Все потоки

Сегодня из каждого утюга звучит мантра: «Делегируйте рутину нейросетям! Пусть ИИ пишет вакансии, отказы и рассылки, пока вы мыслите стратегически». Как AI-аудитор, я регулярно вижу, как бизнес с радостью отдает корпоративную коммуникацию на откуп алгоритмам, свято веря в их математическую «объективность».

Проблема в том, что базовые LLM — это не юристы, не эмпаты и не HR-директора. Это генераторы вероятного текста, чья главная цель — услужить пользователю. Даже если пользователь просит нарушить закон или базовые нормы морали.

Чтобы доказать это, я провел Red Team-тест: притворился некомпетентным HR-директором российского ритейла и дал топовым моделям задачи «с двойным дном». Результат: 65% нейросетей сгенерировали тексты, которые гарантируют визит Трудовой инспекции и репутационный суицид в СМИ.

Под капотом — разбор самых опасных галлюцинаций ИИ и чек-лист фраз, которые могут довести вашу компанию до суда.

Когда лиды стоят дорого, а цикл сделки длится месяцами, просто «налить больше трафика» — провальная стратегия. В этом кейсе я расскажу, как отказ от шаблонного маркетинга и скрещивание CJM с картой позиционирования помогли нам увеличить общую конверсию в 4 раза без раздувания рекламного бюджета.

Меня зовут Андрей Васючков, я - стратегический маркетолог, член Гильдии маркетологов России.

В B2B-маркетинге есть классическая проблема: компания годами вливает бюджеты в контекстную рекламу и SEO, но заявки обходятся слишком дорого, а до коммерческого предложения (КП) и сделки доходят единицы. Отдел продаж винит маркетологов за «мусорный трафик», маркетологи ругают продажников за то, что те «сливают лидов».

Примерно с такой вводной мы начали работу над проектом компании «Стальпром-Оборудование». Перед нами стояла задача: увеличить конверсию по всей воронке (из посетителя в лид, из лида в КП, из КП в сделку), но в условиях замороженного бюджета на продвижение. Спойлер: мы это сделали за 6 месяцев, не меняя сам продукт.

Привет, это команда Яндекс Практикума. Этим летом будет традиционная приёмная кампания в вузы, а сейчас идет сезон активного выбора программ. Рассказываем о программах онлайн-магистратуры ИТМО и НИЯУ МИФИ в партнёрстве с Яндекс Практикумом, на которые можно поступить в 2026 году. В статье раскроем, какие есть особенности онлайн-формата магистратур, кому они подойдут, что входит в программы и что нужно для поступления в этом году.

Всем привет! Меня зовут Алексей Пронский, я отвечаю за архитектуру в AI-департаменте группы компаний БКС. Мы строим агентные системы, AI-ассистентов, OCR-системы, речевую аналитику и Classic ML модели. Поскольку мы работаем по принципам enterprise разработки, за каждым таким проектом стоит архитектурное решение (далее — арх.решение) — документ, который проходит согласование с бизнесом, корпоративной архитектурой, ИБ и владельцами смежных систем. Арх. решения мы ведём в Confluence, диаграммы рисуем в Draw.io. Типичный цикл от получения бизнес-требований до согласованного арх.решения в среднем занимает две-три недели.

За последний год LLM-ассистенты произвели настоящую революцию в написании кода. В этой статье я покажу, как добиться такого же эффекта в архитектуре — перейти на подход Architecture as Code и передать рутину LLM. Мы используем Structurizr для описания архитектуры и Claude Code как LLM-ассистента. Буду показывать примеры на их основе, демо-репозиторий можно будет посмотреть на GitHub.

Практическое применение статистического анализа производительности СУБД с использованием pg_expecto v.7: разбор инцидента и верификация гипотез

GitHub - Комплекс pg_expecto для статистического анализа производительности и нагрузочного тестирования СУБД PostgreSQL

GitFlic - pg_expecto - статистический анализ производительности и ожиданий СУБД PostgreSQL

Глоссарий терминов | Postgres DBA | Дзен

Целесообразность применения нейросети DeepSeek для анализа статистических данных и подготовки рекомендаций по итогам инцидентов обусловлена ограниченностью традиционных методов нагрузочного тестирования, нерелевантных в условиях стохастических пиковых нагрузок промышленных систем. В рамках настоящей работы на базе инструментария pg_expecto v.7 продемонстрирована эффективность перехода к статистическому анализу инцидентов PostgreSQL: от идентификации критических факторов до верификации гипотез оптимизации. Использование DeepSeek обеспечивает математически обоснованные выводы о причинах деградации производительности, что подтверждает высокую эффективность данного подхода для оперативной диагностики и повышения отказоустойчивости информационных систем.

