Февраль 1738 года, Париж. На ярмарке Сен-Жермен стоит небольшая золочёная утка из меди. Она поворачивает шею, пьёт воду, ест зёрна, чистит себе перья клювом, хлопает крыльями, а потом испражняется.

Публика в оцепенении.

Билет стоил три ливра (примерно недельная зарплата парижского рабочего), зал набит битком. Одни были убеждены, что внутри спрятана живая птица. Другие допускали, что француз Жак де Вокансон и правда воспроизвёл работу пищеварительной системы механически.

Утка была великолепной.

Но немножечко привирала.

Продолжаем серию публикаций «Адаптивное администрирование Sigla Vision». Часть наших подходов будет полезна и другим ИТ-специалистам, которые развивают или сопровождают аналитические системы — особенно те, что хранят метаданные во внешних СУБД.

В этой статье подробно разберем объектную модель BI-системы. Она помогает лучше понимать работу системы, следить за ее состоянием и контролировать изменения.

В предыдущей статье «Адаптивное администрирование Sigla Vision» мы посмотрели на BI-систему «из коробки» глазами тех, кто ее сопровождает: объяснили, зачем нужны дополнительные данные о работе системы и для чего создавать объектную модель, привели примеры задач, где она используется.

Тема нынешней статьи — основа всего нашего дальнейшего опыта работы с Sigla Vision. 

Студентов МЭИ возят на АЭС в Обнинске, где они дают символическую клятву прямо у пультов управления.

В 1954 году станция мощностью 5 МВт стала первой в мире атомной электростанцией, подключённой к энергосистеме. Для её разработки понадобилось немало специалистов, и многие из них были из МЭИ. Запускал реактор выпускник Лев Кочетков. Вуз начал быстро развиваться с 1943 года при ректоре Валерии Голубцовой — жене Георгия Маленкова, правой руки Сталина.

Она не только восстановила научно-техническую базу, но и достала всё возможное и невозможное, что было нужно для разработок. В Лефортово свозили всё, вплоть до трофейных микроскопов Siemens из Германии. Ещё было высоковольтное оборудование, точнейшие измерительные приборы, осциллографы. Студенты и учёные получили доступ к технике, которой в Советском Союзе на тот момент просто не существовало.

Прямо на территории института построили действующую электростанцию — и студенты учились управлять энергетикой на практике.

Это оборудование позволило вузу заниматься космическими разработками: например, при участии специалистов МЭИ разработали систему телеметрии «Трал» для корабля «Восток-1» с Гагариным на борту.

В последние годы мы привыкли, что прогресс в NLP измеряется гига- и терабайтами параметров. Кажется, единственный путь к улучшению качества модели — увеличение ее размера. Но так ли это для специализированных задач?

Мы решили пойти от обратного: можно ли заранее, еще до обучения, понять, насколько большой должна быть модель, чтобы эффективно решать конкретную задачу классификации?

Эксперимент строится на простой, но мощной гипотезе: структура текстов предметной области, отраженная в графе со-встречаемости слов, диктует минимально необходимую архитектуру трансформера. Мы прошли полный цикл — от анализа текстов студенческих запросов до обучения трех моделей разного размера — и подтвердили, что минимальная модель, спроектированная на основе графовых метрик, не уступает «стандартной» по качеству, превосходя ее по ресурсоэффективности в десятки раз.

Недавно все мы услышали громкое заявление Anthropic «наша модель Mythos очень опасна из-за своих хакерских способностей». Когда (пока) к модели нет массового доступа, человечеству сложно проверить, как все обстоит на самом деле, а хайп разгонял ряд событий:

• в США и Великобритании прошли экстренные совещания в банковском секторе о том, как действовать в новых реалиях;

• OpenAI представили свой «вариант для кибербезопасности» GPT‑5.4‑Cyber;

• а сервис cal.com заявил, что из опенсорсного станет закрытым, потому что обеспечивать безопасность открытого кода теперь слишком сложно.

