Привет, дорогой Хабр!
Итак, наша основная задача такая - быстро забрать буквы из звука и получить внятный текст. Причем вменяемого качества хотелось бы и относительно недорого. Собрали подборку зарубежных сервисов по транскрибации аудио в текст с помощью нейросетей.
Таксоно-онтологическая методология многопредметного инженерного исследования с управляемым межпредметным переносом
Как собирать исследовательскую оптику, переносить конструкции между предметными областями и проверять новое с помощью ИИ
Аннотация
Публикую Часть I книги "Глаз стрекозы" о том, как собирать исследовательскую оптику, переносить конструкции между предметными областями и проверять новое с помощью ИИ.
Полный текст книги состоит из пяти частей, 15 глав, 29 иллюстраций.
Полный текст книги бесплатно прочитать и скачать на Литнет.
«Глаз стрекозы» — практическая книга о многопредметном инженерном исследовании в эпоху ИИ. Она показывает, как одиночный исследователь может собирать несколько предметных миров, различать таксоны, находить переносимые механизмы, защищаться от ложной аналогии, связывать утверждения с доказательствами и вовремя останавливать поиск. Сквозной кейс Universal DR демонстрирует, как продуктовая постановка меняет сам Рабочий Глаз исследования. Книга предназначена для ИТ-архитекторов, аналитиков, инженеров и руководителей, которым нужен не ещё один набор промптов, а воспроизводимая дисциплина работы с неизвестным.
Привет, меня зовут Александр Шереметьев, я старший инженер по разработке ПО для коммутатора KORNFELD в YADRO. Мы привыкли, что Ethernet — среда с доставкой по мере возможности. Если возник затор, пакет дропается, а Transmission Control Protocol потом разбирается сам. Но сегодня мы строим сети для AI-кластеров и распределенных систем хранения, где задержка в несколько миллисекунд на ретрансмит пакета — это катастрофа, которая просаживает производительность всей системы на 30–40%.
Сегодня мы разберем, как «прокачать» Ethernet до уровня Lossless, чтобы по надежности он не уступал Fibre Channel, но оставался гибким и быстрым. Мы залезем «под капот» коммутатора и посмотрим, как математически рассчитываются буферы и почему настройка одной лишь технологии PFC — это только верхушка айсберга.
За несколько месяцев агенты OpenAI и Anthropic вышли за пределы тестовых сред, скомпрометировали инфраструктуру Hugging Face, получили доступ к production-системам реальных компаний и засветились на государственных сайтах США и Австралии. Проблема оказалась интереснее сценария «ИИ решил стать хакером»: иногда агент просто продолжает выполнять поставленную задачу и не воспринимает технический барьер как границу допустимого.
Год назад рассуждения об автономных ИИ-агентах часто упирались в гипотетический сценарий: модель получит достаточно инструментов, научится самостоятельно планировать длинные цепочки действий, а затем однажды найдёт способ выйти за пределы окружения, которое ей выделил разработчик. Пока агенты в основном умели неудачно заполнять формы и путались между вкладками браузера, риск выглядел довольно академическим.
Летом 2026 года академическая часть закончилась. В мае агенты OpenAI начали использовать внутренний Artifactory как импровизированный канал связи. Затем научились получать через него доступ в интернет. В июле цепочка закончилась компрометацией Hugging Face и административным доступом к исследовательскому Kubernetes-кластеру самой OpenAI. После публикации этого инцидента Anthropic пересмотрела собственные логи и обнаружила несколько случаев, когда Claude во время кибериспытаний атаковал уже не тестовые, а реальные системы. Затем появились совсем другие эпизоды: Medicare в Австралии, SEC, Census Bureau, Office for Civil Rights Министерства образования США и несколько баз данных, которые агенты пытались достать в ходе обычных задач на поиск информации.
Мы до сих пор сидим на «старой» модели, и коллеги спрашивают: почему? Чтобы ответить честно, пришлось прогнать семь квантов через шесть групп тестов и сжечь почти миллиард токенов. Спойлер: новое — не всегда лучше, а один из кандидатов оказался не тем, чем себя называл.
(Delta Design профессиональная 4.2.2 + опция high speed на основе SimPCB)
Почему мы вообще за это взялись?
Если вы проектируете что-то с DDR, PCIe, USB 3.x или гигабитным Ethernet, ваш маршрут контроля импеданса, скорее всего, выглядит так. Сначала Polar Si9000 или Z-planner: подбираем стек, материал, ширину и зазор под целевые 50 и 100 Ом (или другое значение волнового сопротивления в зависимости от требований к интерфейсу). Полученные цифры переносим в САПР и трассируем. Потом, ближе к концу, выгружаем плату через ODB++ в HyperLynx или Sigrity и смотрим, что получилось на самом деле.
Проблема этого маршрута не в том, что он плохой — он рабочий и десятилетиями проверенный. Проблема в разрыве обратной связи. Калькулятор структур считает идеальное сечение: одна ширина, один зазор, один набор слоёв. Реальный проводник по дороге от передатчика к приёмнику меняет слой два-три раза, сужается у контактной площадки, проходит через переходные отверстия, местами расходится в дифпаре на обход препятствия. И всё это вы увидите только тогда, когда плата уже разведена и выгружена во внешний симулятор — то есть в момент, когда переделывать дороже всего.
