Разработка

Вы, читатель, как и автор, тоже досадуете, когда в промтах проскакивают досадные опечатки или грамматические конструкции, которые заставляют даже терпеливую LLM «задумчиво» переспрашивать: «What do you mean?»

Если да, то эта статья для вас. Мы разберем, как с помощью минимума кода получить автоматический анализ ваших языковых ляпов и рекомендации по прокачке профессионального английского, не отрываясь от процесса создания кода.

Уже вечер, ты активно пишешь код. Тревожность вместе с тобой. Утром на дейли сказал, что добьёшь таску: да она не сложная, каких‑то 2 стори поинта. Но вот вечер, и ты точно не успеваешь. Завтра на дейли спросят статус задачи, а ты — не сделал. Да, ты общался с архитектором по решению, отвечал на вопросы поддержки и помогал решать проблемы с тестовым окружением. Ещё был синк с другой командой, помог решить проблему с локальным окружением другому разработчику и готовил контракт для фронта для будущей таски. И на обед ты не сходил. Но кого это заботит, если твоя задача все ещё в InDev? Точно придётся посидеть ещё пару часов ночью, чтобы закрыть должок.

Или другой вариант. Ты — менеджер. У тебя за день от 5–6 встреч. Всё нужно решить. Ну и текучка не отпускает: нужно решить конфликт в команде «А», есть запрос на согласование обучения для Иванова, нужно ещё согласовать технические работы и выдать пару доступов. А ещё Сергей из команды «B» недостаточно открыто ответил на вопрос своего коллеги, и тут просят твоего внимания. И, кстати, ещё нужно запланировать изменение процесса и предложить расчёт новой метрики.

Знакомо?

Тогда тебе точно нужен курс по time management ряд привычек, которые каждый может внедрить в свою работу.

Мы привыкли думать, что главным узким местом ИТ-разработки является capacity — количество рук, способных перевести бизнес-требования в рабочий код. Долгие годы индустрия строила "фабрики фич" и масштабировала пирамиду разработчиков. Но генеративный ИИ сломал эту физику.

Сегодня производство артефакта (кода, лендинга, дизайна) стремится к нулю по стоимости. Кодинг перестает быть рычагом конкуренции: он коммодитизируется и больше не ограничивает ни рынок, ни организацию. Объем кода и скорость коммитов превращаются в шум — они больше не коррелируют с ценностью продукта.

Если код стал дешевым, куда сместился дефицит? И почему ИИ, способный написать любую систему, никогда не станет в ней полноценным CEO?

Смотрю на вас как в зеркало... но в ответ не тронь, мы не для таких как ты, правда? Да мы не для таких, мы были созданы для настоящих мужиков. Когда одухотворяют неживые вещи для общения с ними это Антропоморфизм, а как называется когда человек с головой другого человека не разговаривает, но одушевляет части его тела, для общения с ними? Хм, ну да ладно от вымысла к реальности, а реальность у нас - 5ая статья в серии Шампур-Скребок выходит в публичное пространство. Route Load bot (телеграмм) для укладки груза.

— Нам нужен дизайн-док. — Какой именно? — Ну...ГДД.

Пожалуй, это одна из самых частых ситуаций, с которыми я столкнулся, начав искать работу в студиях.

Я уже более трёх лет в геймдеве — пусть и как инди-разработчик. У меня своя команда, собранная с нуля. Я учусь в магистратуре по профилю «геймдизайн», прошёл ряд курсов от западных университетов, написал десятки тысяч диалогов, GDD, питч-доков, фич-доков и множество других документов.

Я понимал, что поиск работы — процесс непростой. Но я не ожидал, что одной из главных сложностей станет размытость формулировок и отсутствие ясности в том, какой именно документ требуется.

Под «дизайн-доком» может скрываться что угодно: от one-pager на одну страницу до многостраничного системного описания с метриками, балансом и техническими ограничениями.

В этой статье я не буду обсуждать, почему в индустрии зачастую выше ценится сухая аналитика и таблицы, чем авторское видение (при том что одно другому не мешает). Вместо этого я попробую систематизировать наиболее распространённые виды дизайн-документов, немного их типизировать и, возможно, помочь тем, кто только входит в профессию и теряется в этом терминологическом хаосе.

Итак, попробуем разобраться.

Знаете это чувство, когда в конце дня понимаешь, что сделала кучу движений, но результата ноль? Отчеты написаны, письма разосланы, но мозг вытек, потому что 80% времени ушло на копирование, вставку и форматирование.

Так вот, нейросети сейчас - это не про заменить человека. Это про то, чтобы человек перестал быть приложением к Excel и калькулятору. Особенно если у вас небольшой бизнес, где каждый сотрудник на счету, или вы руководитель, который устал тонуть в операционке.

В этой статье я собрала 12 нейросетей, которые реально помогают в офисе. Без воды, без “нейросеть напишет за вас роман”. Только то, что берет на себя дурацкую, повторяющуюся работу: расшифровку встреч, верстку презентаций, поиск ошибок в таблицах и написание однотипных писем.