Но. Появились первые сторонние тексты с анализом способностей Mythos. Это позволяет получить хотя бы частичное, не по заявлениям Anthropic, понимание ситуации. Поэтому мы собрали их в один хабрапост, чтобы разобраться: что в Mythos миф, а что реальность, и насколько стоит обращать внимание на происходящие?

В июле 1978 года научный сотрудник Йельского университета Пол Кругман приуныл и написал научную работу «Теория межзвёздной торговли». Предмет исследования: как правильно считать процентные издержки на межзвёздный груз, если корабль летит почти со скоростью света.

Работа открывается сноской: исследование поддержано грантом Комитета по переизбранию Уильяма Проксмайра. Уильям Проксмайр — американский сенатор, который с 1975 года вручал ежемесячную антипремию «Золотое руно» за самые бессмысленные траты из федерального бюджета.

В том числе — за абсурдные научные гранты. 

Но как минимум эта работа нужна для моделирования космических империй в играх (а игры — огромная индустрия) — ну и, может быть, всё же пригодится человечеству где-то ещё. Главное, чтобы модель была.

Вот она, он положил.

Привет, Хабр! На связи — Ольга Кравченко, техдиректор по разработке моделей Газпромбанк.Тех. Сегодня я поделюсь кейсом, как наша команда создала инструмент, позволяющий нам продвигаться от просроченной задолженности к прибыли через персонализацию коммуникаций. Эта статья основана на моём выступлении на HighLoad++.

Прогресс не остановить — ML и здесь! Внутри — про развитие модельного скоринга и о том, как это повлияло на опыт пользователей и архитектуру решения.

Меня зовут Сергей Усов. В Газпромбанке я в составе небольшой команды занимаюсь развитием и сопровождением корпоративной BI-системы на базе решения Sigla Vision (российский форк FineBI).

Мы хотим поделиться практическими наработками с сообществом пользователей Sigla Vision / FineBI — сделать работу с системой удобнее и облегчить жизнь администраторам. При этом часть наших подходов может пригодиться и тем ИТ-специалистам (разработчикам, дата-инженерам, аналитикам), которые сопровождают работу технических систем, имеющих в своем составе БД с репозиториями метаданных. Описанные решения являются общеинженерными и могут быть применены не только к корпоративным аналитическим системам.

Это первая статья из цикла, посвященного нашему опыту администрирования Sigla Vision.

В науке есть понятие стандартной ошибки — это неточность, которая возникает из-за того, что исследователь работает не со всей совокупностью данных, а только с выборкой. О ней помнят, её умеют считать и учитывают при выводах.

Но существует и нестандартная ошибка.

Она возникает из-за того, что разные исследователи по-разному анализируют одни и те же данные. Один считает среднее по дням, другой — по месяцам. Один убирает выбросы, другой оставляет. Один берёт одну модель, другой — другую. Нестандартная не в смысле «странная», а в смысле «нет стандарта»: нет общепринятого способа проводить анализ, а значит, нет и точки отсчёта. Если бы все исследователи использовали единый метод, она была бы равна нулю.

Только они не используют.

Не нутеллой единой, как говорится: эта весна богата на инфоповоды, связанные с Луной. Помимо истории с запуском второй «Артемиды», мы узнали, что отменилась американская программа строительства лунной орбитальной станции (решено строить сразу налунную). Получили первые данные от частных луноходов (окраина Луны оказалась чуть менее холодной и зловещей, чем мы думали). Стряхнули пыль с проекта строительства АЭС на Луне. Словом, лунной повестки накопилось не только на статью, но и на целый День космонавтики, который в 2026 году неизбежно будет озарен скупым светом земного спутника с невысоким альбедо. 

Но поговорим о фундаментальном — 1 апреля РАН наконец-то одобрила концепт создания российского сегмента совместной с Китаем Международной научной лунной станции. Напомним, проект такой базы существует еще с 2021 года, однако почти все, что мы слышали о нем, — это крушение «Луны-25» в 2023-м. Между тем, дело со станцией движется, хотя и мутировало в процессе. А значит, пришло время обновить космические карты. 

