Разработка

Серия: Чем болен средний бизнес? Статья 6.LLM + ДРАКОН: доступный инструмент процессного управления для МСБ

Предыдущая статья:Чем болен средний бизнес? Статья 5. Нейро-символический ИИ: прорыв в управлении или очередной хайп?

Классические BPM-проекты дороги, сложны и часто проваливаются в МСБ. Вы получаете схемы, которые никто не понимает, и зависимость от консультантов, а хаос остается.

В этой статье мы разбираем прагматичный подход, доступный уже сегодня:

LLM как аналитик: Используем нейросети для быстрого анализа «цифровых следов» процесса (почта, CRM, логи) и выявления узких мест.

ДРАКОН как интерфейс: Превращаем выводы LLM в наглядные и понятные схемы, которые может прочитать любой сотрудник, а не только IT‑специалист.

Человек как архитектор: Показываем, как на основе этих данных принимать управленческие решения и моделировать улучшения.

Внутри - пошаговый разбор смоделированного кейса по оптимизации процесса согласования счетов, расчет ROI и дорожная карта внедрения. Никакой магии, только методология и здравый смысл.

[Искусственный интеллект*] [Управление процессами*] [Визуализация данных*] [МСБ*]

Когда OpenAI только готовила к выпуску GPT-5, то одной из фишек этой модели назывался «роутер» — специальный режим, который будет оценивать сложность запроса пользователя и передавать его наиболее подходящей модели. К сожалению, в реальности все пошло наперекосяк и сейчас в ChatGPT даже больше настроек, чем было до выхода GPT-5. Давайте в них разберемся.

Навигация внутри помещений сложна из-за неточной работы GPS. Вместо дорогих маячков можно использовать уже существующие Wi-Fi роутеры, измеряя мощность сигнала для определения местоположения. В Сколтехе мы исследовали такую систему для поиска людей на кампусе, сталкиваясь с проблемами конфиденциальности и ограничениями iOS. Идею удалось применить к личному транспорту: на скейт или самокат можно поставить маячок, который отправляет уведомления о перемещении или пропаже, облегчая поиск и контроль.

В прошлой части мы подробно разобрали 11 популярных техник RAG: как они устроены, какие у них есть сильные и слабые стороны, и в каких сценариях они могут быть полезны. Теперь пришло время перейти от теории к практике и посмотреть, как эти подходы показывают себя в деле.

В этой статье мы посмотрим на результаты экспериментов: какие техники оказались наиболее эффективными на датасете Natural Questions, где они приятно удивили, а где — наоборот, не оправдали ожиданий. Для оценки будем использовать фреймворк RAGAS, а также метрики BertScore и ROUGE-2 для анализа релевантности извлечённых чанков и финальных ответов.

Поэтому впереди нас ждут эксперименты, цифры, наблюдения и (надеюсь) ценные инсайты, которые помогут вам не просто понять, какая техника кажется хорошей, а выбрать оптимальную под вашу задачу.

ИИ всё чаще выходит за рамки однотипных задач и начинает демонстрировать качества, похожие на человеческие: он рискует, хитрит, ошибается и… делает это с полной уверенностью в своей правоте. В августовском обзоре — статьи о том, почему модели галлюцинируют и как можно сместить стимулы в сторону честности, зачем агентам память и когнитивные карты, как построить мультиагентные системы без хаоса и что значит по-настоящему интерактивный мир для обучения ИИ; от новых методов борьбы с выдумками и систем глубоких исследований до роботов, умеющих готовить завтрак и ориентироваться в реальном пространстве. В этой статье новые архитектуры, метрики и фреймворки, которые уже меняют подход к созданию ИИ-агентов.

В мире ИИ диффузионные модели (DM) — это как супергерои генерации изображений. Они создают картинки лучше, чем GAN или VAE, и используются везде: от компьютерного зрения до генерации текста. Но представьте: вы хотите обучить такую модель на данных с кучи устройств (смартфоны, edge‑устройства), не сливая личные данные в один котел. Вот тут вступает федеративное обучение (FL) — парадигма, где модели учатся распределенно, сохраняя приватность.

Проблема? В FL данные часто неоднородны (non‑IID), коммуникация жрет трафик, а модели огромные. Исследование из arXiv предлагает крутое решение: FedPhD. Это не просто метод — это комбо из иерархического FL, умной агрегации и структурированной обрезки моделей. Результат? Лучшее качество изображений (FID улучшен на 34%), минус 88% коммуникаций и 44% вычислений. Звучит вирусно? Давайте разберем по полочкам, чтобы было понятно даже новичку в ML.

Как следует отображать на экране результат деления 3.0 на 10.0 ? Сколько цифр следует вывести, если пользователь не указал точность?

Скорее всего, вы даже не знали, что вывод на экран чисел с плавающей запятой — это сложная проблема, настолько сложная, что по ней написаны десятки научных статей, причём последний прорыв был относительно недавно, в 2016 году. На самом деле, это одна из самых сложных частей поддержки чисел с плавающей запятой в среде выполнения языка.

