Почему программистов? Ну, в 2017 году в Рапид-Сити команда из Санкт-Петербурга в седьмой раз выиграла студенческий чемпионат мира по программированию ACM ICPC. Кроме них, никто 7 раз не выигрывал.

Но чтобы обучить таких программистов, сначала надо было примерно полвека чинить часы и шлифовать линзы. Ещё надо пережить блокаду, эвакуацию в Сибирь и момент, когда вуз чуть не закрылся совсем. В 1956 году там строили свой собственный компьютер для обсчёта оптических схем. Если что, это очень рано для собственных вузовских компьютеров, и никакой устоявшейся технологии даже близко не было.

Вуз родился под конкретную задачу: заменить немецкую оптику своей. Потом полвека кормился советским оборонным заказом. А когда в 1991 году заказчика не стало вместе со страной, можно было пойти и тихо умереть. Но они достали 15 компьютеров, сделали кафедру и очень быстро начали собирать кубки мира.

В менеджерской среде есть изречение: «Управлять можно только тем, что можно измерить». Рискнем его дополнить — данных сейчас генерируется так много, что одного измерения уже мало: «…а эффективно управлять — лишь когда результаты измерений представлены наглядно». В предыдущих статьях про адаптивное администрирование Sigla Vision мы описывали, как собирать данные об изменении объектов BI-системы. Теперь покажем, как представить эти данные наглядно, и приведем примеры наших дашбордов — мы назвали их «системными», чтобы отличать от пользовательских.

Статья пригодится BI-разработчикам и ИТ-специалистам, которые развивают или сопровождают Sigla Vision и другие BI-системы.

Здесь мы разбираем, как системные дашборды помогают решать задачи администрирования Sigla Vision, и прикладываем код для PostgreSQL, который готовит таблицы-источники датасетов для комплексного дашборда «Состояние системы». В нем можно отслеживать, как меняются во времени количественные показатели по объектам: дашбордам, подключениям, ролям, пользователям, рабочим книгам, элементам корзины и т. д.

Массовый средний класс появился относительно недавно — после промышленной революции. И сейчас он постепенно сужается. Рутинный и офисный труд вымывается, но растёт спрос на высококвалифицированных специалистов — STEM, медицина — и то, чем не смогут заниматься роботы. Сложнее всего роботам приходится в непредсказуемой физической среде: уход за людьми, стройка, монтаж, ремонт, полевые работы, ручная доводка на производстве. То есть там, где нужно постоянное адаптивное суждение, с которым алгоритмы справляются хуже всего.

ИИ не уничтожает профессии целиком, но очень меняет рынок. В первую очередь это бьёт по образованию, а уже потом по всему остальному. Сильнее всего под удар попадают менеджерские задачи, которые держатся на сборе статусов, пересказе документов, базовой аналитике и типовых решениях — потому что анализировать информацию и обобщать сведения ИИ уже в среднем умеет лучше людей.

Вы, наверное, слышали, что все перейдут в будущем на новое шифрование, и на квантовые компьютеры банкам будет плевать.

Основная проблема в том, что трафик собирается уже сейчас, чтобы, когда кубит будет доступен условно «каждой домохозяйке», пооткрывать эти пакеты.

Итак, есть такая штука — CRQC, или криптографически релевантные квантовые компьютеры. Они пока больше фантастика, но вроде как из-за последних сдвигов в сборке логических кубитов с коррекцией ошибок уже не такая дальняя, как термояд. Они угрожают криптографии на эллиптических кривых, поэтому сейчас активно переходят на постквантовые алгоритмы.

На текущий момент в Америке принят стандарт, что системы национальной безопасности с 2030 года должны быть на постквантовой криптографии, а полный переход нужен в 2035. Вот их план перехода.

Если что, RSA-2048 теоретически взламывается за неделю на квантовом компьютере с менее чем миллионом шумных кубитов. Это в 20 раз меньше, чем оценивалось в 2019. И тут же IBM обещает машину на 200 логических «чистых» кубитов к 2029.

В конце XIX века обувь была медленным бизнесом.

Сидит сапожник, шьёт ботинок. Потом ещё один. Хорошая пара обуви покупалась, чтобы правнуки донашивали. Промышленная революция уже грохотала по Европе, коснулась машин и станков, но не тронула главного — того, как организована сама работа. Пока обувщики спорили о качестве ручного шва, один человек считал себестоимость, дробил производство на операции, ускорял логистику и открывал фабрики.

Томаш Батя собрал прототип современной корпорации с метриками, вертикальной интеграцией и прочим блэкджеком ещё до того, как всё это стало стандартом.

Продолжаем серию «Адаптивное администрирование Sigla Vision». Разберем кейсы, где триггеры в базе FineDB помогают решать задачи администрирования Sigla Vision.

Привет, Хабр! Меня зовут Всеволод Коваленко. В Газпромбанке я занимаюсь развитием функционала BI-системы на базе Sigla Vision.

