, есть много всего. Но есть как минимум две причины, почему это научная фантастика. Первое это цена. В лучшем случае это цена новой машины. Второе это то, что в личное пользование это купить нельзя.

«К Петрову лучше не ходить в пятницу после обеда» — это знает каждый в офисе. Но нигде не записано. Как передать такие знания AI-агенту: RAG, плейбуки, shadowing — с кодом на Python.

Привет, Хабр! На связи QA-команда мобильных секретарей — Настя и Ксюша.

Как и многие в QA, мы постоянно работаем с документацией. Ее много, она лежит в Confluence, постоянно меняется, что-то прилетает от партнеров, что-то дописывают аналитики и разработчики. 

В итоге на то, чтобы собрать все воедино, проанализировать и написать качественные чек-листы или тест-кейсы, уходит много времени. В какой-то момент мы подумали: «А что, если создать AI-агента, заточенного под наши процессы, который будет делать это за нас?». Так и родился наш проект.

Рассказываем, как это было.

Когда мы говорим об искусственном интеллекте, дискуссия почти всегда скатывается в крайности: одни ждут сингулярности и изобилия, другие — тотальной безработицы и «галлюцинаций». Но мало кто замечает, что настоящая проблема не в самих нейросетях, а в том, как мы их используем. Мы запираем их в узкие чаты, заставляем выдавать «абсолютные истины» и пугаемся любой ошибки, хотя к человеческим опечаткам и заблуждениям давно привыкли.

Параллельно с этим умирает открытый интернет. Сайты закрываются, знания мигрируют в закрытые Telegram‑каналы, а поисковики всё чаще подсовывают нам сгенерированные ответы вместо ссылок на первоисточники. Мы теряем возможность перекрёстной проверки фактов — той самой, что веками была основой науки и журналистики. Исторические уроки, вроде многолетней слежки ФБР по программе COINTELPRO, остаются за бортом выдачи, потому что алгоритмы не считают их «популярными».

В этой статье я хочу поговорить о том, почему нам срочно нужна площадка, где люди и нейросети смогут создавать контент на равных, а качество информации будет определяться честной оценкой сообщества, а не модератором или рейтингом кликов. Без такой среды мы рискуем окончательно похоронить живую дискуссию и остаться с «умными» чат‑ботами и ошибками людей, которые вещают в пустоту.

Трекеры задач превращаются в кладбище карточек, потому что это отдельное окно и отдельное усилие. Я заменил их на Obsidian + Claude Code: задачи — это markdown-файлы на диске, дашборды рендерит Obsidian, а Claude управляет всем из терминала через слэш-команды. Универсальный шаблон выложил в открытый доступ - теперь можно общаться со своим крафтовым таск-трекером, будто это Linear с MCP (только у нас дома).

Всем привет! Сегодня расскажу вам о способе определения ложноположительных алертов, который был выработан совместно с коллегой по цеху и другом Николаем (@1Last) за время работы в SOC. К сожалению PhD в этом году перенесли, поэтому было принято решение поделится данным способом тут.

Кому он будет полезен и для какой, собственно, цели:

1. Для руководителей SOC и руководителей дежурной L1 - L2 — как способ оптимизировать ресурсы SOC (потому что мы изначально идём по более вероятному пути): структурировано и обоснованно отсеивать значительный объем шума — по нашему опыту, до 60-80% алертов на этапе роста SOC или в плохо настроенных средах.

2. Для всех сотрудников (в том числе и руководителей SOC) — эффективно развивать экспертизу: обучение аналитиков глубокому пониманию окружения и бизнес-процессов, что увеличит вероятность обнаружения сложных атак.

3. Для аналитиков — использовать в повседневной деятельности подход, положительно зарекомендовавший себя на практике, и снизить ментальную нагрузку на принятие решения о вердикте алерта.

Конфигурация 1С «Поиск дублей файлов».

Ссылка для скачивания конфигурации "Поиск и удаление дублей"

Назначение:
Предназначена для автоматического поиска и удаления одинаковых файлов на компьютере.

Возможности и преимущества перед остальными подобным инструментами:

1) Выполнять поиск можно как по выбранным папкам, так и по целым томам жестких дисков и съемных носителей.

2) Поиск выполняется по хеш-сумме файла, таким образом можно однозначно определить дубль файла, даже если он был переименован.

3) Перед поиском доступна расширенная настройка – можно указать, файлы каких расширений требуется найти, можно выбрать по типу файлов: фото, видео, документы, архивы, образы, файлы 1С и т.п.

4) Вся отобранная информация о найденных файлах записывается в регистр сведений – можно один раз отобрать, и повторно использовать эту информацию  в отчете или обработке.

5) Отчет "Одинаковые файлы" выводит информацию о дублях, сгруппированную по размеру файлов и контрольной сумме. Удобно разбирать большие файлы, которые много "весят": образы, фильмы и т.п.