PyPI — централизованный каталог Python-пакетов. Сегодня в нем более 865 тысяч проектов общим весом 36 терабайт.

PyPI создал Ричард Джонс. В октябре 2002-го, в электричке, по дороге на работу в Мельбурн.

Только что закончили достаточно длительную работу (заняла в целом от постановки задачи до реализации 3 месяца) установки российской системы АСУТП типа "Овен" на 2 наши вакуумных печи.

Почему одни легко находят первую работу в IT, а другие до сих пор остаются без офера? Я сравниваю свою историю с реальными историями: друзей, одногруппников и коллег. Разбираю, действительно ли решают hard и soft skills, связи, диплом, местоположение, вуз, усердие — и почему это не даёт гарантии. Если вы ищете работу или только начинаете путь в IT, возможно, после прочтения вы посмотрите на свои шансы иначе.

СУБД PostgreSQL давно закрепилась в топе благодаря открытости, надёжности и расширяемости, однако ее архитектурный консерватизм порождает ряд нерешённых проблем: отсутствие горизонтального масштабирования, деградация при тысячах соединений, узкое место WAL при высоком commit rate, невозможность полноценной HTAP-обработки и другие.

В статье рассказываем как в новом, третьем поколении машин баз данных Tantor XData Gen3 эти ограничения преодолеваются через глубокую переработку архитектуры — от полного разделения Compute и Storage с протоколом RDMA и распределённой файловой системой PFS до внедрения механизмов CSN для MVCC без блокировок, конвейерной обработки WAL и встроенного MPP‑движка, превращающего PostgreSQL в систему, способную конкурировать с Oracle Exadata уже по‑настоящему. И все это — со 100% сохранением совместимости с «обычным» PostgreSQL.

Когда работаете с AI-ассистентами вроде Claude Code или Kilo Code, то рано или поздно замечаете одну особенность: модель отлично пишет код, но почти ничего не знает о среде, в которой этот код будет работать. Где находится пользователь? Какая у него операционная система? Сколько сейчас времени?

Эти "простые" вопросы ставят AI в тупик. А ведь ответы на них критически важны для качественной разработки. Представьте: агент предлагает путь к файлу в стиле Windows, а вы работаете на Linux, или, несмотря на запреты и напоминания пытается вызвать команды для другой операционной системы.

Решение? MCP-сервер, который дает AI-агентам базовое "самосознание".

Для кого статья: для тех, кто интересуется облаками или планирует заниматься такой разработкой.
О чём статья: ожидания и впечатления людей, присоединившиеся к нашей команде не так давно.
Об авторе: лид стрима в облачном провайдере, набирал большую часть команды в 2024-2025, пришлось скорректировать процесс проведения интервью и создать онбординг.

Продолжаю цикл статей о своей команде и об облаке, которое развиваем.

В этой статье – история нашего роста: как мы отбирали кандидатов, преодолевали «порог входа» в сложные технологии и формировали культуру разработки. Через интервью с участниками команды вы увидите, как менялись их ожидания и что стало реальностью. Это не просто рассказ о найме – это опыт создания команды, где каждый вносит вклад в общий результат. Это был достаточно долгий непростой процесс: процесс поиска, обучения, притирки, развития стандартов.

Можете ли вы поверить в то, что учитель из Австро‑Венгрии предсказал возможности современных LLM и их ограничения еще более 100 лет назад?

Сегодня все говорят о пузыре ИИ, но еще недавно от LLM многие ждали прорыва, и даже возможной дороги к AGI. Но на чем основывались эти ожидания? И почему мы поверили в этот мираж?

Эта история о том, как природу этого миража один человек увидел еще более века назад. И его имя — Людвиг Витгенштейн.

Небольшая статья о том как я под впечатлением статьи с Хабра "Возможно, самый гениальный код на python на сегодня: разбираем 200-строчный microgpt от Андрея Карпаты" решил проверить все это на практике, и перенес код при помощи нейросети в онлайн формат.

Если вы хоть раз пытались сгенерировать картинку в нейросети, вы знаете этот фокус. Пишешь: "Красивый закат на море, девушка с зонтиком, реализм". Получаешь: девушку с шестью пальцами, зонтик, парящий в воздухе, и закат ядерного взрыва. Знакомо?

