Все потоки

Десятилетиями технологические гиганты могли использовать юридический щит, позиционируя свои платформы как «нейтральные инструменты» для общения, а ответственность за любой вред перекладывая на самих пользователей или их родителей. Но всего за два дня в марте 2026 года этот карточный домик начал рушиться. В этой статье мы разберем два судебных решения, которые могут радикально изменить правила игры для всей цифровой индустрии. Instagram*, YouTube и другие соцсети впервые на таком высоком уровне были рассмотрены не как «доски объявлений», а как продукты, сознательно спроектированные для удержания внимания и потенциально — для формирования зависимости.

Важно понимать: каждое из этих дел — настолько масштабное, что само по себе тянет на отдельную большую статью. В них переплетаются вопросы права, архитектуры алгоритмов, поведенческой психологии, безопасности пользователей и ответственности платформ. Поэтому здесь мы сознательно не уходим в избыточные детали, а собираем общую картину — чтобы показать, что именно произошло, почему это важно и как эти процессы связаны между собой.

Цель этой вводной статьи — разложить по полочкам два ключевых судебных кейса и зафиксировать главный сдвиг: переход от идеи «платформа не отвечает за пользователей» к идее «компания отвечает за дизайн своего продукта и его последствия».

Во второй части мы разберем, что стоит за этим с технической точки зрения. Поговорим о том, как устроены алгоритмы рекомендаций, почему они способны формировать зависимость и на каких данных и моделях они работают. Осветим, как устроена модерация у IT-гигантов на уровне архитектуры и процессов. И отдельно посмотрим на три глобальные модели регулирования, которые уже формируются в разных странах.

AI-фильтр удалил мой блог и навсегда заблокировал аккаунт — без объяснений... Разбираю, как работает автоматическая модерация, почему она ошибается и кто в итоге отвечает за такие решения.

Твой тимлид открывает Jira и смотрит на статистику: за две недели ты завел три дефекта. Три. Он спрашивает, чем ты занимался все это время. Ты начинаете объяснять про двадцать багов, исправленных через личку с разработчиками. Он кивает и говорит: «Понятно. Но в системе этого нет».

Через неделю тебя включают в список на сокращение. Это не страшилка. Это реальность для тестировщиков, которые считают, что быстрая личка эффективнее формального баг-трекера. В этой статье я расскажу, с какими рисками сталкиваются тестировщики ЛАНИТ и других ИТ-компаний, когда заменяют баг-трекер личными переписками, и как это защитит твою карьеру.

На распределительных складах одна из главных задач — сортировка грузов. Коробки нужно сгруппировать в нужной точке с учетом их массогабаритных характеристик и адреса назначения. На одном из таких складов запустили автоматическую линию сортировки на 41 направление.

Производительность линии достигает 4000–5000 коробок в час. Но главная задача проекта заключалась не в автоматизации самого конвейера. Интегратору нужно было связать между собой три независимые системы: систему машинного зрения, складскую систему учета (WMS), систему управления конвейером. Кроме того, нужно было создать пользовательский интерфейс и организовать удаленный доступ к системе.

В статье подробно разберем это решение.

Приходите к нам на WBCE 2026 — выставка и конференция по автоматизации. Отчёты с прошлых выставок.

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.

При проектировании многоэтажных зданий в nanoCAD BIM Строительство проектировщики регулярно сталкиваются с необходимостью многократного копирования элементов модели между этажами. Повторяющиеся конструкции — стены, перекрытия, проемы и другие элементы требуют быстрого и корректного переноса, чтобы избежать ручной работы и снизить риск ошибок.

В таких задачах помогает инструмент копирования между этажами, реализованный в nanoCAD BIM Строительство. Он позволяет переносить элементы модели на другие уровни проекта и ускоряет формирование типовых этажей.

В статье мы рассмотрим работу этого инструмента на практическом примере. Для этого поэтапно сформируем модель этажа и разберем основные шаги подготовки проекта. Начнем с создания сетки осей и настройки параметров, необходимых для корректной работы модели. Параметры осей, используемые в примере, приведены в таблицах 1-3...

Анимация: генерирует последовательность из 255 высокоточных кадров в формате BMP (frame_000.bmp ... frame_254.bmp) и автоматически компилирует их в видеоролик (файл Mandelbrot.mp4) с частотой 30 кадров в секунду, используя встроенный FFmpeg.

Скачать последнюю версию (Windows и Linux)
В windows это Mandelbrot_windows.exe и ffmpeg.exe
https://github.com/Divetoxx/Mandelbrot-Video/releases
Выше README содержит English и Русский!

FFmpeg - "швейцарский армейский нож" для обработки видео. В 2026 году он остается отраслевым стандартом, поддерживаемым сообществом разработчиков открытого программного обеспечения. От YouTube и Netflix до профессиональных киностудий - все на него полагаются. И да, он совершенно бесплатный.

Привет, Хабр! Это Сергей Перевозчиков, основатель агентства контекстной рекламы «КонтекстЛаб». Когда я захожу в такие проекты, первый вопрос, который себе задаю: как вообще отстроиться от тысяч конкурентов, которые продают одно и то же — да ещё и демпингуют до «услуги за 1 рубль»? И второй — где именно в воронке та самая пробоина, через которую утекают заявки вместе с рекламным бюджетом?

С такой ситуацией к нам пришла медицинская лаборатория. Реклама работала в минус, а роста не было. Мы начали с базы: сформулировали честное УТП, убрали из продвижения немаржинальные услуги, пересобрали товарные фиды, сделали акцент на поиске и отдельно переработали подход к работе отдела продаж.