Давайте продолжим разговор о самой неоптимизированной в мире библиотеке эмуляции плавающей точки при помощи целочисленной арифметики.

Это вторая статья из цикла «Санпросвет о плавающей точке»:

1. Компьютеры и числа

2. Вывод чисел с плавающей точкой на экран <- вы тут

Наверное многие слышали фразу, что для того, чтобы стать разработчиком, надо иметь определенный склад ума и тому подобное. Что я думаю об этом? И да, и нет. Конечно, у людей, которые уже работают в сфере, постепенно формируется определённый стиль мышления, и приобретается навык, помогающий решать задачи. Но вопрос в другом: был ли он у них изначально или появился с опытом? Возможно, кому‑то действительно повезло, и они с самого начала обладали такими способностями. Лично я таких людей не встречал и сам к ним не отношусь. Но, как ни странно, и я, и мои знакомые вполне успешно работаем в IT‑компаниях, и нас до сих пор никто не уволил.

Всё дело в том, что это навык, который можно развить. Я называю его «алгоритмическим мышлением». По сути, это умение разбивать большие задачи на более мелкие, представлять в голове алгоритм их решения и доводить его до результата. При этом важны не только логика, но и воображение с креативностью, без этого тоже никуда.

Я работаю в одном крупном российском банке, где занимаюсь разработкой распределённых систем. За последние несколько лет наша архитектура заметно усложнилась — часть сервисов работает в OpenShift, часть на виртуалках, а кое-что до сих пор крутится на «железе».

Основная боль заключалась в том, что у нас не было единой системы мониторинга. Метрики мы собирали из разных источников: где-то стоял Prometheus, где-то — Zabbix, в Kafka писали свои дашборды, а для C++ приложений вообще не было нормального мониторинга. Каждый инцидент превращался в расследование: мы переключались между тремя-четырьмя консолями, сверяли логи, писали временные скрипты для выгрузки метрик. В среднем на поиск корневой причины (root cause analysis) у нас уходило от нескольких часов до пары дней.

Команда Alibaba Cloud выпустила Qwen3-ASR-Toolkit — открытый инструмент для транскрипции аудио- и видеофайлов любой длительности. Решение построено на базе модели Qwen3-ASR (ранее Qwen3-ASR-Flash) и устраняет ключевую проблему большинства API для распознавания речи — ограничение по длительности файла.

Так, друзья, ловим новый Хабр-тренд на разборе счетчиков! Сегодня на нашем операционном столе настоящий трудяга из частного сектора - трехфазный счетчик Тайпит Нева СП3. Давайте же посмотрим, что у него внутри, и на каких он чипах. Ведь именно от них зависит, будет ли он считаться отечественным или... ну, вы понимаете. Сразу скажу - вскрытие счетчика это как бы не совсем законно, если он у вас на пломбах. Нарушение пломб автоматически означает конец его поверке и будет расценено энергетиками как «несанкционированное вмешательство». Так что делаем это исключительно ради интереса. Не призываю вас повторять с счетчиками в ваших домах!

Приготовьтесь. Это не просто конспект. Это исчерпывающий путеводитель по миру матриц, созданный с одной целью: сделать эту фундаментальную область высшей математики абсолютно понятной, систематизированной и полной. От самых азов до продвинутых концепций, используемых в науке о данных и квантовой физике.

Вспомните то чувство, когда вы только приходите на новую работу: знакомитесь с коллективом, берётесь за новые задачи. Всё такое новое и интересное — какие-то новые фреймворки, языки программирования, любопытные технические решения. Всегда есть что поизучать, на несколько месяцев уходишь с головой в изучение нового мира. Но проходит полгода — всё изучено, вы подобрали оптимальные паттерны взаимодействия с коллегами, задачами, кодом. Задачи перестают быть увлекательными, а жизнь превращается в рутину.

Что делать в такой ситуации?

Некоторых всё устраивает — они начинают больше времени уделять хобби, а работа остаётся просто работой. Но есть люди, для которых работа и есть хобби. Таким особенно тяжело. Да, можно попросить новые задачи, взять на себя больше ответственности. До определённого момента это работает, но бизнесу нужен человек надолго — который будет стабильно выполнять возложенные обязанности. Это предсказуемо и выгодно бизнесу. Что же делать таким людям?

Можно пойти искать новую работу, но тогда придётся менять её часто — по одному-две раза в год. Это плохо и для работодателей, которые вложили средства в обучение специалиста, и для самого специалиста, поскольку к частым переходам начинают относиться с подозрением.

Как справиться с рутиной? Как сделать жизнь интересной, если писать код — не только работа, но и хобби?

Единственный путь, который я вижу — параллельно с основной работой заниматься pet-проектами, открытым исходным кодом, развивать личный бренд, заниматься менторством.

