Моя лента

Внешний API возвращает данные в своей модели. Названия полей, вложенные объекты, изображения, цены и правила пагинации принадлежат provider. UI приложения обычно работает с другой моделью. Если компонент читает event._embedded.venues[0].city.name напрямую, структура внешнего ответа распространяется по интерфейсу. Изменение API затрагивает карточки, detail page, search, metadata и тесты.

В App Router внешний запрос можно выполнять на сервере. Server Components работают с fetch, а серверный код не попадает в клиентский bundle. API key при такой схеме остаётся вне браузера. Документация Next.js описывает server-side data fetching для App Router. В учебном проекте EventMap внешний источник событий проходит через server API слой.

Microsoft недавно представила Copilot Cowork — инструмент на базе ИИ‑агентов, способный автоматизировать множество рабочих процессов, включая разработку приложений. Теперь компания предупредила пользователей о мерах предосторожности при работе с ним. 

Генератор учебных заданий положил «маши…ый» в правильную корзину, а проверка переложила слово в неправильную. При этом модель-арбитр в своём же объяснении написала «машинный». Разбираем по сохранённым ответам три сбоя проверяющей модели: что пошло не так в процессе, что поменяли в коде и чего эти правки не доказывают.

Я отвечаю за маркетинг в B2B ИТ: серверы и системы хранения данных для корпоративных заказчиков. Закупка идёт через тендерные процедуры, цикл сделки измеряется месяцами, чек измеряется миллионами. В начале августа я разбирал два рекламных кабинета в Яндекс Директе, которые до меня вели несколько лет.

Повод для разбора дала сверка с системой учёта клиентов. Из нескольких десятков заявок с сайта за период целевыми оказались единицы, меньше пяти процентов. Дальше выяснилось, что через Директ за тридцать дней в компанию не пришло ни одной заявки вообще, при живом расходе.

Ниже девять поломок, которые нашлись в кабинетах, и чек-лист, по которому я теперь захожу в любой незнакомый кабинет. Ни одна из девяти не экзотика, каждая проверяется руками за несколько минут.

Нужны ли нам квантовые компьютеры для полного понимания сложных химических реакций? Новый результат, на который ушли десятилетия, показывает неожиданную мощь обычных «классических» машин.

Больше всего Гарнета Чана интересует фундаментальная наука. Он занялся химией несколько десятилетий назад, чтобы понять некоторые из наиболее важных биохимических процессов на Земле.

Но с тех пор он стал центральной фигурой в другой области: в дебатах о том, будут ли квантовые компьютеры иметь решающее преимущество перед обычными «классическими». За последнее десятилетие многие исследователи квантовых вычислений определили те самые реакции, которые изучает Чан, как сферу, в которой квантовые компьютеры должны показать своё преимущество. Однако Чан давно сомневается, что мощные квантовые компьютеры — до появления которых ещё годы — будут необходимы.

«Мой главный интерес — решение химических задач. Если классические компьютеры — подходящий инструмент для этого, то мы должны ими пользоваться», — сказал он. Чан верит, что со временем квантовые компьютеры сыграют в химии важную роль. Но, по его словам, «я не вижу причин ждать, когда построят отказоустойчивый квантовый компьютер».

Теперь у него есть результат, который подкрепляет эту позицию.

Несколько удачных фотографий сами по себе ещё не становятся коллажем. Их нужно расположить на одном холсте, подобрать фон, выровнять размеры, добавить рамки и решить, какой снимок будет главным. В обычном редакторе всё это приходится делать вручную, а нейросеть может предложить готовую композицию по текстовому описанию.

В этой инструкции соберём классический фотоколлаж из четырёх женских портретов — каждый исходник останется самостоятельной карточкой, а нейросеть добавит компоновку, рамки, эффект бумажных слоёв и декоративные детали.

Задумались о том, чтобы вынести все UI-компоненты вашего проекта в дизайн систему? Или уже находитесь в процессе её разработки? Тогда эта статься, думаю, будет для вас интересна. И возможно даже поможет избежать потенциальных проблем и оптимизировать процесс её разработки и внедрения в проект.

Всем привет! Меня зовут Дмитрий, я разработчик дизайн‑системы на Android в компании Домклик. В этой статье расскажу, как нам удалось возродить проект дизайн‑системы и успешно внедрить его в наше приложение Домклик.

И хотя речь пойдёт о разработке на стеке Jetpack Compose для платформы Android , большинство мыслей и рекомендаций не привязаны к конкретной платформе и технологии.

Обновили базовую платформу до версии 2026.2, расширили поддержку Java и Kotlin, улучшили работу с Git и обновили Java-профилировщик.

Доработали редактор и подсказки в терминале, добавили проверки настроек Gradle и упростили переход к исходникам библиотек. Через Git worktrees теперь можно работать с несколькими ветками одновременно.

Привет, Хабр! Я Алексей Новаков, ведущий инженер данных в Рунити. Сегодня разберемся, зачем Lakehouse понадобился streaming, почему одного Iceberg для этого не всегда хватает и как Iceberg и Paimon могут жить рядом в одном конвейере.

Если сильно упростить, классический Lakehouse решает понятную задачу: берем дешевое объектное хранилище и добавляем поверх него то, чего не хватало обычному Data Lake — транзакции, schema evolution, snapshots, SQL, update/delete отдельных строк и одновременное чтение и запись.

Но дальше возникает следующий вопрос: что делать, если аналитика должна видеть не вчерашние или часовые данные, а состояние, которое обновляется постоянно?

Именно здесь Lakehouse начинает превращаться в Streaming Lakehouse — или Streamhouse.

По данным аналитического центра «Чек Индекс» компании «Платформа ОФД», в России растёт спрос на покупку фото‑ и музыкальной ретротехники, в том числе магнитофонов и CD‑плееров. 