В 1930-м из Бауманки выделили Московский авиационный институт: стране были нужны инженеры-конструкторы, которые умеют всё. Между лекциями студенты и преподаватели сами помогали достраивать первые корпуса.

Чуть позже здесь откроют одну из первых в стране кафедр ракетных двигателей, а Королёв захантит Василия Мишина — выпускника МАИ и «второго главного» по космосу.

В 1964 году испанский нейрофизиолог Хосе Дельгадо устроил психохирургическую корриду. Он сделал трепанацию черепа нескольким особо норовистым быкам и вживил в хвостатое ядро, структуру, отвечающую за агрессию, радиоуправляемые устройства — стимосиферы. Теперь, когда Дельгадо атаковал разъяренный бык, его можно было остановить нажатием кнопки на пульте — стимосифер посылал заряд электричества в мозг животного и тем самым усмирял его буйный нрав. Эксперимент стал не просто демонстрацией работы одного из первых нейроинтерфейсов, Дельгадо планировал использовать его именно для помощи людям с неврологическими болезнями — как альтернативу, кхм, популярной в те дни лоботомии.

С тех пор прошло 63 года, но база нейроимплантации не изменилась — максимально эффективно управлять мозгом можно только вживив интерфейс прямо в этот самый мозг. 

Больше двадцати лет американский психолог Пако Андерхилл выслеживал по торговым залам дичь. Нас с вами.

Его интересовало всё: на какие товары смотрим, как двигаемся по магазину, куда тянемся и чего боимся. Всё для того, чтобы дать ответ на главный вопрос: как мы покупаем?

В результате Андерхилл создал «науку о шопинге», лежащую на стыке психологии, искусства и экономики. Его книга «Как мы покупаем?» — попытка отреверсить механизмы принятия решений.

Некоторые удались, поэтому современные магазины и торговые центры проектируют отчасти и по его находкам уязвимостей поведения человека.

OpenClaw прошел путь от хобби-проекта до самого быстрорастущего open-source проекта в истории GitHub — и запустил настоящую гонку вооружений среди крупнейших ИТ-компаний. Пользователи скупают Mac mini, команды разработки деплоят десятки агентов через Kubernetes, а ИТ-гиганты выпускают решения на базе хайпового продукта. На русском языке материалов об OpenClaw в бизнесе и разработке практически не выходило. Закрываем пробел, коротко разбираем архитектуру мультиагентных систем, реальные сценарии оркестрации, а также ситуацию на рынке B2B-решений.

Пока в старой Европе инженеры ходили в белых воротничках, в Москве студенты Ремесленного училища торчали за станками по локоть в масле. Позже такой прикладной метод обучения назовут «русским», а американцы внедрят его в своих технических университетах.

Веком позже жёсткий упор на практику позволил выпускникам училища собрать первый спутник и отправить человека в космос.

История Бауманки — это про то, как из приюта для сирот выросла база для покорителей космоса.

Распараллеливаем процесс вставки данных в PostgreSQL при помощи Spring с сохранением атомарности всей операции

Разработчики часто сталкиваются с проблемами производительности своих систем. Один из привычных способов ускорить медленный бизнес-процесс — распараллелить его. Это почти всегда работает: чем больше потоков обслуживают задачу, тем быстрее она выполняется.

Но когда речь заходит о вставке данных в PostgreSQL, возникает проблема: распараллеливание действительно ускоряет операцию, но ломает ее атомарность. Данные начинают появляться в таблице частями. Для многих бизнес-процессов это неприемлемо — нужно, чтобы вся пачка данных становилась доступной одновременно.

В этой статье расскажу о том, как сделать вставку данных одновременно многопоточной и атомарной.

В середине XX века советские учёные решили встряхнуть научную среду – и создали академгородки. В то время в мире уже были похожие проекты, но именно в СССР они стали самобытной (и массовой) моделью территориальной организации науки. 

В академгородках на практике реализовали так называемый треугольник Лаврентьева: образование — наука — производство. Всё плотно сконцентрировано в одном месте, смешать, но не взбалтывать. Плюсом шла вся необходимая инфраструктура. Всё, от школ до магазинов, было буквально у них дома.

