Речь о процедурно‑параметрическом программировании, о котором почти никто не пишет. Я реализовал одну и ту же задачу в ООП и в этой парадигме и сравнил их численно. Одна из метрик разошлась в 6 раз.
Есть код, который физики передают друг другу с 2002 года. Кристиан Мэтцлер из Бернского университета написал набор MATLAB‑функций для расчёта рассеяния Ми, физики, из‑за которой небо голубое, а молоко белое. В 2009-м Стивен Жак обернул его для тканевой оптики, и с тех пор эти полторы сотни строк разошлись по тысячам работ, от атмосферных исследований до лазерной медицины.
RAG уже стал стандартным способом научить LLM работать с собственными документами без дорогостоящего дообучения. Но за кажущейся простотой скрывается множество практических вопросов: как разбить документы на чанки, где хранить эмбеддинги, как организовать быстрый семантический поиск и какую модель использовать на каждом этапе.
В статье соберем полностью локальную RAG-систему на Go, PostgreSQL и Ollama без облачных API и сторонних сервисов. Разберем весь путь — от индексации документов до получения ответа LLM на основе найденного контекста.
В прошлой части я разобрал хранилища — тома, bind mount, tmpfs. В третьей части (в этой) планировалось добраться до сети. До неё дойдём, но прежде чем разбирать, как сервисы общаются друг с другом, стоит на секунду остановиться и разобрать сам файл, в котором мы всё это описываем. Потому что compose.yaml — это спецификация со своими top-level разделами, правилами слияния, подстановкой переменных и кучей мелких нюансов, которые легко упустить, если читать документацию по верхам.
Эта часть, по сути, большой справочник по структуре Compose-файла: держите статью под рукой и возвращайтесь к ней, когда понадобится конкретный атрибут.
Мы привыкли думать о безопасности ИТ‑систем в терминах DDoS‑атак, уязвимостей и утечек данных — и это правильно. Но есть угроза, которая не связана с кодом, не прячется в логах и не лечится патчами: обычный огонь. Пожар в серверной способен за считанные минуты превратить дорогостоящую инфраструктуру в груду оплавленного металла — и тут уже никакие бэкапы не помогут.
Для ИТ‑инфраструктуры задача огнетушителя — не просто сбить пламя, а локализовать возгорание, не превращая оборудование в безвозвратный утиль. Поэтому к выбору ручного средства пожаротушения стоит подходить как к настоящей инженерной задаче: учитывать классы пожаров, особенности действующего вещества, температурный режим, последствия для техники и даже планировку помещения.
В этой статье разберём основные типы огнетушителей, посмотрим, как они работают, какие у них сильные и слабые стороны — и главное, какой из них реально имеет смысл держать рядом со стойкой серверов. Спойлер: ответ не всегда очевиден, а иногда и прямо противоречит привычным стереотипам. Поехали.
AI-агент сегодня — это как джуниор, чью работу обязательно должен проверить сеньор. Разбираемся, почему искусственный интеллект не так всемогущ, как кажется на первый взгляд, почему он не терпит беспорядка и где сворачивает не туда.
Вы когда‑нибудь получали сообщение от мошенников? Там обычно что‑нибудь про службу безопасности банка, якобы вам нужно перевести деньги на некий безопасный счет, и тогда ваши сбережения останутся в безопасности. В локальных сетях на уровне L2 работает то же самое. Вместо сообщений — DHCP‑пакеты, вместо денег — ваши данные (а они в наше время — очень ценный ресурс).
DHCP spoofing — одна из самых распространённых и неприятных атак. Вопрос защиты от нее стоит особенно остро в сфере КИИ.
Мы с Семеном (соавтором) решили взять три самых популярных устройства, натравили на них 90 атак и выяснили, кто же лучший.