В середине сентября австрийская компания‑разработчик цифровых средств защиты видеоигр Denuvo Software Solutions подала в суд на анонимного пользователя voices38 за взлом 26 тайтлов. На иск взломщик ответил так: «Всё в порядке. Всё будет продолжаться как обычно». К настоящему моменту его комментарий на Reddit набрал более 9,5 тыс. лайков.

«Без труда не вытащишь и рыбку из пруда», как гласит известная пословица, и это в полной мере можно сказать насчёт природных ресурсов: как правило, их добыча сопряжена с определёнными трудностями, ввиду чего частенько возникает ситуация из другой пословицы: «видит око, да зуб неймёт»…

Скажем, возьмём наиболее ценный ресурс, нужный абсолютно всем: чистая вода. Несмотря на свою высокую потребность, встречается она не так часто, как хотелось бы, поэтому люди предпринимают целый ряд усилий, чтобы сделать её пригодной для питья. Такие меры могут включать защиту от механических загрязнителей, защиту от химических загрязнителей, а также удаление биологических загрязнений.

В связи с тем, что первые и третьи встречаются достаточно часто, тогда как вторые (химические, по крайней мере в дикой природе, вдали от городов) не так часто, а избавление от механических загрязнителей относительно простое, хотелось бы остановиться подробнее на последнем — а именно на неожиданном способе избавления от бактериологических загрязнителей, который вряд ли широко известен: обеззараживании высокочастотными импульсными электрическими токами…

Привет! Меня зовут Анастасия и я проектный менеджер и scrum-мастер в Окко. Проектным менеджментом я занимаюсь около семи лет: успела поработать с hardware проектами, CRM-системами, мобильной разработкой, ритейлом.

За последние два года я провела больше ста ретроспектив. Внутри одной команды, между несколькими командами, иногда — в роли приглашенного фасилитатора. В какой-то момент поняла, что ретроспективы научили меня гораздо большему, чем просто опыт фасилитатора встреч — я начала иначе смотреть на саму работу менеджера. 

Раньше мой фокус был классическим: есть проект, сроки, задачи, зависимости и риски. Если что-то пошло не так, нужно понять причину отклонения, перестроить план и вернуть проект в нужную точку. Работа скрам-мастером добавила к этому другой вопрос: почему проблема вообще возникла и почему она возвращается? Разница кажется небольшой, но именно она постепенно перевела мой фокус с управления отдельными задачами на устройство системы, в которой команда эти задачи выполняет.

В этой статье расскажу, что изменилось в моей работе после появления роли Scrum Master, что оказалось самым неожиданным открытием и почему из всех Scrum-ритуалов именно ретроспектива стала самым ценным инструментом?

Привет, Хабр! Меня зовут Андрей, я инженер по подготовке печатных плат к производству в компании ГРАН Груп. Каждый день я открываю новые проекты печатных плат и выполняю их CAM-подготовку для наших производственных площадок так, чтобы после производства наш заказчик получил именно ту плату, которую он задумывал.

И чтобы отправить ту самую заветную хорошую плату, нам нужно поймать ошибки в переданных данных по плате: где-то что-то не дописали, где-то что-то перепутали — и вот уже инженеры тратят время на уточнения и согласования, сроки плывут, а менеджеру приходится звонить и переносить дату отгрузки, которую уже согласовали.

В статье разберём типовые ошибки, которые мы видим в документации, и покажем, как их избежать. Еще до производства, только те ошибки, которых можно избежать до отправки файлов.

Теперь компании могут арендовать физический сервер в Selectel и разместить его в собственном дата-центре. Мы бесплатно привезем оборудование на площадку клиента. Доставка в Москву и Санкт-Петербург займет два дня, в другие регионы — не больше месяца. Ниже рассказываем, как это устроено.

Узнать больше →

Название новой книги Лоуренса Морони — «Искусственный интеллект и машинное обучение для программистов в PyTorch» — на первый взгляд кажется довольно-таки скучным. Создается впечатление, что это очередной учебник по ИИ с использованием Python: в начале немного теории, потом базовые классы, потом еще базовые классы, потом очень базовые классы, и где-то по дороге читателя уже неизбежно потянет в сон.

Но нет: Морони написал совсем другую книгу. Она начинается как учебник по PyTorch, в середине превращается в практический курс по NLP и Transformer, а заканчивается почти полноценным туром по современному генеративному AI.

Привет, Хабр! Продолжаем цикл про инфраструктуру для ИИ-задач. В первой статье мы разбирали стратегический вопрос: что проще и выгоднее — собирать самостоятельно или брать готовый ПАК (на примере ПАК Скала^р)? Поговорили и о том, что именно заказчик узнает о самосборе — не на этапе закупки, а через полгода эксплуатации. 

Сегодня же переместимся на следующий уровень: поговорим про аппаратный стек.

Структура статьи такова: для каждого слоя железа — GPU, питание, охлаждение, хранение — я покажу, какую инженерную задачу мы решали при проектировании ПАК и почему приняли именно такие решения, а не другие. Там, где это уместно, приведем цифры, которые помогут понять пороги: когда одно решение заменяется другим и что это означает по деньгам и по производительности.

Поехали!

На Инфостарте можно найти статьи, примеры кода, обработки, расширения и готовые программные продукты. Внешне публикации могут быть похожи, поэтому Базу знаний и Маркетплейс иногда воспринимают как два раздела одного каталога.

На самом деле они решают разные задачи и рассчитаны на разные сценарии использования.

Меня зовут Виктория Третьякова, я руковожу направлением Инфостарт Маркетплейс. Расскажу, чем отличаются эти форматы и почему важно учитывать эту разницу при выборе решения.