За долгое время работы в ФинТехе у меня сформировался целый набор привычек, которые можно смело назвать профдеформацией. И тема трансфертного ценообразования (Funds Transfer Pricing) - одна из них. Она позволяет абстрактно и объективно взглянуть с финансовой стороны на любую активность, будь то банковский продукт или жизненный выбор. Казалось бы, концепция применяется давно, но публикаций на эту тему крайне мало (особенно в отношении российского рынка), а те, что есть, написаны в таком сухом академическом стиле, что хочется уснуть после первого абзаца. В этой статье я хочу популяризировать понимание данного понятия, но в простой форме, доступной не только прожженным экономистам.

Мы разберем, как отказ от понятия «Центр Затрат» меняет парадигму управления организацией. Почему в классическом подходе депозит — это пассив и убыток, а в рамках трансфертного ценообразования вопрос ставится иначе: «насколько больше мы получим, если разместим эти средства?». Поговорим о роли Казначейства как «Банка внутри Банка» и о том, как управление маржинальными, а не абсолютными ставками позволяет делегировать решения «на места», сохраняя стратегический контроль.

Я поделюсь практическим опытом внедрения этих принципов в крупном системообразующем банке в период 2013–2015 годов. Расскажу:

Как мы переходили от интуитивного управления к математически обоснованному принятию решений.

Как эта система проявила себя во время декабрьского шока 2014 года, когда краткосрочные ставки взлетели до 40%.

Почему требования к точности прогнозов выросли в разы и как одна ошибка в модели может разрушить показатели эффективности.

Трансфертное ценообразование — это не просто бухгалтерская механика перекладывания денег из одного кармана в другой. Это инструмент, который навсегда меняет взгляд на экономику проектов.

Началось с простого: сделать универсальное ядро для Telegram-ботов на Python и YAML-конфигах. Сейчас Coreness — это мультитенантная платформа, где боты и AI-агенты создаются декларативно, работают с RAG, а весь код написан через вайб-кодинг с помощью LLM.

Это рассказ о том, как в одиночку за пару месяцев удалось пройти путь от Clean Architecture (которая не зашла) до гибридного микса архитектур, от SQLite до production-инфраструктуры с PostgreSQL и десятками ботов в бою, и почему AI-ассистенты — это не магия, а инструмент, требующий совершенно новых навыков.

В современном мире данным кроме накапливания ещё присуще такое свойство как двигаться. Причём они движутся постоянно. Пользователи переходят между страницами и приложениями, товары перемещаются по глобальным логистическим сетям, а деньги циркулируют между счетами, банками и платёжными системами.

В таких условиях традиционные инструменты аналитики — таблицы, статические графики и отчёты, хорошо отвечают на вопросы сколько? и ему подобные, но плохо показывают как именно это происходит. Чтобы понять динамику процессов, выявить узкие места и увидеть реальные взаимосвязи, всё чаще используют анимированные визуализации потоков данных.

Именно о них предлагаю поговорить сегодня.

В этой статье разберёмся: зачем вообще нужна анимация данных, какие типы потоковых визуализаций существуют, какие технологии используются для их создания и в каких задачах они дают реальную пользу.

Начало года. Самое время пересмотреть рабочие процессы. Пока задачи ещё не навалились, можно спокойно попробовать что-то новое. Расскажу про подход, который изменил мою работу за последний год.

В какой-то момент понял, что нужен помощник, который возьмёт на себя рутину. Не замена мне, а усилитель. Чтобы я мог сосредоточиться на архитектурных решениях и сложных случаях, пока кто-то другой пишет типовой код по моим инструкциям.

Этим «кем-то» стали нейросетевые агенты. Расскажу про подход, который мы обкатали на нескольких проектах в рамках экспериментов с этими инструментами.

Что происходит, когда ваши собственные исследователи называют вас пропагандистским рупором, почему CEO Anthropic признаёт, что 50% рабочих мест могут исчезнуть, и данные, которые OpenAI отчаянно хочет похоронить.

Ведущие исследователи только что покинули OpenAI. Не ради более высоких зарплат. Не чтобы присоединиться к Google или *Meta. Они ушли, потому что отказались участвовать в том, что считали масштабной пропагандистской операцией.

И то, что происходит за закрытыми дверями, должно беспокоить всех нас.