Введение
Кажется, что нейросети могут все. Мы видим результат их работы в системах распознавания лиц, видеоаналитике. Нас поражает умение нейросетей рисовать изображения, распознавать и синтезировать голос, а большие языковые модели уже давно проходят тест Тьюринга и ведут беседу как живые люди. Но, как показал мой эксперимент, в задачах кредитного скоринга они нисколько не лучше классических ML-моделей. В этой статье я расскажу, как решающее дерево, случайный лес, бустинг и даже многослойная нейросеть упираются в один и тот же потолок на данных кредитного скоринга.
Ход эксперимента
В качестве датасета были взяты данные кредитного скоринга с https://www.kaggle.com/competitions/GiveMeSomeCredit. Сначала мы обучили решающее дерево, с кросс-валидацией. График зависимости roc-auc от количества элементов выборки (Ореол вокруг кривой – это дисперсия (разброс) при кроссвалидации):
Привет, Хабр! Меня зовут Андрей Квапил, я основатель Ænix — мы делаем открытую облачную платформу Cozystack и помогаем компаниям строить инфраструктуру. Мы полностью удалённая компания: 15 человек, несколько команд (две reliability-команды, команда разработки, маркетинг, бэкофис и т.д.), живем в разных часовых поясах. Поначалу мы жили в GitHub Projects, но когнда начали расти, резко упёрлись в ограничения текущих процессов: задачи размазаны по доскам и чатам, на утреннем синке половина времени уходит на выяснение «а что там у нас вообще в работе», незапланированная работа съедает весь день и нигде отдельно не видна.
Эта статья — история о том, как мы решили эту проблему инструментом aeman, который разработали сами и недавно заопенсорсили. Но начать придётся издалека.
Приветствую всех!
Не так давно тут уже рассказывали про съёмку в ультрафиолете и всё, что с этим связано. И вот, прочитав ту статью, я вспомнил, что у меня есть намного более антуражный источник мягкого УФ и что в своё время я и сам рассматривал в его лучах много интересного. Сам автор той статьи одобрил мою идею написать про данный артефакт, так что самое время рассказать и о нём.
Итак, сегодня вновь затронем тему изучения чего бы то ни было в УФ-лучах. Посмотрим в работе на один довольно интересный прибор, посмотрим на разные артефакты в этом свете, ну и, конечно, узнаем, как ещё можно использовать такой девайс дома. Как водится, будет много интересного, а местами ещё и красивого.
Каждый айтишник, который хоть раз стоял «на красном» на пустом перекрестке в три часа ночи, думал одно и то же: «Да я бы это за выходные пофиксил».
Я тоже так ненароком подумал. Потом начал разбираться, как устроено управление светофорами и выяснил кое-что интересное. Оказывается сама постановка задачи «как оптимизировать светофоры» при ближайшем рассмотрении рассыпается на глазах. Неочевидно, но это не задача оптимизации в том смысле, в котором мы привыкли. И самое обидное, что компьютер тут не главное бутылочное горлышко.
Давайте по порядку, потому что путь от «я исправлю это за выходные» до «а, вот почему до сих пор не пофиксили» это, честно, лучшая экскурсия по тому, чем реальная инженерия отличается от академической.
Я протестировал свинцовые аккумуляторы GoPower, предназначенные для работы в источниках бесперебойного питания, генераторах с автозапуском, а также в системах видеонаблюдения, сигнализации и другом оборудовании.
Привет! Я Александр Субботин, руководитель отдела разработки Content AI.
За четыре года в этой роли я провел больше 50 собеседований, собрал 8 команд и несколько раз разруливал ситуации, когда топ-менеджмент считал, что команда демотивирована и с этим надо что-то сделать. Спойлер: в 90% случаев проблема была не в мотивации.
В этой статье я собрал кейсы из практики по мотивации на всех этапах и один простой вопрос, который изменил мой подход к управлению командой.
Мой игровой ПК с 5800×3D переехал в шкаф в прихожей и стал домашним сервером, а играю я теперь на телевизоре, Steam Deck и ноутбуке — стримом с него же. В этой статье расскажу, почему мне не подошла привычная связка Sunshine + Moonlight и как вместо неё поднять Wolf из проекта Games on Whales, о котором на русском, кажется, ещё не писали: свой виртуальный дисплей под каждого клиента, несколько сессий одновременно и никакого Steam на хосте. Отдельно — про главные грабли: с Wolf не работает официальный проброс NVIDIA‑драйвера, и после каждого обновления стриминг молча умирал, пока я не научил сервер чинить себя сам.