В результате проект прошел путь от убыточной рекламы до шестикратного роста заказов на сбор анализов. Этот кейс — про системную работу: когда результат дает не один инструмент, а правильная сборка всей воронки.

Рассуждаем на тему того, что AI-агенты радикально скукожили привычный нам цикл разработки.

ИИ-инфлюенсеры утверждают, что скрам больше не нужен, тестировщики не нужны, всё сделает агент. Реальность интереснее: этапы сжимаются по-разному в зависимости от контекста.

В greenfield — минимум контроля, observability вместо code review. В brownfield — AI генерирует, человек валидирует. А там где много регуляторки ускорение есть, но и ответственность никуда не делась.

Я коуч, специализирующийся на выгорании и нейроотличиях в IT. И я сильно злюсь. Злюсь, как живой человек, который регулярно разгребает последствия того, о чём на Хабре пишут как об успешном кейсе.

Недавно вышла статья про то, как избавляться от незаменимых сотрудников. Там bus factor, ротация, работа вслух, и финальный аккорд – «в сложный период ушло 40% команды, но мы не сорвали ни одного релиза». Подаётся как успех менеджера. Я хочу поговорить про другое: про тех, кто такие статьи поддерживает и несёт их в мир и презентации. Не лично про людей – про тип мышления, который производит такие тексты, такие команды и моих будущих клиентов.

Одна из ключевых проблем ИИ — склонность к «галлюцинациям», то есть к генерации убедительно звучащих, но ложных ответов. Яркий пример на картинке :) Как это можно исправить или улучшить? Есть разные способы. Одно из самых простых решений, позволяющих значительно повысить точность и достоверность ответов, — RAG (Retrieval Augmented Generation). Это генерация с дополненной выборкой. 

Меня зовут Михаил Костецкий, я управляющий эксперт отдела обеспечения качества в ПСБ. Мы в коллегами сейчас тоже пробуем использовать технологию RAG в разных задачах — в своей статье я хочу поделиться этим опытом. Буду рад, если моя статья станет полезна тем, кому предстоит работать с методом. 

Все началось с довольно прикладного спора с коллегой об одном агентном решении. Мы не могли сойтись во мнении, что именно вообще стоит называть Ralph loop, так что пришлось лезть в интернет за пруфами. А дальше случился один из тех раздражающих моментов, когда чем больше читаешь, тем больше тумана. 

Постепенно стало ясно, что под «Ralph loop» уже начинают понимать очень разные, а иногда и почти противоположные вещи. И это не просто мое ощущение: вокруг Ralph довольно быстро появились публичные пересказы, упрощающие его по‑разному [1], [2], [3], а затем и публичные поправки к этим интерпретациям — [4], [5], [6], [7].

И поэтому любой разговор о нем очень быстро начинает напоминать сцену из Spider‑Verse: «все вроде говорят про одного и того же Человека‑паука и каждый уверен, что именно его версия и есть настоящая.»

Давайте разложим все по полочкам. А Питеров Паркеров Ральфов по их мирам.

Среди существующих реализаций встречаются следующие варианты — см. Таблицу

Всем привет! Недавно я рассказывал о том, как мы создали для риелторов сервис автоматической генерации stories в нашем мобильном приложении.

Сегодня я поделюсь тем, как мы продолжаем улучшать эту фичу и к каким результатам это привело. 

Представьте, что вам надо настроить камеры для целого города или очень большого завода, где их сотни или тысячи. Как сделать это удобно и не сойти с ума от конфигурирования каждой из этой тысячи?

У нас в конфигураторе Macroscop камеры организованы в виде «дерева».

Привет. Меня зовут Николай Пискунов, я руководитель направления Big Data. В Beeline Cloud у нас есть место для экспериментов — и я этим пользуюсь. Недавно я работал над шахматным ботом для игры по переписке в Телеграм. Одна из ключевых задач — генерация изображений шахматной доски из FEN-нотации.

Усвоение новой информации очень похоже на наращивание мышц. Есть период тренировок, когда важно нагружать ткани и прикладывать усилия, и период восстановления. Но если большинство людей тренируется по принципу: «понедельник, среда, пятница», то существует ли оптимальный тайминг для обучения? Исследователи обнаружили оптимальный интервал на уровне клеток, который способствует развитию и укреплению памяти.

Строгая типизация не всегда спасает от глупых ошибок. Если userId, orderId и productId — это один и тот же Int или Long, компилятор не увидит разницы и спокойно пропустит неверный аргумент. В Scala 3 для таких случаев есть opaque types: они позволяют сделать доменные типы различимыми на этапе компиляции, но без лишних обёрток и накладных расходов в рантайме. Разберём, как это работает и чем этот подход лучше type alias, case class и AnyVal.

У меня простое правило: если задача повторяется больше двух раз - её пора делегировать. Раньше делегировал людям. Теперь - AI-агентам, которые работают с базой данных, таблицами и трекерами напрямую.

Если что-либо можно измерить числами, то это уже вселяет оптимизм. Значит мы имеем дело с более-менее понятным объектом или явлением, которое можно описать устоявшимися правилами. И, казалось бы, что тут такого, измерить влажность почвы? Вроде простоя и понятная задача, но в ней всё оказывается не так уж просто. Давайте разбираться!

Индустрия ИИ сегодня напоминает строительство Вавилонской башни. Пока гиганты вроде OpenAI, Google и Meta соревнуются, кто закупит больше H100 и сожжет больше мегаватт, я разрабатываю детерминированное ИИ-ядро на обычном MacBook Air M2 (8GB RAM). В этой статье я расскажу, почему текущий путь развития нейросетей - это тупик, и как математика O(1) на языке Rust решает проблему галлюцинаций.