Команда Spring АйО подготовила перевод статьи в которой автор разбирает, где параллельные стримы действительно масштабируются, а где создают накладные расходы, конкуренцию за ресурсы и иллюзию производительности. Коротко: сначала аналитика и измерения, потом — параллелизм.
2026 год — точка невозврата для компаний без ИИ-агентов
Под конец года OpenAI, Anthropic и Google выпустили по отчету, которые, хоть и написаны разными командами, но сходятся в одном: ИИ-агенты глубоко внедрились в бизнес-процессы многих компаний.
В каждом отчете свой фокус: Google рассматривает ИИ-агентов как новую форму организации труда, Anthropic делает акцент на том, где бизнес может получить отдачу уже сейчас, а OpenAI описывает явление ИИ в массы.
Таким образом, это позволяет понять, где именно ИИ-агенты уже дают максимальную отдачу, какие организационные изменения необходимы для их внедрения и что на практике означает переход к новой операционной модели.
OpenAI
Более 1 миллиона компаний уже используют OpenAI. 75% сотрудников отмечают ускорение или более высокое качество работы благодаря ИИ.
Среднее время, сэкономленное ими — 40–60 мин/день, а у инженеров — 60–80 мин. Сотрудники говорят, что с помощью ИИ способны выполнять задачи, ранее им недоступные, например, кодинг, анализ данных и автоматизация.
OpenAI отмечают, что те, кто экономит 10 и более часов в неделю, используют ИИ в 8 раз чаще, чем остальные.
Главный вывод OpenAI в том, что ИИ в корпорациях – это новая бизнес-инфраструктура, а решающим фактором при внедрении ИИ становится уровень ИИ-зрелости компании и глубина внедрения.
Anthropic
Anthropic исследуют, что происходит, когда ИИ-агенты наконец выходят из стадии экспериментов. Опрос проводился среди более чем 500 технических директоров из США.
Оказалось, что 57% компаний уже применяют ИИ-агентов для сложных процессов. А кросс-функциональных и end-to-end агентов удалось внедрить лишь 16% компаний.
90% компаний уже используют ИИ в разработке продуктов: от ресерча и создания документации до генерации кода и тестирования. Оптимизация каждого шага дает ускорение всему циклу разработки.
60% опрошенных отметили пользу агентов в анализе данных, 48% выделяют внутреннюю автоматизацию процессов. В следующем году ожидается наплыв корпоративных решений в исследованиях и аналитике (56%) и постепенный переход от внедрения агентов в разрозненные отделы к организации сквозных процессов на основе мультиагентных систем.
80% компаний уже получают возврат на инвестиции от внедрения ИИ-агентов.
Основные затыки не технологические, а организационные — интеграция со старой инфраструктурой (46%), доступность и качество данных (42%) и стоимость развертывания (43%).
Google
Из доклада Google следует, что ИИ-агенты – это новая парадигма работы компаний.
Агенты понимают цель, сами планируют действия и исполняют их в цифровой среде под присмотром людей. Интерфейс взаимодействия с ИИ становится интерфейсом намерений. То есть работник описывает результат, а система сама должна определить путь к его реализации.
В Google сообщили, что из всех компаний, использующих ИИ, 52% уже имеют ИИ-агентов в продакшене, то есть они внедрены в бизнес-процессы. Человек в этом случае управляет агентом: ставит задачи, проверяет качество, и принимает финальное решение.
Отмечается, что 88% ранних пользователей ИИ-агентов получают возврат на инвестиции.
Google считает, что чтобы внедрить ИИ-агентов, нужно полностью переосмыслить роли сотрудников, все процессы и определить кто за какую бизнес-операцию отвечает.
Итак, сегодня ИИ-агенты — это уже не просто ассистенты, а совершенно иная парадигма организации бизнеса.
Однако основными ограничивающим факторами ИИ-трансформации являются незрелость инфраструктуры и данных. От себя добавлю также то, что если в компании не царит культура инноваций, а сотрудники не готовы экспериментировать и меняться, то ИИ будет использоваться фрагментарно, и масштабировать его эффект не получится.
Поэтому 2026 год – точка невозврата для многих компаний. Главный вопрос следующего года: будет ли ИИ в вашей компании просто модным инструментом или он полностью изменит то, как ваша компания функционирует? Если так, то чем тогда займетесь вы?