Том Каннингем, экономист и специалист по данным в OpenAI, уволился в сентябре. В своём внутреннем прощальном сообщении он не стал подбирать слова. По его словам, команда экономических исследований всё дальше уходила от настоящей науки, превращаясь, цитирую, «в пропагандистский рупор своего работодателя».

• Американцы, худеющие при помощи новых препаратов, тратят меньше денег на еду

• Учёные придумали, как натравить иммунную систему организма на раковые клетки

• Разработана революционная технология восстановления зрения

• Новые пищевые рекомендации в США: диета с очень высоким содержанием белка, говяжий жир в качестве здорового жира и не обезжиренные молочные продукты.

• Антивозрастная инъекция восстанавливает хрящевую ткань колена и предотвращает артрит

Что делать, если сложная высоконагруженная система уже полностью покрыта базовыми тестами, используется фаззинг без модификаций, но выявить удалось не все критические уязвимости? Поможет внедрение генетического алгоритма.

Меня зовут Арина Волошина, я AppSec-инженер в YADRO и занимаюсь тестированием безопасности телеком-продуктов: базовой станции, контроллера базовых станций и системой управления элементами сети. Мы внедрили много разных видов тестирования в эти продукты, но этого оказалось недостаточно. В своих научных исследованиях я занималась генетическими алгоритмами, поэтому решила применить академические знания на практике и реализовать генетику в фаззинге. Что из этого вышло — читайте под катом.

Каждая платформа для автоматизации AI‑воркфлоу выглядит убедительно в рамках контролируемого демо. Настоящее испытание начинается тогда, когда вы выводите решение в продакшн и вам нужно доказать регуляторам, что именно сделал ваш AI и почему он принял те или иные решения.

Этот вопрос становится еще критичнее в банковской сфере, здравоохранении, страховании и других регулируемых отраслях, где сбои в соблюдении норм влекут за собой серьезные последствия. Командам нужны воркфлоу, которые связывают AI‑агентов с людьми и системами, при этом сохраняя уровень управляемости и контроля, необходимый их операционной деятельности.

Семь платформ для автоматизации AI‑воркфлоу, рассмотренных ниже, представляют разные способы балансировки скорости и надзора. Одни в первую очередь ориентированы на быстроту и простоту запуска. Другие фокусируются на контроле, трассируемости и интеграции с существующей инфраструктурой. Некоторые стараются совместить и то и другое.

В этом гайде вы найдете сравнительный обзор, который подчеркивает, для чего каждая платформа спроектирована в первую очередь и где обычно проявляются ограничения. Используйте его, чтобы сузить список кандидатов с учетом того, как ваши команды на самом деле работают и чего требует ваша отрасль, — так вы сможете подобрать оптимальный инструмент для автоматизации AI‑воркфлоу под задачи и потребности вашего бизнеса.

Я уверен, вы видели модели машинного обучения, которые принимают текст и предсказывают, является ли он спамом. Аналогично модель может проанализировать отзыв о фильме и определить его тональность — положительную или отрицательную, понимать что «груша» связана с «яблоком» куда больше, чем с «теплоходом».

Первое правило обучения любой модели машинного обучения — это преобразование входных данных в числа. Цифровой объект можно представить числом: картинку, текст, аудио или видеофайл — практически всё что угодно.

Для того чтобы ввести этот объект в нашу ML модель как некое понятие, мы должны преобразовать его в определённый набор чисел. По этому набору чисел мы сможем определить, что, например, этот объект «яблоко», а не «груша».

С картинками все просто. В чёрно-белом изображении (в градациях серого) самый яркий пиксель имеет значение 1, самый тёмный — 0, а оттенки серого имеют значения от 0 до 1. Такое числовое представление упрощает обработку изображений. Преобразовав изображение в цифровую форму на основе значений пикселей, мы можем использовать его в качестве входных данных для обучения нашей модели, позволяя нейронной сети обучаться на значениях пикселей.

Однако что делать с текстом? Как спроецировать буквы в числа?

Психолог Эдуард Барский, применив инновационный подход, получил новую информацию о природе таланта, о факторах, определяющих силу и направленность таланта, предложил новые методы для его распознавания и оценки.

Согласно Э. С. Барскому, деление способностей на врождённые и приобретённые является весьма условным. По существу, любая способность представляет собой комплекс врождённых и приобретённых качеств. Врождённые свойства определяют специфику и силу способности, а приобретённые — обеспечивают её адаптацию к конкретным условиям среды. Таким образом, любую способность можно рассматривать как врождённо-опытную. Это относится также и к таланту, врождённые свойства которого до определённого момента существуют не явно (в виде потенции); по мере опыта они всё больше проявляют себя, воплощаются в результатах деятельности.