Здравствуйте уважаемые читатели. Хотелось бы представиться, и в двух словах рассказать Вам, о чем будет эта статья.

Мы с коллегами находимся в процессе активной реинкарнации моей старой, аж из 2014 года веб студии mindgroup‑web. На дизайн можете не смотреть. В то время мы были молодыми, начинающими разработчиками. Которые умели создавать сайты на Wordpress, писать простенькие скрипты на JS, и неплохо разбирались в тогдашнем SEO.

PS. С дизайном у нас до сих пор тяжеловато, поэтому мы в поисках талантливого дизайнера, начинающего свой путь.

Это было интересное время ссылочного и контентного продвижения. Мне удавалось писать довольно неплохие информационные и коммерческие тесты. Почему берусь это утверждать? Все проекты, которые мы брали в продвижение — по итогу приносили поисковый трафик.

Мой рекорд — 15 000 дневных уникальных посетителей, на сайте информационной тематики. В то время, мы делили нишу контентных сайтов, с еще одним конкурентом. Сейчас при написании статьи попытался найти его в результатах поисках — увы, он как и мой проект, канул в лету. Спасибо, за интересное состязание.

В общем и целом, в то время, нам не удалось раскрутить бизнес на широкую ногу. Доход был маленький. Продавать мы толком не умели, а разрабатывать сложные программные продукты не позволяло отсутствие скилла.

Все разбежались, кто куда. Ваш покорный слуга ушел на завод в коммерческую разработку. Проще говоря — работать на дядю.

Собственно, в данный момент я являюсь Senior Fullstack Developer. За плечами опыт работы в таких компаниях, как Яндекс, Лаборатория Касперского, Сбер. Основной стек — JS/React/NextJs/NodeJs/Express/NestJS. БД — Postgres. CI/CD — gitlab. Реже Python/C.

Ученые из Института радиотехники и электроники им. В. А. Котельникова РАН и МФТИ исследовали теоретическую модель, описывающую нелинейный отклик ферромагнитных частиц на внешнее переменное поле крайне высокой частоты. Им удалось обнаружить ряд интересных физических эффектов. Работа опубликована в журнале AIP Advances. 

Новое исследование, проведенное командой учёных, выявило интересные аспекты квантово-параэлектрического поведения тонких пленок SrTiO₃, допированных переходными металлами — марганцем (Mn), железом (Fe), никелем (Ni) и кобальтом (Co). Используя импульсное лазерное напыление, ученые смогли получить пленки толщиной 150 нанометров и проанализировать их свойства с использованием терагерцовой спектроскопии.

Всем привет, на связи Андрей! 

Хочу поделиться с вами своим опытом разработки образовательного портала о паллиативной помощи. В этой статье мы с вами коснемся технических деталей проекта и рассмотрим, как создавался этот масштабный информационный ресурс.

Так как мои настольные игры не совсем простые (а именно обучающие и научные), то вопросы по правилам у родителей возникают регулярно. И как хорошо правила не напиши, научная тематика делает свое «черное» дело и даже минимальное вкрапление методики ставит игроков в ступор по тем или иным моментам правил. Плюс читать правила, FAQ, дополнительные правила и т. п. не всегда оптимальный вариант.

Поэтому захотелось мне прикрутить к сайту нейронку в виде чата с ИИ‑помощником, который бы для каждой игры свои правила объяснял и на вопросы пользователей отвечал.

Работая в компании, которая занимается автоматизацией складских процессов, мы столкнулись с задачей прогнозирования нагрузки на склад. Это классическая задача предсказания временных рядов, в которой, имея достаточно большой объем исторических данных (минимум 1-2 года), нужно спрогнозировать, как эти данные будут меняться в будущем.

Для построения прогнозов на месяц мы использовали SARIMAX. Но на фоне развития нейросетевых технологий и нейросетей с архитектурой Transformer, мы решили, в качестве эксперимента, попробовать новый подход к решению поставленной задачи. И в процессе поиска наткнулись на очень интересный подход – использование трансформера совместно с дополнительной регрессионной моделью. Именно такую возможность предоставляет библиотека AutoGluon.

DocxKtm — это Kotlin DSL-обёртка над docx4j для автоматизации Word-документов.

Умеет: создавать документы «с нуля», вставлять текст, картинки, таблицы, колонтитулы, нумерацию страниц.

Поддерживает шаблоны с подстановками и логикой (через встроенный движок на базе MVEL2). По функциональности близко к Python-библиотеке docxtpl, но на JVM и с выразительностью Kotlin.

Если вам надоело вручную генерировать документы в Word — это может сэкономить кучу времени и нервов.

Внутри статьи — моя история создания этой библиотеки.

В новом дайджесте Swift Runtime и производительность iOS-приложений, вопрос на 16К и полный айсберг Android, проектирование интерфейсов по азиатски, 17 платящих клиентов за час из Tinder, реклама на холодильниках и многое другое. Заходите!