В предыдущей статье «Версионирование таблиц репозитория метаданных Sigla Vision» мы разобрали исторические таблицы, которые хранят данные о состояниях записей в БД. Версионирование таблиц мы тоже строили на триггерах FineDB. Теперь покажем, как те же триггеры решают еще ряд задач администрирования Sigla Vision.

За последние 70 лет этику в науке переписали почти полностью. Если в 50-х учёные уровня Сахарова и Оппенгеймера думали, как бы не взорвать планету, то сейчас много крутится вокруг гуманизма и прав человека.

Понятно, это замедляет исследования — и иногда фатально для смертельно больных, которые могли бы получить какое-то лекарство быстрее. С другой стороны, базовые этические нормы появились не от хорошей жизни, а как реакция на дикие эксперименты.

Например, больным сифилисом в Таскиги умышленно не давали лекарства десятилетиями, чтобы понаблюдать за инфекцией ради «научного интереса».

Текущий фреймворк говорит, что гуманность часто важнее открытий. Одно неверное или предвзятое решение может аукаться нам годами. Например, движение антиваксеров до сих пор сводит врачей с ума. В 1998 году врач Эндрю Уэйкфилд опубликовал в авторитетном журнале исследование, в котором доказал связь между прививками и развитием аутизма у детей. Позже выяснилось, что выборка была крошечной, а Уэйкфилд подтасовал данные из-за прямого финансового интереса в дискредитации вакцины.

Статью позже отозвали, а врача лишили лицензии. Но и этику обновили тоже.

Ещё в этических вопросах опыты на животных и обменные курсы жизни обезьяны к жизням рыбок и мышей.

Поэтому давайте поговорим о том, как же выглядит этика в науке сейчас и как она к этому шла.

У гражданина Российской Федерации или гостя страны может быть целый набор документов, удостоверяющих личность. Вот прошлый раз в статье про СНИЛС. мы обсуждали ситуацию со сменой паспорта, а в комментариях был поднят вопрос об альтернативных документах.

Теперь представьте ситуации:

— Приходит человек, показывает паспорт, а по базе данных МВД паспорт недействителен по причине смерти владельца. Это может быть сбой обращения к СМЭВ, смерть однофамильца и ошибка оператора в ЗАГСе и так далее. Но банк ему денег дать не может, надо идти в МВД и обновлять базу через них.

— Справка 2П — даётся, например, погорельцам в МВД. Это легитимный документ, но там просто распечатка на принтере и фото. Её очень легко подделывают. Решения лучше, чем переключение на ИБ и многократные проверки вопросами про транзакции, факты о счёте и тому подобное — пока нет. До кучи в ней же часто путают Е и Ё, и это вообще ужасная комбинация.

И это мы сейчас не смотрим на попытки показать загран в момент замены паспорта в 45 лет, обслуживание по справке об освобождении, действительным паспортам 1974 года, прописке оленеводов (а кочевье должно иметь КЛАДР, но не может в принципе), смену пола и внешности (такое тоже случалось, а пол во многих системах считается неизменным — надо заводить нового клиента и триггерить этим систему комплаенса, реагирующую на очевидное отмывание денег), рассинхрон ИНН и СНИЛС и так далее.

Американский банк собрал в свой фонд 650 миллионов долларов, чтобы скупить доли в биотех-стартапах. Финансисты получили прямой доступ к лабораториям, которые занимаются генной инженерией.

Их цель — первыми узнать, когда люди смогут жить до 120 лет. Это нужно для спасения пенсионной системы. Американская пенсионная математика завязана на актуарных таблицах. Сейчас модели рассчитаны на дожитие до 80—87 лет. Если возраст вырастет, то фондам придётся платить дольше и появится риск долгожительства.

По той же логике инвестируют в климатические исследования. В 2020 году ураган «Лора» остановил 84% добычи нефти в Мексиканском заливе. Цены на нефть тогда взлетели сразу. Тот, кто знал путь урагана заранее, купил нужные контракты первым.

Схема одна: кто быстрее превращает научные данные в модели риска и продукты — тот зарабатывает. Разбираемся, какие лаборатории открывают финансовые гиганты и зачем им квантовые исследователи в штате.

Продолжаем серию публикаций «Адаптивное администрирование Sigla Vision».  

В предыдущей статье мы изложили основную концепцию построения объектной модели (ОМ), подробно разобрали сборку данных таблиц и привели код для ее развертывания.

В этом материале расскажем, как построить систему версионирования для репозитория метаданных Sigla Vision (БД FineDB). Самой FineDB такая информация недоступна — там в основном данные только о текущем состоянии системы.

Версионирование помогает оценить реальное использование таблиц и увидеть динамику объектов. На основе исторических данных у нас построено несколько системных отчетов, которые мы регулярно используем в работе.

Описанный подход не привязан к Sigla Vision — он применим к любой аналитической системе, где метаданные хранятся во внешней СУБД с поддержкой триггеров.

Гражданина РФ можно однозначно идентифицировать по нескольким документам. Например, по паспорту. Но по актуальным законам с 21 года отметка о ранее выданном паспорте стала необязательной.