«Bad CaRMa» — глава из Dreaming in Code Скотта Розенберга (каламбур на CRM и «карму») про CRM-систему Vision в компании Upstart. Архитектор задумал предельно гибкую схему: одна-единственная таблица DATA, куда сложили все 150+ бизнес-сущностей — 240+ колонок с именами вроде string82 и numeric31, метаданные и данные вперемешку. Схему ведь больше «никогда не придётся менять».
Языковая модель пишет двадцать пар «вопрос и ответ» для карточки товара меньше чем за минуту. Проблема начинается после. Чтобы ответы были верными, модели нужны факты компании: цены, сроки поставки, условия гарантии. Чтобы вопросы попадали в тему, ей нужен текст самой страницы. И как только то и другое лежит в одном окне контекста, у любой чужой страницы появляется голос внутри системы, которая знает данные компании и умеет вызывать инструменты.
В этой статье я подготовил обзор широко известной и доступной в продаже микросхемы Flash NAND памяти GD5F1GQ5xExxG. Согласно маркировке, это микросхема энергонезависимой NAND-памяти GigaDevice емкостью 128 МБ с доступом по интерфейсу SPI. Во второй части я расскажу, как установить на эту микросхему LittleFS — отказоустойчивую файловую систему, разработанную специально для микроконтроллеров.
За последний год в мире больших языковых моделей произошел заметный сдвиг. Если раньше основным предметом соревнования были знания модели — насколько хорошо она отвечает на вопросы (общие или специальные), знает факты или пишет код, — то со временем фокус сместился на способность рассуждать.
Практически каждый крупный релиз последних месяцев позиционируется как reasoning-модель. Производители говорят уже не столько о знаниях, сколько о способности строить длинные цепочки рассуждений, решать сложные задачи и принимать решения в условиях неопределенности.
Но вместе с этим возникает закономерный вопрос: а как объективно измерять reasoning?
Сколько времени вам нужно, чтобы сложить футболку? Секунды три, если аккуратно. Пять, если совсем аккуратно.
А теперь другой вопрос. Как вы думаете, сколько лет понадобилось мировой робототехнике, чтобы машина сложила ту же футболку сама — без жестко прописанной программы, без специальной оснастки, просто взяв мятую тряпку из корзины?
Отвечаю: примерно шестьдесят. Первый промышленный робот встал на конвейер General Motors в 1961 году, а уверенно складывающего белье робота впервые показали осенью 2024-го. И это, честно говоря, было событием покрупнее многих громких презентаций.
Не знаю как для вас, но для меня, с того самого первого момента, когда я стал интересоваться электроникой, существовала одна, скажем так, «загадочная» :-) сущность, разобраться в сути которой мне всегда было интересно — конденсаторы переменной ёмкости!
Хотя бы даже по той простой причине, что в те далекие (почти уже былинные) времена, когда у меня впервые начали возникать вопросы подобного рода, переменные конденсаторы достать было весьма проблемно (для собственных экспериментов; несмотря на то, что они повсеместно присутствовали в «музыкальных центрах» (радиоприёмник + проигрыватель пластинок) прошлого — «радиола»-х).
Да и, кроме того, в обыденной практике подобные конденсаторы не часто встречаются (как потребные для самоделок), что, опять же, уменьшает количество поводов с ними «пообщаться поплотнее» (хотя, если память мне не изменяет, их частенько предлагалось использовать в составе схем самодельных металлоискателей — будучи школьником я как раз пытался собрать нечто подобное, но отказался из-за отсутствия подобного конденсатора под рукой).
Ну и в целом, как выясняется, переменные конденсаторы как класс представляют собой очень интересный объект для рассмотрения, чем мы сегодня и займёмся!