Если вам интересна тема ИИ — приглашаю в свой канал.
Привет, Хабр! Cегодня рассмотрим, как ускорить интеграционные тесты в Spring Boot с помощью специальных slice аннотаций.
Начнём с того, почему вообще тесты могут быть медленными. Используя @SpringBootTest, мы просим Spring Boot поднять весь контекст приложения для каждого тестового класса. У нас доступны все бины, но часто все это избыточно. Например, хочется протестировать контроллер, а Spring загружает ещё и базу данных, и сервисы, и шлёт запросы к Kafka. В результате простой тест метода контроллера может запускаться несколько секунд, пока поднимется веб‑сервер, инициализируется база, подтянутся все классы.
Эту проблему осознали и добавили так называемые test slice‑аннотации. Все простоб грузим не весь контекст, а только срез приложения, например, только веб‑слой или только слой доступа к данным. Spring Boot содержит готовые slice‑аннотации для основных слоёв: @WebMvcTest для веб, @DataJpaTest для JPA‑репозиториев, и ещё пачку для других случаев.
Рассмотрим на примерах двух интересных слайса: @DataJpaTest и @WebMvcTest.
Несмотря на весь технический прогресс IT, мне за всё время так и не удалось повстречать убедительное решение проблемы ввода «ghbdtn» вместо «привет» или «lf» вместо «да» — путаницы с раскладкой клавиатуры при наборе текста.
Предлагаю свой вариант — менять в зависимости от раскладки цвет всей подсветки клавиатуры. С таким подходом куда бы вы ни смотрели перед компьютером, подсветка будет хорошо заметна периферийным зрением, и вы всегда будете знать какая раскладка выбрана.
Я опишу реализацию решения для среды рабочего стола GNOME, проверенное на дистрибутивах Fedora 43 и Ubuntu 24.04.
Коллеги приветствую, 2025 год подходит к концу — самое время осмыслить, в каком направлении развивать промышленные электронные устройства, какие сетевые технологии закладывать в новые проекты и на какие тренды стоит обратить особое внимание в новом году. Какие изменения принес прошедший год и к чему следует готовиться в наступающем? Предлагаю оглянуться на ключевые события 2025 года и определить ориентиры развития промышленных сетей на ближайшую перспективу.
Аналитика рынка промышленных сетей.
Поговорим о рынке промышленных сетей. Регулярную и глубокую аналитику в этой области публикует HMS — международная компания, специализирующаяся на промышленных информационных и коммуникационных технологиях. В статье не будет обзоров от McKinsey — только прикладная, выверенная аналитика от экспертов, чья экспертиза подтверждена годами практики.
Рынок промышленных сетей формируется не громкими публикациями про IoT/IIoT и не усилиями маркетологов. Его формируют ключевые игроки отрасли — лидеры, которые создают профильные организации (ODVA - EtherNet/IP, CLPA - CC Link, PI - PROFINET/PROFIBUS/IO-Link и др.), разрабатывают стандарты и фактически устанавливают правила игры. По своей структуре это олигополистический рынок, во многом сопоставимый с картельной моделью: именно лидеры определяют направления и темпы развития. В индустриальном сегменте не рынок диктует лидерам, что делать, а лидеры управляют рынком.
Аннотация
Настоящая статья представляет собой развернутое исследование, посвященное систематическому изучению классических алгоритмов оценки оптического потока — фундаментальной задачи компьютерного зрения. Основной целью работы является последовательный и строгий вывод ключевых методов, начиная от базовых физических постулатов и заканчивая завершенными, готовыми к реализации математическими моделями. В центре внимания находится уравнение ограничения оптического потока, выводимое из краеугольного предположения о постоянстве яркости, и два основополагающих, принципиально различных подхода к решению этой недоопределенной задачи: локальный метод Лукаса-Канаде, основанный на предположении о пространственной согласованности потока в малой окрестности, и глобальный метод Хорна-Шанка, вводящий условие плавности (гладкости) потока в виде регуляризирующего функционала. Подробно анализируются теоретические основания каждого подхода, их математический аппарат, включая вывод и решение соответствующих систем уравнений, а также проводится сравнительный анализ их сильных сторон и присущих им фундаментальных ограничений, таких как проблема апертуры и чувствительность к нарушениям исходных предположений.