6) Обработка «удаление дублей» - позволяет в удобном виде просматривать информацию о дублях и массово удалять их: она выводит «пересечения» между папкой1 и папкой2 в которых находятся одинаковые файлы. Есть возможность массово удалять все задубленные файлы из выбранной папки, причем можно выбрать, какую папку мы считаем основной, а какую – задубленной. Удаляемые файлы  можно перед удалением перемещать в корзину (кроме USB носителей). Можно открывать папки и файлы по двойному нажатию мыши. В обработке предусмотрена защита от полного удаления "уникального" файла - если в корреспондирующей папке уже удалили файл, то она не даст удалить файл во основной папке.

В цифровых продуктах «сделать фичу» давно не равно «создать ценность»: она появляется, когда решение меняет процесс и дает измеримый результат. В AI-продуктах это особенно важно: ценность определяет не интерфейс и не сама модель, а способность системы стабильно и безопасно закрывать задачу с предсказуемой экономикой.

Недавно автор решил попробовать что-то помоделить в Blender. На данный момент он ещё только начинает осваиваться в 3D, но имеет небольшой опыт в разработке ПО, преимущественно с использованием Git, потому хотел бы и тут избежать версионирования проектов в духе "projectN_final5_20260305_fix3.blend", который подразумевается при "инкрементальном" сохранении.

На первый взгляд ничего сложного тут быть не должно: в Blender работа ведётся с набором точек-координат-чисел и их связей, настроек модификаторов, ссылок на текстуры и референсы и т.п.; потому всё это должно иметь некоторую стандартизированную структуру, возможно упакованную в ZIP-архив. Файл проекта .blend же является таким ZIP-архивом, ведь так? Распакуем его и просто занесём в Git? Неправильно!

В данном случае придётся прибегнуть к помощи фреймворка OpenUSD. Но для начала хотелось бы рассказать о том, какие проблемы он был изначально призван решить и какими ограничениями обладает.

Привет, Хабр! Я — Сева, разработчик в Yandex Infrastructure. Уже больше десяти лет я занимаюсь разработкой внутреннего облака Яндекса, которое охватывает около 150 000 физических хостов и поддерживает все сервисы платформы.

Сегодня я представлю вам практический кейс по обеспечению очень высокой надёжности комплексной системы на примере собственного облака Яндекса. Принципы обеспечения надёжности будут продемонстрированы на всех уровнях архитектуры системы, чтобы в итоге сложилась картина, как достичь наивысшей отказоустойчивости. Статья написана по мотивам моего доклада для HighLoad++.

Спросите любого собственника, маркетолога или РОПа: Какой у вас отток клиентов или churn rate?

Девять из десяти ответят что-то вроде: Ну... уходят иногда, не критично. Один из десяти назовет число. Правильное число назовет примерно никто.

Это не преувеличение. По данным опросов предпринимателей МСБ 2025 года, меньше 20% компаний системно измеряют отток клиентов (churn rate). Из тех, кто “измеряет” — половина считает его неправильно. И почти никто не управляет им целенаправленно.

При этом, Сокращение Оттока Клиентов — математически самый выгодный способ увеличить прибыль из всех существующих. Не реклама. Не повышение цен. Не найм нового РОПа. Именно удержание.

Но об этом чуть позже. Сначала — про дыру.

В очередной понедельник на планерке наш тимлид докладывал о задержках на проектах. Я смотрел на его отчеты и не понимал, как так вышло. Формально у нас было достаточно людей в команде, сроки казались реалистичными, но дедлайны все равно приходилось сдвигать. 

Я начал разбираться и увидел, где возникает проблема. Разработчики тонули в параллельных задачах, дизайнер был занят сразу на двух проектах и не успевал ни там, ни там, а аналитик ушел в отпуск — и на нем зависли критические вопросы.

Через несколько недель погружения стало понятно: дело не в том, что команда работает медленно или недостаточно старается. Мы просто никак не планировали ресурсы. Задачи брали по мере поступления и какое-то время справлялись, но в какой-то момент эта схема перестала работать.

Фанаты сайдлоадинга верят, что если скормить нейросети свои сообщения и историю жизни, можно «скопировать» разум и создать цифровую копию человека.

Обычно это порождает споры о «цифровом бессмертии», квалиа, сознании и о том, является ли «копия» оригиналом.

Но спорить тут не о чем. Никакой копии не будет.

Поскольку меня всерьез беспокоят проблемы иммортализма, в этой статье я покажу, почему на практике нейросеть никогда не сможет нас «угадать».

В 2024–2025 годах многие компании экспериментировали с единичными ИИ-агентами для автоматизации поддержки. Результаты были скромными: покрытие 25–40% сценариев, частые зависания в нестандартных ситуациях, необходимость ручной коррекции.

Или как сделать платный Telegram-канал по подписке легальным и безопасным инструментом. Пошаговый план из 6 простых действий от юриста для онлайн-бизнеса.

Как часто вы слышите что-то о протоколе WebSocket? А как часто видели его в проектах? Продакшн? Андроид? Что? Его кто-то использует?

А теперь представьте, что перед вами стоит задача внедрить WS в крупный продакшн проект с нуля. С чего начать? Как подступиться?

Ещё 10 лет назад машина видела в документе просто набор пикселей. Сегодня она понимает структуру страницы, читает таблицы, графики и рукописи — и автоматически извлекает нужные данные. Разбираем как это работает под капотом и почему это меняет целые индустрии.