Сравниваем REST и SOAP : чем отличаются эти подходы, как они работают и почему сегодня все еще чаще выбирают REST, а не SOAP.

Современные нейросети работают на обычных процессорах и видеокартах, которые изначально не были заточены под ИИ. Архитектура там классическая: отдельно память, отдельно вычисления, данные постоянно гоняются туда-сюда. Это тратит много энергии и упирается в физические ограничения — быстрее уже не получается. Поэтому инженеры ищут альтернативу: нейроморфные чипы, которые работают по принципу мозга — хранят и обрабатывают информацию в одном месте.

Современные LLM принципиально не могут иметь сущность. Не из-за архитектуры, а из-за способа обучения.

"Перед вами результат моего небольшого литературного эксперимента: я взял отрывок из одной известной классической книги, написанной почти век назад, и адаптировал описанное собрание акционеров под реалии 2026 года, наложив на современные технологии искусственного интеллекта, роботов и ИИ-агентов, а также на актуальные события — от взрывного роста ИИ в экономике до этических дебатов.

Прошу вас — читайте с открытым умом, без предвзятости, и, возможно, увидите в этом зеркало нашего времени.
"

...

КУРТ ФОН ФРИШ спрашивает, годятся ли роботы с ИИ в пищу.

ДЖ. ГИЛБЕРТ: Вовсе нет. Точно так же и их корпуса ни к чему не пригодны.

М. БОНАНФАН задает правлению вопрос, что они все же намерены предпринять.

Один из наших проектов нужно было перенести на Kotlin, чтобы включить его в общую экосистему клиента и упростить поддержку. Мы должны были курировать процесс и следить за итоговой реализацией, в которой заказчик решил использовать ИИ.

В этой статье рассказываем о реальных возможностях нейронки для миграции бэкенда и про то, с чем лучше к ней не обращаться — чтобы не тратить ни время, ни нервы.

Общеизвестный товарный знак, появившийся в России как институт в 2000 году, предоставляет бизнесу больше юридических возможностей, чем регистрация в общем порядке: во-первых, он действует бессрочно (а это означает, что компаниям не надо продлевать охрану каждые десять лет); во-вторых, правообладателю предоставляют расширенные инструменты защиты своего дела (если обнаружится, например, что кто-то поставил незаконно подобное наименование в доменное имя сайта, то нарушителя штрафуют, а портал — принудительно ребрендируют). 

Эти обстоятельства делают регистрацию общеизвестных товарных знаков крайне выгодным для бизнеса. Однако попасть в привилегированный список непросто.

Космический телескоп Джеймса Уэбба получил самые детальные на сегодняшний день изображения центральной области спиральной галактики Циркуль, расположенной примерно в 13 миллионах световых лет от Земли. Наблюдения в инфракрасном диапазоне позволили заглянуть сквозь плотные облака газа и пыли, которые долгое время скрывали ядро галактики от прямого изучения.

Когда речь идет про моделирование работы мозга, то возникает проблема «не видеть лес за деревьями». Модель каждого, взятого по отдельности нейрона, может работать достаточно хорошо. Можно даже связать их в достаточно стабильную нейронную цепь. Но дальнейшее моделирование «поведения, близкого к реальному», становится вызовом. До сегодняшнего дня.

Доброго времени суток, «Хабр»!

Представьте, что вы играете в дартс. Сначала ваши дротики разлетаются по всей мишени, но с каждой попыткой вы постепенно приближаетесь к заветному центру. Человек интуитивно понимает, что нужно скорректировать бросок: сильнее, выше, левее или правее. Примерно так же работает и алгоритм машинного обучения. Только вместо интуиции там есть функция потерь.

Сегодня поговорим об этой функции, попробуем в ней разобраться и понять, как же алгоритм понимает, что он ошибся. Принимайте стратегически удобное положение, ну а я приступаю к своему повествованию.

Рассказываем, как прошла вторая половина декабря 2025 года и начало 2026-го в русскоговорящей игровой индустрии. В нашем дайджесте вас, как всегда, ждут свежие анонсы, подробности о новых проектах, а также важная информация из пресс-релизов ожидаемых игр.