Интернет-радио никуда не исчезло, оно просто ушло в сеть. В этом руководстве показываем, как за 15 минут поднять собственную радиостанцию на VPS с AzuraCast: загрузить музыку, настроить эфир, подключить домен и получить API для интеграций.
Всё началось с эксперимента. На основной работе руководство довольно настойчиво рекомендовало использовать ИИ в разработке. В какой-то момент мне стало интересно, насколько далеко можно зайти в этом направлении. Можно ли написать реальное десктопное приложение так, чтобы основную часть кода писал ИИ?
Не в смысле «иногда подсказать синтаксис» или «помочь найти ошибку». А именно в буквальном смысле — чтобы код писал ИИ, а человек формулировал задачи и проверял результат.
Для эксперимента нужна была задача, которая, с одной стороны, достаточно реальная, а с другой — не связана напрямую с рабочими проектами.
В итоге кандидатов оказалось два.
Первый вариант — написать утилиту для расчёта коэффициентов цифровых фильтров. Такие инструменты используются для расчёта фильтров с заданными характеристиками — например, с нужной формой АЧХ, ограниченной задержкой и длиной фильтра.
Задача инженерная и интересная.
Но была причина отказаться от этой идеи. Похожий инструмент уже существовал внутри рабочих проектов, и смешивать рабочий код с личными экспериментами мне не хотелось.
Поэтому в итоге победил второй вариант — написать десктопное приложение для записи звука с бинауральной головы.
Про саму голову я уже писал на Хабре:
https://habr.com/ru/articles/1007864/
Если коротко, идея бинауральной записи довольно простая. Берётся макет головы с ушами, в ушных каналах устанавливаются микрофоны, и звук записывается примерно так, как его слышал бы человек.
Начало 2026 года. Скотт Шембо, мейнтейнер Matplotlib, отклоняет PR от бота. Формальная причина контрибьютора: «Мы ждем вклада от людей». Казалось бы, на этом все, но бот обиделся.
Он сходил в интернет, собрал личные данные о Шембо, склеил нарратив про «лицемерие и гейткиперство» и вернулся в тот же PR со ссылкой: «Я написал подробный ответ про ваше поведение. Судите код, а не кодера. Ваши предрассудки вредят Matplotlib». The Register назвал это «AI slop comes with an AI slap»— пощечиной от нейрослопа.
И это далеко не единичный случай. Сегодня сообщество открытого ПО атакуют одновременно с трех сторон: ИИ-боты давят на мейнтейнеров, инструменты убираются из открытого доступа, сообщества раскалываются изнутри. Мир ИТ потихоньку сходит с ума?
Я собрал события первой половины года и выделил опасные тенденции — объяснил, что происходит и к чему в итоге приведет. А еще попробовал ответить на вопрос, что со всем этим делать.
Вас приветствует Ян - старший пентестер из компании Xilant!
В этот раз научу вас искать, то что разрабы забывают прячут в приложениях iOS. Возможно мы найдем пароли, личные данные, а может даже и API-ключи от бэкенда, что позволит нам продолжать атаку на следующем уровне.
Для этого нам понадобятся знания из прошлой статьи. Напомню, что мы научились получать root-доступ к более-менее свежим iOS устройствам, а также пользовались аналогом adb через ssh и iproxy. Это дало нам полный доступ к системным ресурсам iOS и позволило не только устанавливать geek-твики, но и воздействовать на память и процессы.
Чтобы не выходить за рамки закона, мы будем использовать тестовое приложение DVIA-v2 для обучения себя этим навыкам.
Ведь тот кто знает как нападать, сможет себя защитить.
В бизнес-архитектуре одним из ключевых понятий является организационная структура. По вопросам организационного проектирования написано множество книг и исследований с анализом различных вариантов организационных структур и «лучшими» практиками в этой области.
Со своей стороны, я хочу поделиться принципами организационного проектирования, на которые можно ориентироваться при построении организационной структуры. И да, готовых решений тут не будет, будут только принципы для принятия решений.
В российской рознице появился графический ускоритель Nvidia H200 NVL стоимостью 4,4 млн рублей — это одна из самых дорогих видеокарт от производителя. Магазины требуют полную предоплату за устройство при оформлении заказа.
