Серия:Чем болен средний бизнес?Статья 5. Нейро-символический ИИ: прорыв в управлении или очередной хайп?
ИИ обещает революцию в бизнесе. Но готовы ли мы к ней на самом деле? И не окажется ли «умная» система еще одной дорогой игрушкой, которая только усложнит жизнь?
😩 Вы слышите про ИИ из каждого утюга. Вам обещают, что нейросети сами напишут стратегию, найдут клиентов и победят всех конкурентов. Но ваш внутренний опыт подсказывает: где-то здесь подвох.vc
⚠️ Проблема не в том, что ИИ не работает. Проблема в том, что мы пытаемся заставить его делать то, для чего он не предназначен. Мы ждем от него чуда, а получаем лишь новые проблемы.
В этой статье мы без хайпа и эйфории разберем, как на самом деле выглядит внедрение интеллектуальных систем, и почему большинство таких проектов обречены на провал:
🚫 Ловушка «черного ящика»: Почему нельзя слепо доверять выводам LLM, даже если они выглядят убедительно. 💸 Цена «интеллекта»: Разберем реальную стоимость проекта — от подготовки данных до обучения команды и борьбы с «галлюцинациями» ИИ. 🧠 Архитектура трезвости: Покажем, как нейро-символический подход, где ИИ работает в связке с формальной логикой, позволяет взять технологию под контроль.
Но главное — мы поговорим о реалистичном пути. В статье вы найдете дорожную карту внедрения, которая учитывает риски, ограничения и суровую правду российского бизнеса. Узнайте, как связка ИИ и языка ДРАКОН позволяет построить систему, где машина делает черновую работу, а человек — принимает умные решения.
В последнее время к нам в студию часто поступают запросы на разработку систем бронирования с возможностью управлять записями и справочниками. Особенно это актуально для B2C-сервисов вроде студий красоты и клиник, где нужно быстро и недорого собрать админ-панель, которая сразу включится в работу, без остановки процессов и долгого онбординга.
Многие из существующих систем-агрегаторов работают по линейному принципу. Это значит, что один мастер может за 1 единицу времени оказывать одну конкретную услугу. Из-за чего возникает проблема с групповыми записями, где один и тот же специалист может гибко участвовать в разных частях процедуры.
В самих бронированиях также часто происходит изменения – отмены, переносы, замена одних услуг другими – которые часто влияют на график мастеров и требуют мгновенного обновления интерфейса.
Поэтому компании все чаще обращаются за кастомными решениями. Но у самих разработчиков могут возникнуть вопросы:
Как IBM не смогла превратить технологию Watson в медицинский продукт и потеряла миллиарды.
(От автора: Все факты в этом материале взяты из открытых источников: The Wall Street Journal, STAT News, IEEE Spectrum и других. Имена и события реальны. Наша цель — извлечь уроки из чужих ошибок, а не бросить камень в гиганта. Великие провалы учат лучше скромных успехов.)
Привет, Хабр! У каждого разработчика в серьезном проекте наступает момент, когда хочется отвлечься и написать что-то для души. Что-то простое, классическое, но в то же время увлекательное. Часто такие "внутренние пет-проекты" становятся «пасхальными яйцами» — секретами для самых любопытных пользователей.
Сегодня мы расскажем, как и зачем мы спрятали в нашем приложении для стеганографии «ChameleonLab» классический «Тетрис». Это не просто история о «пасхалке», а пошаговый гайд с подробным разбором кода на Python и PyQt6, который покажет, что, несмотря на кажущуюся простоту, создание «Тетриса» — это интересная задача с множеством подводных камней.
Один из нарративов, который часто транслируется в различных формах — что ИИ закрывает вход в профессию программиста: компании якобы перестали нанимать джунов, потому что задачи начального уровня теперь дешевле отдать большим языковым моделям. На Хабре как раз вышла статья, где объясняется отчёт за авторством Stanford Digital Economy Lab.
Автор статьи пересказывает суть отчёта: на рынке происходят сдвиги в найме молодых специалистов после 2023 года, и прежде всего в ролях с высокой долей рутинных, воспроизводимых процедур. В качестве объяснения предлагается различие между «явными» знаниями, которые БЯМ воспроизводят хорошо, и «неявными» компетенциями, присущими более опытным сотрудникам. Утверждается, что поэтому компании реже берут джунов, не сокращая мидлов и сеньоров, что деформирует привычную карьерную лестницу.
При всём уважении к личности автора хочется вынести собственный комментарий из пространства под этой статьёй в отдельную публикацию для раздела «Посты». Сразу предупреждаю, что отчёт американский, поэтому обсуждать будем заокеанские биопроблемы.