Поехали. Начнем с самого частого - с текстов и документов. Тут нейросети реально умеют больше, чем просто болтать. Приятного прочтения!

Представьте огромную библиотеку, где все книги — от кулинарных рецептов до квантовой физики — свалены в одну гигантскую кучу на полу. Чтобы найти книгу «Война и мир», вам придется перерыть весь завал, и высока вероятность, что вы достанете «Войну миров» Герберта Уэллса или методичку «Как сдать мир на войне». Примерно так выглядит глобальное пространство имен в C++ без использования namespace.

В этой статье мы разберем, что такое пространства имен, почему без них любой проект больше 100 строк превращается в минное поле, и как правильно использовать namespace, чтобы ваш код был чистым, понятным и не конфликтовал с чужим.

📚Линейная регрессия – это первый алгоритм, который осваивает аналитик, и последний, который он перестает использовать.
✔️В статье разберем, что это такое, как работает, где применяется и с какими подводными камнями вы обязательно столкнетесь.

Доступность часто воспринимают как техническую тему. ARIA, WCAG, скринридеры — будто это зона разработчиков. Но правда в том, что большая часть проблем появляется ещё в макетах. И если дизайнер не заложил структуру, смысл и сценарий — разработчик это уже не исправит без редизайна.

Когда-то давно, в те благословенные времена, когда программисты еще наивно полагали, что покрытие кода тестами — это показатель качества, я тоже разделял эту иллюзию. Восемьдесят процентов покрытия? Отлично! Девяносто? Великолепно! Сто? Да вы просто параноик, милейший, возвращайтесь в Скворечник, а то на ужин опоздаете.

А потом я написал библиотеку для мутационного тестирования. И понял, что все эти годы мы просто считали, сколько строк кода посещает тестовый раннер, гордясь собой, как малолетние дети, научившиеся считать до десяти.

Я столкнулся с простой (как мне изначально показалось – даже очень) задачкой. Мне в последнее время потребовалось часто проводить поиск в 4-х словарях. Государство мне их дало в виде 5 PDF файлов, выложенных онлайн. Это нормативные словари русского языка, слова из которых можно использовать в публичном пространстве.

Например, cash - можно использовать на русском как кэш, а не переводить как тайник или склад, поскольку в Словарь иностранных слов это слово уже включено. И это слово нам еще пригодится далее по тексту)

Сэм Альтман, генеральный директор OpenAI, наконец-то сказал это вслух. В интервью на мероприятии Express Adda в Индии он заявил:

Одна из вещей, которая всегда несправедлива в этом сравнении, это... люди говорят о том, сколько энергии требуется для обучения модели ИИ по сравнению с тем, сколько стоит человеку сделать один логический вывод (inference query). Но на обучение человека тоже уходит много энергии. Требуется около 20 лет жизни и вся еда, которую вы съедаете за это время, прежде чем вы станете умным.

С точки зрения Альтмана, это рациональный аргумент. Он оправдывает потребление ресурсов, необходимых для обучения ИИ-моделей, сравнивая его с ресурсами, которые потребляем мы, люди.

Для него ИИ и человечество относятся к одной ценностной категории. Он измеряет и то, и другое в терминах полезности.

Но не все думают так, как Сэм Альтман. Иммануил Кант, великий немецкий философ, однажды сказал:

Привет! Меня зовут Борис Мацаков, я Data Science инженер в Cloud.ru. Хочу поговорить о сравнительно новом направлении кибербезопасности — защите AI-систем и агентов.

Каждая команда понимает безопасность AI-моделей по-своему, а за ее основу часто берут подходы классического DevSecOps. Но проблема в том, что классический DevSecOps защищает периметр, зависимости, инфраструктуру и доступы, а атаки на модели происходят совсем в других слоях: в данных, контексте и самой логике работы модели.

Именно поэтому одних инфраструктурных мер недостаточно и для AI-агентов нужно закладывать отдельный контур безопасности поверх базовых методов DevSecOps. В еще молодой области AI-security появляются фреймворки, типологии атак и практические рекомендации, но единого стандарта и «общего ГОСТа» пока нет. Зато есть рамки, на которые уже можно опереться: OWASP Top 10 для LLM-приложений и отдельный Top 10 для agentic-приложений, SAIF-карта рисков, MITRE ATLAS как база техник атак на AI. Этого достаточно, чтобы выстроить практичную защиту и не изобретать ее с нуля. Давайте разбираться, почему DevSecOps здесь не хватает и какие контуры защиты нужны AI-системам на практике.

Недавно в нашем блоге вышел материал об ИИ-деде, который 31 минуту троллил мошенников. Статья собрала отличные охваты, но вызвала справедливые подозрения у комьюнити. 

Мы провели внутреннее расследование, поговорили с автором и вынуждены признать: история — художественный вымысел. Публикацию скрыли, а теперь хотим кратенько рассказать, как это произошло и что мы меняем в наших процессах.