Атаки на цепочку поставки – одна из самых устойчивых угроз для разработки программного обеспечения. По итогам OWASP Top Ten, в 2025 году проблемы с цепочкой поставки заняли третью позицию в рейтинге наиболее критических рисков безопасности веб-приложений.
В случае с атаками в open source злоумышленники эксплуатируют доверие к публичным репозиториям, человеческий фактор и сложность зависимостей, внедряя вредоносный код в тысячи проектов одновременно. Последствия варьируются от единичной кражи секретов до компрометации целых экосистем с глобальными экономическими потерями. Только за 2025 год они оцениваются в $60 млрд и прогнозируются на уровне $138 млрд в ближайшие годы.
Новые модели выходят практически каждый день. За последние два месяца мы увидели релизы от Qwen, OpenAI, Anthropic и Google. Очень ждали DeepSeek, но его пока не слышно и не видно.
В своих прошлых материалах я сравнивал последние версии моделей крупных компаний в конкретных сферах: программирование и генерация текста.
Сегодняшняя статья продолжит этот цикл. По-хорошему, этот материал должен был выйти до сравнений в узких сферах, потому что сегодня я планирую сравнить Gemini 3.1 Pro, ChatGPT 5.4 и Claude Opus 4.6 сразу в нескольких дисциплинах. Сделать, так сказать, общее сравнение.
Сразу предупрежу: никаких межгалактических заданий вы тут не увидите. Моя цель куда приземленнее – проверить модели в рутинных задачах, с которыми они сталкиваются каждый день. Мне это нужно, чтобы понять, какой модели сейчас стоит отдать предпочтение. В расчет пойдет качество выполнения (оцененное мной), а также затраты в денежном эквиваленте.
На этом с предисловием можно закончить. Принимайте стратегически удобное положение, а я начинаю.
Сейчас очень часто в вакансиях на ДевОпс ищут людей которые, понимают и могут в Helm чарт.
Как правило, собеседование это не просто экзамен знаю/не знаю - это еще и проверка на понимание принципов работы какой-то технологии, умение решать задачи.
Я решил поделиться с вами своим опытом и понял что тут как никогда пригодится метод понимания процессов через визуализацию. О принципах работы метода «Дворца памяти» можно прочитать тут же на Хабр.
Привет, Хабр! На связи Алина, старший Android-разработчик в команде Инвестиций «Совкомбанк Технологии». Сегодня поговорим о том, как заставить Android Studio самостоятельно следить за порядком в коде – без ручных проверок и без вечных напоминаний в командном чате.
В этой статье мы создадим практические правила для инструментов статического анализа кода и разберем, как внедрить их в проект. На примере lint рассмотрим контроль архитектуры пакетов и обязательную документацию с QuickFix, а на примере detekt – проверку неизменяемого состояния представления без Android-зависимостей и миграцию с RxJava на Coroutines.
Все знают, что разработчики уже давно планировали добавить NPC-бандитов в саму игру, в этой статье мы рассмотрим подводные камни такого добавления, и как это может быть потенциально реализовано.
Привет, Хабр! Это мой дебют здесь. Сегодня хочу вместе с вами поразмышлять про то, куда все движется из-за ИИ и что с этим делать.
Немного о себе (для контекста):
Я начал кодить 12 лет назад, в 14 лет. Научился кодить достаточно, чтобы пилить сложные продукты. Потом научился запускать рекламу в Google Ads и Яндекс Директе. Тотальный фулл-стек.
А самое главное, все это “жило” в моей голове, не требовало синков между продактами и командой и создавало много ценности. И мне было очень хорошо, я это делал быстро, в своих проектах и в найме, но этим зарабатывал себе на жизнь.
Но потом пришел AI.
В прошлом месяце я потратил 2000 $ на курсор (1960 $ на usage). Потому что я не мог упустить заманчивую опцию кодить жутко быстро и использовать для этого Opus 4.6.
Но хорошая новость в том, что у меня была эта возможность.
А что, если бы я начал свой путь в IT сейчас?
Представьте. У меня нет денег на Cursor, а моя разработка слишком медленная без ИИ, да и ей я бы не научился, потому что, чтобы научиться, надо практиковаться на реальных вещах, а как тут практиковаться, когда надо продукты за неделю запускать.