Большинство подобных прогнозов удобным для себя образом умалчивают: кончился период вливания денег в экономику во время глобальной пандемии коронавируса. Три года назад денег было навалом, на работу брали любого человека с пульсом, сейчас лафа кончилась. Изобретать всемогущий ИИ для объяснения не приходится, если есть фискальная политика Федрезерва США.
Дополнительно это умножается на эффект того, что образовательные институты наконец-то нарожали достаточно молодых специалистов с корочками computer science, как это годами и умоляли сделать в индустрии. И вот тут они как раз невовремя — девать вагоны этих джунов теперь некуда.
И упаси вас господь наглядно показать, что по сей момент число работников в крупных технологических компаниях раза в полтора выше, чем до пандемии. Посмотрите, в «Гугле» образца 2024 года работает в полтора раза больше человек, чем было в 2019.
Число сотрудников Google. Коррекция произошла, но эффектов массовой автоматизации не наблюдается. Ну или она как минимум не такая массовая, как нам обещали. Statista
И кстати, что же случилось в 2013 году? (Реструктуризация Motorola и масштабные чистки в Motorola Mobility). Неужто никакой ИИ не нужен для массовых увольнений, а сокращения штата могут быть продиктованы экономикой и банальными интересами бизнеса?
Нарратив «это я, а этого автоматизируем» уже не удовлетворяет ситуации. Дарио Амодей заявил, что через 6 месяцев 90 % кода будет писать ИИ. Сделал он в марте этого года. Вот уже сентябрь — и языковые модели разве что щупают потолок своих возможностей, но не пробивают его.
Одна из последних надежд США обойти Китай экономически — это надежда на всемогущий ИИ. Отказываться от вливаний в ИИ нельзя ни под каким соусом. Поэтому новый подсознательный нарратив гласит, что пострадают в первую очередь джуны, а потом и вам достанется.
Это ведь научная деятельность так выглядит: мы изобретаем красивые сказки, и чья звучит лучше, в ту и верим. Если непонятно, то говорю прямым текстом: меня эти выводы из чьих-то отчётов про незанятых джунов не устраивают абсолютно. В очередной раз попытка придумать красивое объяснение и истолковать статистику объяснениями про ИИ, а не общими экономическими условиями. Эффект от больших языковых моделей может и есть, но почему все аккуратно молчат про макроэкономическую ситуацию в целом?
Есть объяснение куда лучше: общее уменьшение всех экономических показателей везде и непредсказуемая деятельность человека на посту президента США. Выбранный нами на Госуслугах Трамп то вводит какие-то новые огромные таможенные сборы, то убирает; то заявляет об их исключительно экономической природе, то внезапно начинает тарифами играть в геополитику; то чуть ли не бросается в пляс, то прямо сейчас не появляется на публике.
Политическая непредсказуемость — поцелуй смерти для любой стабильной экономической деятельности. Ненайм джунов — прямое следствие нестабильности в экономической политике США. Нет абсолютно ничего удивительного в том, что в такой штормоопасной ситуации американские технологические компании не спешат нанимать молодых разработчиков. Это не ИИ, а экономика.
Если вы используете код десктопа, курсор или другие инструменты, то знаете: ИИ уже не просто генерирует код — он читает файлы, делает коммиты, отправляет письма. Эта интеграция работает через протокол MCP, который позволяет подключать серверы буквально в пару кликов. Увидели интересный GitHub-сервер, установили — и готово.
Но у MCP есть обратная сторона: каждый сервер требует широкие права. Gmail-сервер просит полный доступ к почте, GitHub-сервер — ко всем репозиториям, файловый сервер — к домашней папке. Microsoft уже фиксирует рост «теневых MCP-серверов», которые сотрудники ставят без ведома IT-отдела. Palo Alto предупреждает: злоумышленники маскируют вредоносные серверы под полезные.
Мы провели собственное исследование MCP, изучили отчёты Microsoft, Invariant Labs, Trail of Bits и протестировали разные атаки. В этой статье — разбор протокола и ключевых рисков безопасности.
Команда учёных из Пекинского университета разработала резиноподобный материал, который преобразует тепло тела в электричество. Это достижение может позволить следующему поколению носимой электроники непрерывно генерировать собственную энергию без необходимости использования громоздких батарей или постоянной подзарядки.
Целая область математики посвящена изучению математических узлов, которые можно получить из любого традиционного узла, склеив его свободные концы. Математики долгое время считали, что если соединить обрезанные концы двух разных узлов, сложность нового узла будет не меньше, чем сумма сложности отдельных узлов. Но недавно исследователям удалось найти узел, который оказался проще, чем сумма его частей.
Когда я начинал изучать C, я сразу взялся за «библию» — «Язык программирования С» Брайана Кернигана и Денниса Ритчи.
