Моя лента

ИИ-пилоты редко проваливаются из-за «плохой модели». В наших проектах модель честно показывает 80–90% качества, но проект всё равно не взлетает. Либо экономия оказывается меньше стоимости внедрения, либо автоматизируют не тот участок процесса или данные не подтверждают гипотезу. 

Привет, Хабр! Меня зовут Василий Мухин. Я развиваю направление внедрения искусственного интеллекта в К2Тех: отвечаю за прикладные ИИ-решения, пилотные проекты и оценку эффективности применения нейросетей в реальных задачах крупного бизнеса. 

Предлагаю посмотреть на несколько реальных кейсов, где на бумаге всё красиво, а в реальности вылезают грабли. Разберем, какие вопросы стоит задать до запуска пилота, где бизнес-польза, какие ресурсы нужны, что мешает дойти до прода. Это поможет сразу отсечь проекты, которые сжигают время, деньги и доверие к технологии.

Оглавление:

Кейс 1. Экономика не сходится

Кейс 2. Неправильно найдено узкое место

Кейс 3. Перенос ответственности

Кейс 4. Дорогой старт

Решение: конвейр вместо разовых инициатив

Какие кейсы чаще всего оказываются успешными

Заключение

Что будет с зубами, если их не чистить? Недели, месяцы, годы. Примерно то же происходит с психикой, за которой не ухаживают. Зубам-то повезло, их видно.

В этой статье по мотивам доклада для Saint TeamLead Conf психолог, психотерапевт Анна Бабич даст четыре простые  научно доказанные инструмента — их хватит их на всю жизнь, чтобы поддерживать свою психику в прекрасном состоянии. Автор предложит алгоритм, как внедрить практики в свою жизнь на постоянной основе и мы обязательно потренируемся физически управлять своим вниманием и вернем себе контроль над этим процессом, вызывающим много вопросов (СДВГ, привет!).

Эта статья — конкретный ответ на вопрос, что делать. Передаем слово автору.

Привет, Хабр!

26 сентября в Москве пройдёт Avito.Tech.Conf 2026 — конференция для руководителей и специалистов, которые управляют сложными системами. Это не просто конфа, это – комьюнити тех, кто управляет сложным: продуктами, процессами и командами.

Подробности и ссылка на регистрацию — под катом.

Встроенное в Windows 11 приложение «Погода» расходует 1,2 ГБ оперативной памяти, хотя выполняет относительно простую задачу, показали новые тестирования. Для сравнения, приложение «Погода» от Apple в macOS использует примерно в пять раз меньше ОЗУ, пишет Windows Latest.

CSS «слушает» нас. Нет, не в буквальном смысле. Суть в том, что в CSS появляется все больше псевдоклассов, которые позволяют реагировать на события JS без необходимости писать сам JS. Формально псевдоклассы отслеживают состояния, а не события, но порой они настолько похожи на обработчики событий, что разница становится почти незаметной (хотя в контексте CSS это не так уж важно).

Исторически в Яндекс Картинках релевантность документа оценивалась по двум сигналам: насколько запросу подходит само изображение и насколько — текст, связанный с этим изображением. Такой подход позволяет учесть контент картинки и не провалиться на визуально трудноотличимых объектах, однако он же порождает проблему: в «серой зоне», когда текстовая релевантность не сонаправлена с картиночной, становится неочевидно, как именно агрегировать сигналы в финальный скор релевантности.

Привет! Я Константин Николаев, занимаюсь внедрением нейротехнологий в Поиске по картинкам. В этой статье я расскажу, как наша команда научила модели смотреть на картинку и читать текст документа одновременно: начали с тяжёлой мультимодальной VLM ради максимального качества, а затем дистиллировали её в набор лёгких моделей — по одной под каждую стадию пайплайна. Что из этого удалось довести до realtime‑поиска с десятками тысяч запросов в секунду и как совместный анализ двух модальностей добавил 5% релевантных картинок в топ выдачи — под катом.

Меня зовут Влад, я фуллстек-разработчик в Selectel. Есть распространенное мнение, что для серьезной агентской разработки хорошо подходят только коммерческие модели вроде Claude и ChatGPT, а open-source модели всегда остаются на вторых ролях. В реальном корпоративном проекте выбор устроен сложнее: в первую очередь думаешь, что можно модели передать, а уже потом — какую модель использовать.

В моих сценариях внешние модели я использую для ресерча и AI-ассиста на данных, за которые можно не переживать, а задачи с закрытым кодом или внутренней документацией выполняются с self-hosted GLM внутри управляемого контура. В статье расскажу, как harness делает такой внутренний контур практически применимым и как оптимизировать итоговый процесс в гибридном режиме.

Композиционный анализ (Software Composition Analysis, SCA) — это практика автоматического выявления и отслеживания внешних зависимостей проекта с целью мониторинга их известных уязвимостей.

В этой статье мы расскажем, какие инструменты используем и как организуем пайплайн для своевременного и регулярного анализа зависимостей проектов на C++.

P. S. В написании текста статьи не участвовала нейросеть! 100% ручной труд разработчика Георгия 😇

REST Битрикс24 можно удобно использовать из Python — для интеграций, миграций, аналитики и служебных скриптов. 

Разбираем библиотеку a24wh: шесть функций, которые упрощают запросы, пагинацию, batch-вызовы и обработку ошибок.