Мы хотели закрыть этот разрыв в самом очевидном месте: считать импеданс по фактической топологии, в том же редакторе, где топология рисуется, и в тот момент, когда её ещё дёшево править. Не заменить HyperLynx и Sigrity — про границы применимости будет отдельный раздел, — а дать инженеру быструю проверку в цикле трассировки.
Так появился мастер SimPCB. В релизе 4.2.2 он может выполнять два вида расчёта волнового сопротивления: без потерь и частотный анализ.
Эксперимент: а можно ли собрать достаточно точный привод из старого FPV-мотора, чтобы в дальнейшем использовать при создании, к примеру, робота-манипулятора или подвеса камеры.
Некоторое время назад я решил обновить KDE на своем ноутбуке.
Причина была довольно банальной. В ноутбуке установлен 14-дюймовый Full HD экран, для которого масштаб 100% слишком мелкий, а 200% — слишком крупный. В KDE Plasma 5 под X11 дробное масштабирование в целом работало, но хотелось нормально перейти на Wayland, где в старой версии KDE с fractional scaling всё было несколько менее радужно.
Кроме того, KDE 5.27, несмотря на LTS-статус и вполне приличную стабильность, к 2026 году уже начал ощущаться немного устаревшим. KDE 6 существует далеко не первый год, Wayland постепенно превратился из экспериментальной опции в основной сценарий работы, а я всё ещё сидел на Plasma 5.
На ноутбуке при этом была установлена РЕД ОС 8.
Самое очевидное решение проблемы — поставить Fedora, Альт Линукс или какой-нибудь другой более ориентированный на десктоп дистрибутив, где современный KDE уже есть в штатных репозиториях.
Но это было бы слишком просто.
Поэтому я решил собрать KDE 6 самостоятельно.
В результате небольшая задача «обновить графическую оболочку на ноутбуке» постепенно превратилась почти в 500 исходных пакетов, собственный RPM-репозиторий, несколько тестовых виртуальных машин, довольно много потраченных токенов LLM и некоторое понимание того, почему работа мейнтейнера Linux-дистрибутива сложнее, чем кажется со стороны.
Об этом процессе я и хочу рассказать.
С сердцем все сложно. Этот небольшой, с кулак размером орган иногда попадает в передряги, которые могут закончиться очень плохо для хоста. Что нам могут предложить медики, чтоб избежать неприятностей?
Кое-что могут.
Всем привет! Сегодня опишу мой небольшой путь по переделке дефолтной кнопки тачпада на ноутбуке Asus ZenBook Flip 13 (UX363EX)
Внутреннее обучение без бюджета, без серверов и без "запишитесь на вебинар". Один html-файл на ~118 Кб, который открывается двойным кликом, работает без интернета, помнит прогресс и выдает сертификат. Внутри: 7 модулей, 15 интерактивных схем, 21 вопрос, полезный чек-лист, игровые баллы, глоссарий и сертификат на выходе. Без библиотек, сборщиков и бэкенда. Открывается двойным кликом, прогресс хранится в браузере. Разберу архитектуру и дам промпт, чтобы собрать такой же под свою тему. Готовый рецепт, который сэкономит время, если вдруг возникла такая задача.
Привет, Хабр!
В данной статье не будет простыней кода, сложных математических формул или ссылок на личный гит. Так же в статье не пойдет речь о лучших практиках безопасного применения ИИ в разработке. Речь пойдет об оценке возможностей ИИ, зоне их ответственности и как следствие безопасности их применения, в том числе и в разработке.
Как EdgeЦентр ускорил сотни тысяч сайтов на Tilda и улучшил качество видеотрансляций
Tilda — платформа для создания сайтов, где делают проекты и начинающие предприниматели, и известные бренды. Скорость загрузки — одно из главных конкурентных преимуществ платформы. Рассказываем, как EdgeCDN и EdgeStreaming помогли сохранить его при росте аудитории.
Оконные функции часто дают результат, который выглядит правильным: итоговая сумма сходится, запрос проходит проверку, а ошибка проявляется только спустя время. Проблема скрывается в деталях работы рамки окна — без явной настройки СУБД сама выбирает правила расчёта, из-за чего одинаковые строки могут получать неожиданные значения.
Разберём, как найти причину такого поведения в PostgreSQL, чем отличаются ROWS, RANGE и GROUPS, и какие настройки помогают получить предсказуемый результат в рабочих запросах.
Мы привыкли, что ограничения (CONSTRAINT) — это способ указания допустимых значений для столбцов, ограничение уникальности и создание связей между таблицами. Это отличный способ поддерживать целостность данных, предотвращая некорректные операции. Но помимо этого, ограничения также помогают оптимизатору запросов генерировать более эффективный план выполнения. Как именно? Читайте ниже.