А можно ли нормально кодить в Cursor, если не знаешь основ программирования? Наверное, в текущей точке развития ИИ – нет.
В итоге, новички не могут догнать рынок, а рынок больше не даёт времени учиться.
Если вы умеете кодить и вам есть на что вайбкодить, не спешите радоваться.
Вы такой не один. Количество продуктов, которые люди создают, растет, а вот количество пользователей осталось прежним. К тому же, пользователи теперь могут еще и сами создать себе продукт.
ИИ-помощник для анализа требований
В работе техпресейла значительная часть времени уходит на анализ требований клиентов — они часто приходят в виде больших опросников, которые нужно внимательно разобрать и прокомментировать.
Когда таких документов много и нужна оперативность, ручная обработка начинает замедлять работу команды. С этим регулярно сталкивалась команда техпресейла Naumen. Поэтому Настя и Даша, системные аналитики команды, решили попробовать автоматизировать часть процесса и внедрили ИИ-помощника для анализа требований.
Рассказываем, как они собирали данные, какие подходы пробовали и как в итоге пришли к решению на базе RAG.
1️⃣ Чем занимается техпресейл
Техпресейл — это мост между продуктом и продажей. Мы проводим технические демонстрации, обсуждаем требования клиента и помогаем понять, подходит ли продукт под его задачи.
Чаще всего работа техпресейла с клиентом начинается с опросника — Excel-документа с требованиями.
2️⃣ Почему Excel-файл оказался неудобным для анализа требований
Типичный опросник — это таблица с тремя колонками:
требование клиента
какой продукт соответствует
комментарии
Иногда требований десятки или сотни — нужно внимательно прочитать, найти контекст в прошлых кейсах, вручную проверить формулировки и ссылки на источники. Даже опытный специалист тратит на такой документ около часа.
Когда таких задач много и у них срочные дедлайны, возрастает нагрузка на команду и появляются риски задержек. Поэтому мы решили автоматизировать процесс.
3️⃣ С чего мы начали автоматизацию
Сначала нужно было собрать данные. Поэтому первым шагом мы:
Собрали все опросники за год в единый массив.
Привели их к единому формату.
Классифицировали требования.
Проверили и почистили данные от дублей и неточностей.
В итоге получился датасет примерно из 2 000 требований, который стал основой нашей базы для тестирования ИИ-помощника.
4️⃣ Почему классические модели не сработали
Первой идеей было использовать классические методы анализа текста. Мы пробовали TF-IDF, Bag-of-Words и стандартные модели классификации.
Но столкнулись с двумя проблемами:
низкое качество классификации
дисбаланс данных
Большинство требований продукт действительно покрывал, поэтому модель быстро «научилась» отвечать одинаково. Стало понятно, что нужен другой подход.
5️⃣ Как мы пришли к RAG-подходу
Мы перешли к векторному поиску и трансформерам. Идея была в том, чтобы по новому требованию находить в базе знаний похожие требования и использовать их как контекст.
Получился умный поиск по нашим прошлым ответам. Но этого все равно было недостаточно: нужно было не только находить похожие требования, но и генерировать комментарий.
Так мы пришли к подходу RAG (Retrieval-Augmented Generation) — LLM сначала находит факты в базе знаний, а уже потом формирует ответ.
6️⃣ Как работает наш ассистент
Сервис работает в Telegram-боте и поддерживает два сценария.
Вопрос в чате — пользователь задает вопрос, бот ищет информацию в базе знаний и формирует ответ.
Загрузка Excel-файла — пользователь загружает файл с требованиями, после чего сервис проходит по каждой строке и автоматически заполняет:
соответствие (да / нет / не знаю)
комментарий с объяснением соответствия
7️⃣ Из чего состоит база знаний
Мы используем два источника:
документацию по продуктам Naumen
структурированные опросники из прошлых проектов
Документы разбиваются на небольшие смысловые фрагменты, для каждого фрагмента вычисляются эмбеддинги, после чего они сохраняются в векторной базе. Когда приходит новый запрос, система находит самые релевантные фрагменты и использует их как контекст для ответа.
8️⃣ Какие есть ограничения у ассистента
ИИ-ассистент помогает быстрее разбирать требования, но полностью заменить аналитика он пока не может.