Практическая значимость и верификация теоретических положений исследования обеспечиваются детальной численной реализацией обоих алгоритмов в среде MATLAB. Экспериментальная часть включает генерацию и обработку синтетических последовательностей с заведомо известным вектором движения для объективной количественной оценки точности, а также тестирование на реальных видеоданных для анализа устойчивости в условиях шумов, изменений освещенности и текстуры. Проведенное сравнение визуализирует ключевые различия в характере получаемых полей потока (разреженное против плотного), оценивает вычислительную эффективность и робастность методов в различных сценариях.
Оптимизация в React почти всегда сводится к двум факторам: объёму работы, которую выполняет JavaScript, и частоте (а также «стоимости») перерисовок компонентов. Сам React работает достаточно быстро, но в крупных интерфейсах даже небольшие архитектурные промахи и на первый взгляд безобидные ререндеры начинают заметно бить по производительности.
В данной статье мы расскажем про ключевые подходы к оптимизации React-приложений: как уменьшить количество лишних ререндеров, сократить объём вычислений при вводе и скролле и снизить нагрузку стартового JavaScript.
Наверняка вы сталкивались с проблемой согласования фичи со службой безопасности. В большинстве случаев этот процесс превращается в головную боль для программиста из-за множества непонятных этапов и деталей.
Регулярно встречая подобные проблемы в своей работе, мы во Flowwow решили внедрить процесс, который помог не только снизить на треть количество времени на анализ корневых причин сложных инцидентов, но и значительно упростить согласование фич для программистов. Этот процесс получил кодовое название ADR.
Судя по обсуждению на 4PDA, ИИ-поисковик Perplexity начал массово отзывать подписки Pro у пользователей, которые активировали их в обход официальных условий. Под удар попали те, кто покупал годовой доступ через посредников на маркетплейсах за 200–900 рублей вместо официальных $200. Пользователи получают письма о том, что "учётная запись не соответствует данным о получении рекламного предложения в соответствии с предусмотренной процедурой", после чего доступ к платным функциям отключается.
Не знаю как вам, но мне из каждого утюга кричат про оптимизацию процесса найма, как ИИ на это влияет, дорогущие ATS платформы во всех каналах коммуникации пишут о том, что только миллионные решение смогут улучшить разные HR-метрики.
А я же сейчас сделала свой продукт «Hire.OS» - внедрение работающих процессов найма для небольших компаний (простите, за минуту саморекламы) и в сфере моих интересов встали не крупные корпоративные штуки для рекрутинга, а простые лайфхаки, которые узнал, внедрил, измерил и вуаля... работает.
Я решила такие фишки украсть выучить у топ компаний мира. (Мемы не несут в себе пользу, но я хотела повеселиться)
Что ж, поехали
Развитие флагманского продукта Яндекса (автономного робота-курьера) упирается в юридический барьер. Для регистрации ключевых брендов «Яндекс Ровер» компания должна сначала оспорить права британского автопроизводителя Jaguar Land Rover на использование слова «Rover» в России.
На площадке Hugging Face вышли 12 бесплатных курсов по самым топовым направлениям ИИ:
AI Agents: база по самой горячей теме года — учимся делать автономных агентов.
LLM Course: как работают «мозги» современных чат-ботов и библиотек типа Transformers.
Smol-course: если мало времени, это самый быстрый способ разобраться в тонкой настройке (fine-tuning) моделей.
MCP Course: свежак, созданный вместе с Anthropic — учимся подключать ИИ к любым данным.
Deep RL: всё про обучение с подкреплением (то, на чем гоняют роботы и OpenAI o1).
ML для игр: как встроить нейронки прямо в геймдев.
Robotics: путь от классических железяк до роботов на нейронках.
Deep RL: всё про глубокое обучение с подкреплением (привет, OpenAI o1).
Computer Vision: учим ИИ видеть и понимать изображения.
Audio Course: работа со звуком и голосом через Transformers.
Diffusion Course: полный гайд по генерации картинок и работе с библиотекой Diffusers.
Open-Source AI Cookbook: отдельная имба — сборник готовых рецептов и кода для решения любых ИИ-задач.