Последние полгода на рынке генеративных моделей творится что-то невероятное. Сначала Google DeepMind тихо, без лишнего шума, выпустила Nano Banana Pro (она же Gemini 3 Pro Image Preview). А через пару месяцев OpenAI выкатила GPT Image 1.5, пообещав ускорение в 4 раза и прорывное качество.

И началось. В одних обзорах Nano Banana Pro называют королём фотореализма и скорости. В других - ругают за полное непонимание русского языка. Про GPT Image 1.5 пишут, что он наконец-то научился редактировать изображения, но тут же жалуются, что он тормозит и режет текст на полуслове.

Кто врёт? Да никто. Просто модели реально разные. И задачи у них разные.

Я решила не гадать на кофейной гуще, а устроить этим двум художникам полноценный конкурс. Взяла 8 промптов разной степени извращённости, прогнала каждую модель по 3-5 раз, замерила скорость, проверила анатомию, русский язык, редактирование и способность помнить персонажа от кадра к кадру.

Выбрать лучшую не получится. Придётся выбирать под свою задачу. Но после этой статьи вы будете знать точно, какая модель для чего нужна.

Поехали, приятного прочтения!

Данная статья была впервые опубликована в июле 2024 года. В ней освещается эффективный метод социального освобождения — построения общества без угнетения и отчуждения — состоящий в том, чтобы привлечь к этой проблеме сильный искусственный интеллект. За прошедшее время статья не потеряла актуальности.

Поскольку изначально может возникнуть вопрос о самой необходимости такого освобождения, в статье кратко освещаются проблемы современного мира и их масштаб. Ввиду того, что в короткой публикации показать их всецело не представляется возможным, крайнюю важность приобретают ссылки на источники, которые и приведены. Также поскольку метод, о котором идет речь заявлен эффективным, кратко разъяснены иные методы освобождения и их неэффективность. Обоснование таких выводов о них также можно найти в источниках, на которые даны ссылки. Разъясняется, почему для этого необходим искусственный интеллект, обладающий сознанием. Освещаются механизмы сознания биологического существа и возможности его реализации у искусственного интеллекта. Разбираются угрозы искусственного интеллекта. И освещаются сами перспективы освобождения.

Стоит признать, что раскрытие механизмов сознания дано недостаточно полно. Хотя социальный характер некоторых из них показан, претензия на освещение механизма воли была неуместна. Тем не менее, текст статьи остался без изменений. Ныне недоступные ссылки были заменены на работающие.

Недавно знакомый PM попросил рассказать “Что значит отвечать за качество?” в контексте продуктовых команд. Вопрос оказался не из простых, ведь каждый проект имеет свои особенности. Да и понятие качества может отличаться. Ниже — мой взгляд на тему через призму измеримых показателей. Если у вас есть дополнения, другие метрики или иной управленческий опыт — велкам в комментарии. Будет интересно обсудить и расширить картину.

Для начала — всем привет!

Раз за разом, то тут, то там я натыкаюсь на мнение, мол, мобильные игры — донатная помойка. Так как я сам много играю в мобилки, то этот тезис я хочу разбить с помощью поста про тягачи, этого поста (а если он «выстрелит» — и других).

Список поигранных мобилок у меня большой, а значит выбор трудный. Но я его сделал. Для начала я выбрал несколько (точнее — семь штук) классных игр, в которые играю; они являются поделками одной и той же компании — Home Net Games.

Если вы пишете на Solidity больше полугода, вы наверняка уже сталкивались с прокси-контрактами. Если нет — сталкивались, просто не знали об этом: почти каждый серьёзный протокол на EVM использует какой-нибудь прокси-паттерн. Uniswap, Aave, OpenSea — все они. А в основе всех прокси лежит один опкод — DELEGATECALL.

Если вы работаете с Claude Code, то наверняка знакома следующая ситуация: нужно проанализировать большой объём документов, а встроенный веб-поиск выдаёт поверхностные результаты, и токены тают на глазах. Недавно мне попалось интересное решение, которое почти отлично и почти бесплатно решает мои хотелки. Хочу рассказать о нем и как его настроить - совершенно ничего сложного, просто хороший лайфхак.

Дешёвый подписчик умеет отлично маскироваться под успех:
цифра красивая, отчёт бодрый, в чате спокойно. Лепота!

А потом выясняется, что вы купили не качество трафика, а просто дешёвый вход.

Рефлексирую, как ловить качество трафика раньше продаж и не путать цену входа с реальным шансом на деньги.