Последнее было важным элементом системы, потому что некоторые городки основали глубоко в  Сибири. Такое расположение было, кстати, совсем не случайным. 

Вся эта красота была нужна, чтобы вывести науку и производство на новый уровень, а СССР — в лидеры мирового развития. И это даже отчасти удалось. Но затем что-то пошло не так…

Тимлиды и команды в больших компаниях постоянно сталкиваются с одной и той же проблемой: бизнес хочет знать сроки, а разработка не может их назвать. Оценки «пальцем в потолок», спринты без delivery, злые заказчики и выгоревшие разработчики — знакомо?

«Три карандаша» — это метод инженерного груминга, который я разработал в боевых условиях и который сейчас стал частью стандарта разработки в Газпромбанке. Суть простая: вы берете доску, три цветных маркера и за два часа превращаете размытые бизнес-требования в понятный план работ с реалистичными сроками. Он подходит для любых задач: фронтенд, бэкенд, data science, интеграции. Если вы можете разложить работу на логические шаги — вы можете использовать три карандаша.

Всем привет. Меня зовут Рустам Файзулин. 30 лет BE- и data-science-разработчик, последние семь лет работаю коучем в Газпромбанке. Моя задача — сделать так, чтобы разработчики понимали, что надо сделать, а бизнес понимал, когда он это получит. Дальше расскажу, как родился мой метод, как он устроен и как внедрить его у себя.

Представьте, что у вас в руках легендарный, но безнадёжно устаревший актив. 

К концу XIX века Сандуновские бани выглядели как классический спагетти-код. Ветхая застройка, никакой документации плюс «кусочная» система управления: разные зоны отданы разным арендаторам, каждый живёт своей логикой и оптимизирует только свой кусок. 

Перед новыми владельцами встал выбор: поддерживать умирающий проект или всё остановить и переписать систему с нуля. Риск был колоссальным: любая ошибка в расчётах превратила бы главное наследие семьи не в дворец, а в долговую яму.  

Но они выбрали второй вариант.  

Дальше вскрылась проблема нагрузки. Новые бани требовали 20000 вёдер воды в час, а городской водопровод падал по тайм-ауту и блокировал других пользователей. Чтобы уйти от зависимости от внешнего вендора, пришлось строить собственную инфраструктуру — прокладывать водовод от Бабьегорской плотины и бурить скважины. Внедрили тройное резервирование: городская вода + своя труба + скважины. Внутри здания реализовали переход на мазут и установку гигантского теплоаккумулятора (12 тонн чугуна). Топка ночью обеспечивала отдачу тепла днём.

Наконец, пришлось искать новую модель экономики, так как бани окупаются долго.  

Сами бани давали лишь 60% выручки, допмонетизация шла через сервисы аренды жилья, ресторанов и медицины. Главным вызовом стала балансировка продукта: нужно было сделать так, чтобы «бесплатные пользователи» (отделения за пять копеек) не распугали «премиум-подписчиков» (нумерные бани) и при этом инфраструктура выдержала общую нагрузку.  

Оправдан ли был такой риск? История показала, что да.

Почти всё, что вы видите, приплыло в большом стальном контейнере. Сейчас это вещь привычная и утилитарная, но в середине прошлого века контейнер изменил систему всей мировой торговли.

В 2006 году американский журналист и историк Марк Левинсон выпустил книгу под названием «Ящик. Как грузовой контейнер сделал мир меньше, а мировую экономику больше» — первую историю контейнеризации нашей реальности.

Книга, что называется, сорвала банк: её цитировали, раскупали, включили в список лучших бизнес-книг всех времён, её рекомендовал даже Билл Гейтс.

Всё это из-за того, что по драматизму история не уступает иным боевикам. Это была революция, по влиянию на нашу реальность сопоставимая с промышленной.

И революция вышла отнюдь не мирной: контейнер ломал судьбы, уничтожал целые профессии, стирал с лица земли порты с многовековой историей. А самое интересное, что сделал он это благодаря всего одному человеку, который был очень увлечён идеей и очень, иногда даже слишком, верил в себя.