Если человек поменял паспорт и фамилию, то его невозможно увязать со старым профилем.

Можно было использовать телефон (идея так себе), медполис, ИНН, СНИЛС и ещё пару документов. СНИЛС оказался самым стабильным и надёжным, и поэтому он сейчас постепенно становится основным документом для многих систем.

Когда я впервые услышал про «проблему СНИЛС в банковских системах», мне показалось, что это что-то скучное из разряда HR-документооборота. Зелёная ламинированная карточка, которую вы получили один раз и забыли в ящике стола.

Но, собственно, во-первых, вы, возможно, про него многое не знаете, а во-вторых, оказалось, что там не всё так просто.

21 мая 1901 года в Москве умер Гаврила Солодовников — один из богатейших (и при этом патологически скупых) людей Российской империи. Ходили байки, что он экономил на еде, давал крошечные чаевые, носил заплатанный халат и т. д. Короче, был максимально аскетичным в быту человеком.

Но с миллионами в банке. 

После его смерти семье перепало около 830 тысяч рублей, а 20 миллионов ушло на благотворительность: образование для женщин, профшколы и дома дешёвых квартир в Москве. Причём он очень точно сформулировал техническое задание, чтобы деньги не пошли на «благотворительность вообще».

Треть выделил именно на дома. Это должны были быть не приюты или ночлежки, а нормальное жильё, которое само окупалось бы за счёт аренды.

Город вместе с душеприказчиками просчитал экономику, купил землю, провёл архитектурные конкурсы и построил два огромных дома — для семейных и для одиноких. С лифтами, электричеством, банями, прачечными, столовыми, детсадами и библиотеками.

По цене, доступной обычному рабочему.

Но что-то пошло не так. Проблема была не в деньгах, не в строительстве и даже не в спросе.

Будем честны: несмотря на невинно избиенных роботов Boston Dynamics, робособак с индийским акцентом, патрулирующих под покровом ночи улицы Сан-Франциско, и успехи серии Neo в загрузке посудомоек, Китай обошел США по части роботов. Пока масс-маркетный Unitree G1 распугивает свиней в Польше, другие модели занимаются серьезными вещами. Так, только в 2024 году в самом Китае было установлено 295 000 промышленных роботов — это больше, чем в любой другой стране. 

И вот теперь что-то похожее на тихий китайский захват происходит и с областью нейроинтерфейсов. 

Живая реклама Neuralink — Нолан Арбо, появляющийся в эфире то у Джо Рогана, то у Мистера Биста, — 1 из 21 пациента, которым с 2024 года установили девайс. Тогда как никому не известный по эту сторону планеты имплант NeuroXess вживили уже 54 людям, причем почти всем — за 2025 год.

К концу 2025-го Поднебесная издала документ, в котором без обиняков заявила, что собирается к 2030-му достичь в отрасли интерфейсов «мозг-компьютер» (BCI) мирового господства. Западный мир был изрядно удивлен, узнав, что кроме интерфейсов для виляния фурри-хвостами в Китае есть полноценные исследования в области BCI — более того, их уже свыше 10. Пациенты, которым были имплантированы кортикальные BCI-массивы, управляли приложениями, играли в шахматы, а мужчина, потерявший все четыре конечности из-за удара током, гонял в машинки.

Да, Китай начал позже, чем США (1990-е против 1970-х), но и движется он быстрее. Как резонно отметил профессор нейробиологии, содиректор Центра нейроинженерии при Джорджтаунском университете Макс Ризенхубер: «Мы знаем, что Китай силен в преобразовании фундаментальных исследований в практическое применение и коммерциализацию. Мы видели это в других отраслях, таких как фотовольтаика и электромобили. Для BCI-интерфейсов это будет иметь решающее значение».

В 1981 году австрийский экономист Деннис Дж. Сноуэр опубликовал научную работу «Макроэкономическая политика и оптимальное уничтожение вампиров». Там уравнения, теоремы, гамильтонианы и один контринтуитивный вывод, который переворачивает всё, что мы знали об охоте на вампиров.

Убивать их всех — невыгодно. Оптимальное количество вампиров больше нуля. На этом настаивает математика.

И вот почему.

Пока мы воспринимаем свои промпты как обычный текст из символов, для LLM они в виде токенов «выглядят» совсем иначе. И если не осознавать этого, порой можно наткнуться на проблемы. Поэтому полезно (и интересно) понимать: что вообще представляют собой токены? По какому алгоритму текст преобразуют в них и обратно? Какие важные нюансы при этом возникают?

Возможно, подробнее и понятнее всех объяснил пару лет назад ИИ-рисерчер Андрей Карпатый, записав двухчасовое видео на английском. А теперь мы решили сделать хабрапост, который и пересказывает на русском главное из этого видео, и делает поправку на прошедшее время, и учитывает другие источники (вроде книги «Build a Large Language Models from Scratch»). Описанное применимо к мейнстримовым LLM вроде GPT, в других моделях возможны отличия.

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?