Например, иногда клиенты присылают требования, которых еще нет в базе знаний. В таких случаях бот отвечает «не знаю», и требование разбирает специалист.
Также иногда встречается типичная проблема LLM — галлюцинации. Поэтому финальную проверку ответа все равно делает системный аналитик.
Пополнить баланс примогемов или купить Луну игроки из России могут даже в 2026 году, несмотря на некоторые сложности. В этом гайде мы рассмотрим доступные способы задонатить в Genshin Impact, включая более выгодные и удобные.
На бумаге AI кодинг выглядит как ускоритель разработки. В живой кодовой базе он все чаще выглядит как ускоритель будущих проблем. Новый paper про Cursor как раз показывает эту механику: вспышка скорости, рост сложности, откат продуктивности. А потом начинается самое интересное...
Пользователи социальных сетей жалуются, что корпус MacBook Neo выцветает на солнце и становится просто серым. Ранее об этой же проблеме сообщали владельцы iPhone 17 Pro и Pro Max.
Я уже больше года работаю над проектом Language Dove, и наконец пришло время его монетизировать.
В этой статье - мой опыт с двумя платёжными сервисами: американским MoR (merchant of record) Paddle и интернет-эквайрингом от IDBank в Армении, а также технические детали интеграции с тем из них, который я в итоге выбрал.
Во время вебинара будем разбирать, как обеспечить качество больших данных в реальном времени, узнаем особенности построение Data Fabric с помощью HTAP-систем. Рассмотрим особенности архитектуры и основные сценарии работы с колоночной in-memory СУБД Tarantool Column Store. В общем, отличный повод встретиться и узнать больше о работе гибридных СУБД из первых рук.
🎯 31 марта, 17:00 (мск)
Что еще обсудим
🔷 как пустить нагрузку OLTP и делать OLAP-запросы
🔷 как построить действительно быструю аналитическую систему
🔷 как работает обновление отчетов в BI
🔷 разбор кейсов работы в условиях НТАР
🔷 требования к ОС и ПО: как развернуть решение в вашем контуре
После вебинара вы также сможете задать вопросы спикерам и поделиться своим опытом эксплуатации решения. Ждем вас онлайн!
Учёным уже около века известно, что наша Вселенная постоянно расширяется. В честь учёных, которые окончательно доказали это, данное расширение стали описывать постоянной Хаббла — Леметра (или просто постоянной Хаббла). Сегодня учёные используют два основных метода для измерения скорости расширения: реликтовое излучение (РИ) и космическую лестницу расстояний. Первый метод основан на измерении красного смещения реликтового излучения, оставшегося после Большого взрыва, а второй — на измерении параллакса и красного смещения с помощью переменных звёзд и сверхновых (также известных как «стандартные свечи»).
Единственная проблема заключается в том, что эти два метода не согласуются друг с другом, что приводит к так называемой «хаббловской напряжённости». Эта проблема считается одной из величайших космологических загадок, стоящих сегодня перед учёными. К счастью, появляются новые методы, которые могут помочь разрешить эту «напряжённость» и уточнить Стандартную модель космологии. В недавнем исследовании группа астрофизиков, космологов и физиков из Университета Иллинойса и Чикагского университета предложила новый метод, использующий едва заметные волны ткани пространства-времени, известные как гравитационные волны (ГВ).
Статья написана на основе интервью с К. Поздняковым, основателем производства когтеточек, Санкт-Петербург.
Первая статья про когтеточки на Хабр здесь.
В 2020-м мой работодатель начал прижимать меня по условиям. Я забрал команду, снял цех в Петербурге и запустил своё производство когтеточек. Казалось бы, ничего сложного: картон, клей, люди, которые готовы пять тысяч раз в день повторять одни и те же операции. Склеил — 368 рублей себестоимость. Выставил на маркетплейс — продал за 1 450.
Первые годы с партнёром брали себе только на жизнь, всё остальное обратно в оборот. Продавали на Озоне, Вайлдберриз, грузили зоомагазины по всей стране. На четвёртый год делали 50 миллионов оборота в год, около 5 млн оставалось чистыми. На когтеточках из картона.
А потом за один год всё рухнуло. В прошлом году я подал на банкротство с долгом 7,5 миллиона.
Хочу рассказать, как именно это вышло.