Все советуют её первой книгой, и казалось бы, куда ещё? Но честно скажу — она зашла мне очень тяжело. Подходы, структура, хронология изложения — всё это оказалось непростым для полного новичка. Возможно, дело во мне, но как первая книга я бы её не рекомендовал.
Добро пожаловать в 1982-й - вышел плагин для Photoshop - ZX Panel
ZX Panel - это плагин для Adobe Photoshop с обработкой изображений в реальном времени, который мгновенно и без потерь преобразует вашу работу в нативный формат экрана ZX Spectrum.
Если вы создаёте графику для Spectrum, вы знаете эти ограничения: - работать непосредственно на настоящем оборудовании – ностальгично, но не эффективно; - специализированные редакторы: неудобные, непоследовательные или слишком универсальны;
ZX Panel избавляет от хлопот: она позволяет просматривать изображение в режиме реального времени в ZX, сохраняя исходные слои нетронутыми. Больше никаких бесконечных преобразований, никаких догадок о несоответствиях или ограничениях цветов, просто рисуйте и сразу же смотрите на результат
Используйте всю мощь Photoshop: – Layers, smart objects, adjustment layers, shapes, masks, gradients - всё поддерживается. – Исправляйте любые участки через «Paste to layer» - зафиксируйте результат в ZX, добавьте mask при необходимости и продолжайте редактирование вокруг неё. – Более 50 методов dithering: matrix, pattern, diffusion и другие, мгновенно переключаемые и точно настраиваемые.
Другие возможности: – Опциональный bright mode (глобальный или автоматический для каждого атрибута); – Отрисовка flash-атрибутов на отдельном слое; – Прямой экспорт и импорт .scr-файлов из панели.
Создаёте ли вы loading screen или адаптируете современное искусство под ретро-машины - ZX Panel станет вашим новым, любимым рабочим инструментом.
Anthropic в очередном инвестиционном раунде привлекла $13 млрд. деньги вложила группа инвесторов, среди которых такие известные фонды как ICONIQ, Fidelity Management & Research и Lightspeed Venture Partners. При этом оценка компании достигла $183 млрд. Обе цифры — рекордные в истории Anthropic.
Хочу представить вашему вниманию контроллер управления насосами в зависимости от датчиков влажности.
Программа написана на C++ с использованием фреймворка Arduino.
Но никаких дополнительных библиотек типа Thread для реализации кода без блокировок(delay).
Важно отметить:
Программа использует объектно-ориентированное программирование с классами SoilSensor,PumpController, ProcessStats и Pump, используются классы, конструкторы и другие объектно-ориентированные возможности.
Программа предназначена для выполнения на микроконтроллерах Arduino или совместимых платформах.
В этой статье, Я рассказываю, как сделал приложение для сопоставления резюме с вакансиями, используя tRPC, TypeScript и Google Vertex AI. Проект принимает PDF-резюме и описания вакансий, извлекает из них текст, применяет базовое NLP для выявления навыков, а затем обращается к Gemini 1.5 Flash для более глубокого анализа. По ходу статьи я объясняю, почему tRPC показался мне быстрее и чище, чем REST или GraphQL для MVP, показываю примеры кода из репозитория и обсуждаю как преимущества, так и ограничения такого подхода.
Сегодня мы разработаем с 0 собственный геймтон и запустим соревнования среди хабравчан и всех желающих just for fun. А также дадим возможность запустить свой геймтон локально по своим правилам Под катом вас ждет разработка геймтона на стеке nodejs + prisma + vuejs + fastify. А также пример разработки фулстек приложения с различными тонкостями построения API.
Sapient представил HRM — ИИ-модель, имитирующую структуру мышления человека
Сингапурский стартап Sapient Intelligence выпустил в открытый доступ Hierarchical Reasoning Model (HRM) — архитектуру нейросети, основанную на принципах работы человеческого мозга. Модель с 27 миллионами параметров обучается на 1000 примерах и превосходит крупные языковые модели в задачах логического мышления.
Архитектура системы
HRM состоит из двух связанных рекуррентных модулей: высокоуровневого (H) для абстрактного планирования и низкоуровневого (L) для быстрых детальных вычислений. Такая структура позволяет избежать быстрой сходимости стандартных архитектур.
Принцип работы основан на двух типах мышления:
Абстрактное планирование — формирует общую стратегию решения
Детальные вычисления — обрабатывает конкретные операции и нюансы
Архитектура вдохновлена тем, как человеческий мозг использует отдельные системы для медленного обдуманного планирования и быстрых интуитивных вычислений. Это кардинально отличается от chain-of-thought подхода современных LLM.
Результаты тестирования
Модель достигает практически идеальных результатов, используя всего 27 миллионов параметров и около 1000 обучающих примеров без предобучения. Для сравнения — GPT-4 содержит триллионы параметров.