Быв��ий CEO Yahoo и давний инженер Google Marissa Mayer возвращается в центр ИИ‑индустрии с новым стартапом Dazzle AI, который получил $8 млн посевного финансирования при оценке $35 млн. Раунд возглавила венчурная фирма Forerunner Ventures во главе с Kirsten Green, а также в нём участвовали Kleiner Perkins, Greycroft, Offline Ventures, Slow Ventures и Bling Capital. Такая поддержка от ведущих инвесторов отражает уверенность в потенциале проекта и в опыте его основательницы.
Не для кого не секрет, что мы сейчас пользуемся григорианским календарём введённым после Октябрьской революции большевиками, но празднуем христианские праздники по юлианскому календарю, который отличается от григорианского на 13 дней. Но почему так происходит? Давайте разбираться.
Привет, Хабр! Меня зовут Максим Галаганов, я ведущий разработчик систем доставки почты в Mail. Занимаюсь в основном почтовым сервером, но сегодня расскажу о другой задаче — как мы меняли вендора антивирусного решения. API нового решения кардинально отличался от старого, и пришлось изрядно поизобретать, чтобы всё заработало.
Расскажу о миграции по порядку: с чего начинали, какие проблемы возникли в процессе, как их решали. Поделюсь опытом эксплуатации — на что смотрим в проде. И в конце — выводы и рекомендации для тех, кому предстоит подобная задача.
Привет, Хабр!
Меня зовут Константин Евсеев, я тружусь в компании VisionLabs, которая специализируется на технологиях биометрии и компьютерного зрения. В этом посте расскажу о проекте, к воплощению которого я хотел приложить руку еще за четыре года до его появления. Конкретно — о разработке системы для заселения в отель по биометрии. Почему? Все просто: если ты инженер и видишь, что что-то можно улучшить, то руки чешутся, пока не сделаешь.
Весной этого года NVIDIA открыла исходный код KAI Scheduler — Kubernetes-нативного планировщика GPU-нагрузок, который раньше входил в состав платформы Run:ai и теперь распространяется под лицензией Apache 2.0. Интерес к этому проекту закономерен: планировщик давно работает в продакшене и решает ряд проблем, с которыми сталкивается любая команда, пытающаяся эффективно распределять GPU-ресурсы в кластере.
Мы в Orion soft изучили технические детали KAI Scheduler, чтобы понять, к��к он устроен изнутри, какие задачи закрывает и какие идеи могут быть полезны инженерам, работающим с Kubernetes, ML-нагрузками и распределёнными GPU-оркестраторами. Ниже — разбор архитектуры, базовых сущностей и цикла планирования.Преимущества KAI Scheduler
Управление AI-нагрузками на GPU и CPU сталкивается с рядом задач, которые традиционные планировщики ресурсов не всегда способны решать. KAI Scheduler был разработан специально для того, чтобы закрыть эти проблемы:
В последние годы российским компаниям, особенно из государственного и окологосударственного сектора, приходится отказываться от западных платформ корпоративных коммуникаций: Zoom, Microsoft Teams, Cisco Webex и других. Причины известны: санкции, невозможность официальной оплаты зарубежных сервисов, и самое главное – требования нормативных актов: по импортозамещению (№44-ФЗ и №223-ФЗ), запрет на использование иностранных мессенджеров в ряде организаций (№41-ФЗ и др.) и указы Президента №166 и №250.
Рассмотрим пошаговый сценарий перехода на отечественные решения: от оценки текущей ИТ-инфраструктуры до внедрения безопасного, отечественного канала связи.
Оказывается, JetBrains развивает собственный агент для работы в терминале — Junie CLI. Инструмент не фигурирует в публичных анонсах, но именно он занял первое место в свежем бенчмарке Terminal-Bench 2.0, обойдя более известные решения.
Terminal-Bench — это прикладной бенчмарк для оценки агентных систем, работающих внутри терминального окружения. Агенту выдается контейнер с «сырой» средой и набор инженерных задач: выполнять shell-команды, писать и править скрипты, устанавливать зависимости, разбираться с ошибками окружения, дебажить и доводить систему до рабочего состояния.
Китай успешно использует мировой бум в сфере ИИ для расширения своего экономического влияния, обходя ограничения со стороны США. Несмотря на санкции, запрещающие поставки передовых технологий, китайские компании продолжают экспортировать критически важное оборудование для инфраструктуры ИИ.