Привет, Хабр! Меня зовут Руслан Каллагов, я системный аналитик в Лаборатории Globus — партнёре Нетологии по стажировкам на курсах ИТ-профессий. Уже 4,5 года я работаю в проектировании программного обеспечения и верю в силу синергии человеческой экспертизы и ИИ. В этой статье расскажу, как именно меняется рабочий процесс, инструментарий и зона ответственности системного аналитика под влиянием технологий вроде ChatGPT. 

Это не паническое эссе, а руководство по переходу от роли добытчика и писателя требований к позиции архитектора AI-процессов в команде. Мы не будем гадать о далёком будущем, а сделаем практический разбор сегодняшней реальности. Вы получите конкретные промпты, чек-листы и схемы, которые сможете применить в своей работе уже завтра, чтобы не просто адаптироваться к изменениям, а использовать ИИ как мощный леверидж для роста своей экспертизы и ценности.

Формат статьи не позволяет  вдаваться в подробности и отвлекаться на второстепенныевещи, как-то погода, настроение и прочее. Посему постараюсь сухо и информативно , без кода и заумных терминов донести те тяготы, лишения и откровения сопровождавшие нас по пути сотворения синтетического продавца, дабы воспоследователей минули сии невзгоды и они устремились к цели по проторенной нами тропинке.

Идейка эта зародилась у нас в час отдохновения в баре, после предварительного насыщения чешским полутемным плюс колено вепрево. Когда еще не тянет в сон, но и голодная бодрость поутихла, затянуло нас с другом в эдакую маниловщину:
- А неплохо бы было, если б ИИ не только вместо нас код писал, т.е. работу работал, но и деньги для нас зарабатывал и на карточку б аккуратно скидывал.
- Это да! А посуду помыть или прочие мирские глупости - это мы пока сами.
- Тем более, что из-за этих ЛЛМ за полгода ни одного джуниора не осталось и мидлы сильно поредели. Так глядишь и до нас, архитекторов через годик доберутся.

- Сделаем к а мы эдаких бравых иишных молодцев из ларца, которым все едино чем торговать, при этом они на проф уровне могут проконсультировать, сравнить товары, выдать тех. характеристики и прочие плюшки.
- Да, а государь прознав про нашу дружбу и эдакую затею, пожалует нас в генералы, - не удержался я и прихлебнул полутемного.
Назавтра в послеобеденную пору мы приступили к реализации нашей гранд-пенсионной идеи.  Для начала определились с кроликом: открыли страницу маркетплейса, ткнули наугад мышкой в категории. Попали в товары для животных. Открыли эту категорию и поелозив по экрану стрелкой уткнулись в магазинчик.  

За последние месяцы сразу несколько исследователей заявили, что генеративные модели помогли решить ранее открытые математические задачи - в том числе из знаменитого списка задач Пола Эрдёша. OpenAI уже говорит о «прорыве», а подтверждение со стороны Терренса Тао, одного из самых авторитетных математиков современности, только подогревает интерес к теме.

Однако сам Тао настроен гораздо осторожнее. По его словам, ИИ пока берёт «лёгкие победы» - закрывает менее сложные задачи, перебирая длинный хвост проблем системно и без усталости. Настоящая ценность может проявиться не в автономных решениях «по нажатию кнопки», а в новом формате сотрудничества человека и машины, который постепенно меняет сам способ заниматься математикой.

Большой опрос Инфостарт недавно завершился, и мы начинаем серию публикаций с анализом данных 2022–2025 годов.

В первом материале - один из самых болезненных для рынка вопросов: что дает 1С-разработчику расширение технологического стека в деньгах. Правда ли, что знание других языков становится реальным конкурентным преимуществом, или рынок все так же вознаграждает узкую специализацию?

Данные Большого опроса сообщества Инфостарт за 2022–2025 годы дают однозначный сигнал: связка 1С + другие языки все чаще означает более высокий доход - и разрыв становится заметнее...

На протяжении 2000 лет люди считали геометрию Евклида единственно возможной. Казалось очевидным, что через точку можно провести только одну параллельную прямую.

Но в XIX веке Лобачевский, Риман и другие математики задали вопрос: а что, если это не единственный вариант?

Оказалось, что можно построить непротиворечивые геометрии, где параллельных прямых либо нет вообще (эллиптическая геометрия), либо их бесконечно много (гиперболоид).

И отвечая на вопрос “зачем?”, можно сказать:  GPS и навигация работают благодаря сферической геометрии - кратчайшие маршруты самолётов идут не по прямым на карте, а по дугам на поверхности Земли.

Теория относительности Эпштейна использует искривлённое пространство-время - массивные объекты вроде Солнца искривляют пространство вокруг себя, и это объясняет гравитацию.

В части 1 мы выяснили, что объекты в Heap не освобождаются сами по себе этим занимается Garbage Collector. Но как именно GC решает, что можно удалить? Если подумать, задача не такая очевидная: объект не нужен - понятие логическое, а GC работает с физическим графом ссылок.

Ответ в том, что GC не пытается угадать намерения программы. Он задаёт более простой вопрос: можно ли добраться до этого объекта из работающего кода? Если нельзя объект недостижим, и никакой код уже не сможет его использовать. Значит, память можно вернуть.

Алгоритм, реализующий эту логику, называется Mark and Sweep.