Benchmark ARC-AGI (оценка общего интеллекта):
Sapient HRM — 40,3%
o3-mini-high — 34,5%
Claude Sonnet — 21,2%
DeepSeek-R1 — 15,8%
Система превзошла ведущие LLM в сложном для ИИ бенчмарке, который считается одним из наиболее требовательных тестов рассуждения.
Технические преимущества
Эффективность обучения: Модель требует в разы меньше данных и памяти по сравнению с современными LLM. Это решает проблему растущих требований к вычислительным ресурсам.
Специализация задач: Иерархическая структура позволяет оптимизировать обработку разных типов задач — от судоку и лабиринтов до стратегического планирования.
Стабильность обучения: Архитектура обеспечивает устойчивость тренировки при значительной вычислительной глубине.
Практическое применение
HRM показывает эффективность в задачах, требующих пошагового логического анализа:
Решение головоломок и математических задач
Навигация в сложных средах
Стратегическое планирование
Анализ паттернов и закономерностей
Код модели опубликован на GitHub, что позволяет исследователям воспроизвести результаты и развивать архитектуру.
Значение для отрасли
Если результаты Sapient подтвердятся независимыми исследованиями, это может изменить вектор развития ИИ. Вместо наращивания параметров и данных фокус сместится на архитектурные инновации, вдохновленные нейробиологией.
Подход демонстрирует альтернативу гонке масштабирования — создание специализированных, эффективных моделей для конкретных классов задач.
Я всегда считал, что взлом — это магия адресов и байтов. А потом я написал десять строчек на C и понял, что настоящая магия — это защиты компилятора и ОС. В этой статье я сознательно построю крохотный уязвимый пример, добьюсь управляемого падения (это и будет мой «эксплойт»), а затем превращу баг в безопасный и быстрый код. Ни одного шага против чужих систем — только локальная лаборатория и гигиена памяти.
Модернизация легаси-систем редко упирается в «переписать код». Настоящая боль — это реконструкция архитектурных идей, которые давно утонули в слоях костылей и концептуального дрейфа. Когда бизнес уже ушёл вперёд, а софт застрял в прошлом, любое изменение превращается в риск подорвать критичный функционал. В статье разбираем, как ИИ может взять на себя часть этой работы: от трассировки кода и визуализации связей до восстановления бизнес-требований. Речь не про генерацию рутинных кусков кода, а про то, как большие языковые модели помогают справляться с фундаментальной сложностью и делают проекты модернизации менее хаотичными и более предсказуемыми.
Можно ли запустить Kubernetes с Cluster API на Proxmox прямо на Orange Pi 5 Plus? Да, и это отличный способ собрать домашнюю лабораторию. В этой статье я описал как развернул Kubernetes-кластер с помощью Cluster API на Proxmox, установленном на Orange Pi 5 Plus ARM64 и получил компактное, но мощное решение для домашнего k8s-стенда
По-моему, количество статей и видео вокруг тем «как учить язык» и «как учить язык самостоятельно» стало уже запредельным на всех площадках. В комментариях без устали ломаются копья. Обсуждения эти, в общем, ни на что не влияют и продолжаться могут сколь угодно долго, потому что перепутано там примерно всё: что такое «знать язык», что такое «говорить», «воспринимать на слух» и т.д. и т.п. Попробуем пораспутывать.
В последнее время распространилась позиция (часто даже агрессивная): «Чё вы лезете со своим «правильным изучением»? Язык мне нужен для работы, а не для изучения. Доносить и понимать мысли мне достаточно. Да, иногда на уровне «моя спортзал ходить», но меня понимают! А в грамматике своей сами копайтесь!».
Ничего не имею против, но у меня вопрос. Для детей своих вас тоже устроит «моя спортзал ходить»?
Позиция эта распространилась из-за низкого качества преподавания (многие реально не понимают зачем нужен преподаватель), а агрессия направлена не в ту сторону: в средней школе более чем достаточно часов, чтобы заложить прочную грамматическую базу. Причём с любыми кадрами, если правильно прописать алгоритмы для учителя.
Говорение. Комментаторы обычно не осознают простейших, базовых вещей про виды говорения и разницу между способами развития этого навыка. Вот, максимально доступно про это.
«Личный опыт», истории успеха в изучении языков неэкстраполируемы в принципе, потому что там сплошные неизвестные:
OpenAI добавляет в ChatGPT инструменты родительского контроля, ориентированные на безопасность подростков. В течение ближайшего месяца пользователи смогут привязать детский или подростковый аккаунт к родительскому через e-mail-приглашение и управлять рядом ключевых функций. Родители получат возможность включать или отключать историю чатов и память, а также настраивать формат ответов ассистента с учётом возрастных ограничений.