Есть класс ошибок, которые проходят все ручные проверки и спокойно доезжают до продакшена. Не пятисотки, не пустые поля, не сломанная структура — с этим как раз всё в порядке. Речь про случаи, когда сервис отвечает статусом 200, все поля на месте, типы правильные, и при этом одно число посчитано неверно.

Расскажу, как я проверяю такие ответы, когда в команде нет автотестов и в ближайшее время не появится: писать и поддерживать код некому, а сверка ответа с документацией делается глазами. Подход применим в любом инструменте, я просто покажу его на своём рабочем сценарии — создании заказа с расчётом скидки.

Привет, Хабр! Меня зовут Тимур Тукаев, я мейнтейнер открытой платформы Cozystack и сооснователь Ænix. В августе я проведу в четырёх городах Центральной Азии серию бесплатных практических воркшопов по миграции с VMware на открытое ПО — и приглашаю на них всех, кто администрирует виртуальную инфраструктуру, отвечает за её развитие или просто присматривает запасной аэродром на случай очередного сюрприза от Broadcom.

Это не бизнесовая презентация с фуршетом, а три часа практики. Каждый участник получает личное рабочее окружение на настоящем кластере и в конце получит набор самостоятельно смигрированных из VMware виртуалок. Конечно, в конце будет пицца:)

VK объединила обезличенный действия пользователей из разных сервисов в единую ИИ‑модель. Эта система анализирует последовательности действий пользователя в продуктах и формирует его нейропрофиль (обезличенное представление об интересах пользователя). В VK пояснили, что новая ИИ‑система даёт более точные и актуальные рекомендации в сервисах компании и повышает эффективность рекламы. Нейропрофиль уже работает в «VK Видео», «VK Клипах» и «ВКонтакте».

В компании создали базу знаний: сотрудники написали статьи, загрузили файлы, получили доступы. Только ей никто не пользуется. Люди продолжают искать ответы в чатах, облаке и папках на сервере. Скорее всего, дело в качестве контента – материалы не решают рабочие задачи или содержат недостаточно информации.

Итак, в вашей компании ИПР — это вещь живая, поэтому там бардак и творческий хаос. Но, знаете, если вы решили навести порядок в карточках, навыках и формулировках, то поправить ситуацию не так уж сложно. Хотя запастись терпением всё же придётся. 

Меня зовут Анастасия Солдатова, я технический лидер системной аналитики в Альфа-Банке, и в этой статье я расскажу, как мы собирали нашу базу, на какие грабли наступили, и как вы можете сделать аналогичный работающий инструмент за 6 недель. И вот у вас есть нормальная база знаний, которая превращает ИПР из гадания на кофейной гуще в конструктор с понятными деталями.

Наконец-то мы добрались непосредственно до того, как тренировать трансформер, не просто тренировать, а делать это эффективно и масштабируемо.

Как мы уже знаем из прошлых глав, трансформер штука тяжелая и на один ускоритель обычно не влезает, поэтому цель масштабирования состоит в том, чтобы распихать тренировку модели по нескольким ускорителям, и желательно при этом, чтобы производительность и пропускная способность такой системы росли пропорционально количеству ускорителей в ней. А этого добиться довольно сложно, просто потому что чем больше ускорителей в системе, тем сложнее и накладнее передавать данные между частями системы и все это дело синхронизировать.

Как мы видели в одной из предыдущих глав про шардинг матричных операций, распределенное матричное умножение требует разных дополнительных операций вроде AllGather или ReduceScatter, которые занимают шину данных и тратят процессорное время. В общем наша задача не просто масштабировать систему, а еще и понять, когда остановиться, потому что накладные расходы становятся совсем неподъемными.

В этой главе мы обсудим четыре вида параллелизма, их достоинства, недостатки и когда что можно применять и/или комбинировать. Для простоты будем считать, что работаем внутри одного вычислительного кластера и учитывать только соединения между ускорителями.

Из новостей: Arcanum на Unity, продажи BALLxPIT достигли 2 миллионов копий, ReStory окупилась за 12 часов с момента релиза, Atomic Heart вышла в российском Steam, Devolver Digital объявила о планах уйти с биржи.

Из интересностей: о проблемах Unity, подкаст с разработчиками Quasimorph, как сделать игру для ZX Spectrum в 2026, объяснение диэдральных подгрупп на примере Factorio, Кен Левин про ИИ, повторяющиеся боссы.

Представьте двух мальчиков 12 лет. Один из них родился в семье отца-работяги со средним образованием и средним достатком, у второго мама и папа получили высшее образование, имеют собственный бизнес и крупные суммы на счетах. У кого их этих подростков будет шанс стать великим изобретателем? 

Исследователи представили первый лонгитюдный региональный атлас межпоколенческой образовательной мобильности. Регионы Европы, где образовательные возможности людей в наименьшей степени зависят от уровня образования их родителей, как правило, демонстрируют наибольший уровень инноваций — и это подтверждается числом патентов. 

Привет, Хабр!

Знакомая история: пишешь код, всё работает, ревью прошло, поехали дальше. А через какое-то время натыкаешься в документации на метод, который делал ровно то же самое — в одну строку, без твоего велосипеда на десять. И остаётся только вздохнуть: ну где ж ты был раньше!

Со стандартной библиотекой Rust так постоянно. Она большая, и половину её мы не используем не потому, что она плохая, а потому, что просто про неё не знаем — и пишем руками то, что давно лежит готовым. В первой части уже разбирали такие штуки: never-тип !, matches!, black_box, прозрачные обёртки repr(transparent) и transmute_copy. Подготовил для вас ещё девять.