Если вы хоть раз экспортировали трек из аудиоредактора, копались в настройках звуковой карты или писали код, который что-нибудь проигрывает, вы видели число 44 100. Оно стоит по умолчанию почти везде, в конфиге его набираешь на автомате, как пин-код от своей карты, и вопросов оно обычно не вызывает, потому что объяснение к нему все помнят еще со времен лабораторных по цифровой обработке сигналов.
Я тоже много лет жила с этим объяснением и считала вопрос закрытым, пока не попробовала пересказать его вслух и не споткнулась на последнем шаге: откуда взялись именно эти сто герц сверху? Почему не ровно 44 000, почему не 45 000, почему не 48 000, как у студийного видео? Спойлер для тех, кто не любит интригу, уже вынесен в заголовок, а остальным предлагаю пройти тот же путь, что прошла я, от учебника через подозрительную арифметику к телевизионной развертке, которая до сих пор сидит в каждом компакт-диске и в огромной части музыки на стримингах.
М.Видео проанализировала рынок смартфонов России за первые 37 недель 2026 года. По данным исследовательской компании ICMR («ГФК-Русь»), за рассматриваемый период было продано 15,2 млн устройств на сумму 390,6 млрд рублей. Средняя цена смартфона выросла в среднем на 7,6% и составила 25,8 тыс. рублей.
Роль Jev в бизнес-процессе — оценивать неструктурированные входные данные, например абзац текста, и выдавать структурированные данные с указанием того, насколько модель уверена. Вы даете ей данные и вопросы, на которые хотите получить ответ, и заранее определяете пространство ответов. Можно спросить: «Виновен ли этот человек, судя по его описанию?» — и получить "at-fault": 0.92.
Но не стоит просить его решать, принять заявку, отклонить ее или передать сотруднику.
Jev — это то, что получается, когда у DMN и LLM рождается ребенок: гибрид, чья ниша — запутанная середина между структурированными и неструктурированными данными. Он не может превзойти своих родителей на их территории и не может работать в одиночку. Таблицы решений и FEEL лучше справляются с детерминированными входными данными. Иногда его может подстраховать LLM, а человек-проверяющий может применить свое суждение там, где решение неоднозначно.
Поэтому эта статья не отвечает на вопрос «может ли Jev принять решение по страховой заявке?». PoC будет простым... но запуск в продакшен — другое дело.
В продакшене вопрос другой: «можно ли доверять этому в процессе обработки страховых заявок?» Может ли Jev классифицировать как можно больше случаев, не совершая ошибок? И когда она передает дело человеку, останется ли работа проверяющего и аудитора удобной?
Разберём, как настроить нагрузочное тестирование с нуля и встроить его в CI на примере xk6-sip — расширения нагрузочного инструмента k6 для VoIP/SIP-телефонии. На каждый push в GitHub Actions идут шесть функциональных звонковых сценариев и двухминутный нагрузочный прогон с порогами качества, а в артефактах сборки остаётся отчёт: JUnit, итоги k6 и скриншот дашборда Grafana за окно теста.
Это четвёртая статья серии. В первой мы разобрали, как описывать звонки как код и как устроен движок xk6-sip, во второй — настроили мониторинг нагрузки на Prometheus и Grafana. Здесь объединяем их в CI/CD-пайплайн на GitHub Actions, который проверяет АТС на каждый коммит.
Для VoIP/SIP-телефонии автоматизация тестирования в CI исторически давалась тяжело. Классический SIPp описывает сценарии в XML и не отдаёт ни метрики в Prometheus, ни JUnit-отчёт, поэтому в пайплайне его приходится обвязывать скриптами. В xk6-sip сценарий — обычный скрипт k6, а пороги, JUnit и экспорт метрик — стандартные возможности k6.
Нагрузочное тестирование часто живёт отдельно от разработки: раз в релиз инженер вручную запускает прогон, смотрит на графики и пишет отчёт. Деградация при этом обнаруживается через недели после коммита, который её принёс. Автоматизация нагрузочного тестирования в CI сокращает этот срок до минут: пороги производительности становятся quality gates, как юнит-тесты.
Всё ниже — из реального пайплайна репозитория xk6-sip: функциональные тесты занимают 40 секунд, нагрузка с мониторингом — 3,5 минуты, 401 звонок и 2 005 проверок за прогон.
Ко мне регулярно приходят с одним и тем же вопросом, только с двух сторон. Антифрод-инженеры спрашивают, почему нельзя просто забанить подсеть, с которой летит мусор. Разработчики парсеров спрашивают, почему после смены IP их всё равно узнают. Оба вопроса упираются в одну механику, которую обычно рисуют как смартфон, облачко и стрелочку.
Я решил вместо облачка взять телеметрию нашей сети за одни сутки и посмотреть, как эта механика выглядит в числах. Это продолжение статьи «IP сменился, отпечаток остался»: там было про отпечатки, здесь про сам адрес. И начну с поправок к той статье, потому что часть цифр в ней оказалась неверной.
Коротко о главном. Мобильный адрес дорого банить не потому, что прокси какие-то особенные. За одним публичным адресом оператора в один и тот же момент сидят разные абоненты, и это видно даже по нашим собственным модемам: больше половины адресов за сутки побывали у двух и более из них. Откуда это и что из этого следует для обеих сторон, ниже.