Исследования и прогнозы в IT *

В стремительно развивающейся индустрии разработки программного обеспечения появляется новое измерение идентичности: оно сосредоточено вокруг экологической ответственности и устойчивого развития. Как инициатор Eco-Programming Alliance, я обнаружил, что программисты всё чаще сталкиваются с необходимостью интеграции экологически осознанных практик в свою работу, что порождает этические дилеммы, связанные с влиянием их кода на окружающую среду.

Эта статья исследует, как идентичность программистов, формируемая их культурным, профессиональным и этическим фоном, эволюционирует в ответ на глобальный экологический кризис. Эко-программирование даёт разработчикам возможность пересмотреть свои роли не только как создателей эффективного кода, но и как хранителей планеты, учитывающих долгосрочные последствия своих решений для устойчивости.

Приняв эко-программирование, разработчики не только следуют лучшим практикам, но и формируют новую идентичность, ориентированную на глобальную устойчивость. Как человек, который продвигает Eco-Programming Alliance, я считаю важным подчеркнуть, как программные технологии непосредственно влияют на окружающую среду и как мы, как глобальное сообщество, можем работать над созданием более экологичных практик разработки программного обеспечения.

Итак, из РФ уходит очередной иностранный вендор ПО и лидер очередного рынка. Можем повторить, но хорошо бы сначала подумать как, что, зачем, и во сколько это обойдется. Думаем - связываться ли?

Полина Сокол, старший аналитик данных R&D-лаборатории Центра технологий кибербезопасности ГК «Солар», подготовила материал о методах работы с данными и ML-моделями.

Это направление исследований позволяет на выходе обеспечить требования к прозрачности, ответственности и рискам, связанных с искусственным интеллектом. И его невозможно игнорировать при использовать ML в продуктах, предназначенных для защиты от целенаправленных атак, которые и сами могут стать одной из целей атакующих − EDR, NTA, XDR, SIEM и другие классы решений.

Нихао, Хабр! Это Даша Волкова из МТС Диджитал. Сегодня снова о новостях из мира технологий. КНР выделяет огромные суммы на разработку необходимых стране технологий и инструментов для создания чипов. В первой половине 2024 года китайские компании вложили в эту отрасль 25 миллиардов долларов — это превысило совокупные затраты крупнейших производителей электроники США, Тайваня и Южной Кореи.

Зачем все это? Несколько лет подряд усилия Китая направлены на снижение зависимости от западных технологий на фоне ужесточения санкций и торговых ограничений. Правительство страны планирует наладить полный производственный цикл современных чипов и электронных систем, от R&D до конечного продукта, и все — своими силами. Подробности о достижениях Поднебесной — под катом.

Группа исследователей ИИ описала свой обширный эксперимент с участием наиболее известных LLM. Они сделали вывод, что все модели драматически плохо решают задачи на рассуждение со здравым смыслом, которые легко решают обычные люди.
Интеллектуальные способности LLM сильно преувеличены, а тесты не отражают глубину реальных проблем.
Неужели всё так действительно грустно?
Не претендуя на всеобщность, я решил провести аналогичное мини исследование, только в ограниченном масштабе, чтобы подтвердить или опровергнуть этот пугающий вывод пусть и в одном частном случае.
И, как выяснилось, не все так однозначно и, как говорится, есть нюансы.

Рассмотрим статью 2018 года наших индийских коллег Rahul Baboota и Harleen Kaur «Predictive analysis and modelling football results using machine learning approach for English Premier League». Особое внимание советую уделить отбору признаков (feature engineering) — возможно, у вас появятся собственные новые идеи в этой области. Также рекомендую сравнить результаты различных моделей (naive Bayes, SVM, Random Forest, XGBoost) с вашими собственными.

Настоящая статья является развитием статьи “Организация процесса выбора среды общих данных для проектов объектов капитального строительства”. Ее публиковал ранее тут. В ней мы говорили о важном шаге при выборе будущей информационной системы - описании задач, для которых приобретается система.

Вопросу формирования этих задач посвящена данная статья. В статье указаны примеры вывода задач без конкретики, поэтому они звучат очень обще. В конкретном случае они будут формулироваться гораздо точнее.

Фактически предлагается шаблон мышления.

Привет, на связи Шерпа Роботикс. Сегодня мы перевели для вас статью Мелиссы Хейккиля — старшего репортёра MIT Technology Review, где она освещает темы искусственного интеллекта и того, как он меняет наше общество. Чтобы написать эту статью Мелисса прошла через процедуру создания цифрового двойника с помощью стартапа Synthesia.

Новая технология Synthesia впечатляет, но порождает серьезные вопросы о мире, где все труднее отличить реальность от вымысла. Стартап по искусственному интеллекту создал гиперреалистичную глубокую подделку автора статьи, настолько правдоподобную, что она пугает.

В статье Мелисса рассуждает о том, как отличить реальность от вымысла в эпоху синтетических медиа и как это повлияет на нашу жизнь в будущем.

Я работаю юристом и преподавателем. За последние полтора года я провел много времени, общаясь с большими языковыми моделями — в первую очередь с GPT и GigaChat. С их помощью я решал самые разные профессиональные задачи; что-то получалось удивительно хорошо, что-то до смешного плохо. Однако в среднем — пока — ни одна из моделей, которыми я пользовался, не способна работать в «автономном» режиме, давая надежные юридические консультации неюристам. Максимум, к которому модели готовы — это работа copilot, «второго пилота», выполняющего базовые задачи по поручению и под контролем человека-специалиста.

Компании выжимают все соки из имеющейся инфраструктуры и добавляют передовое оборудование для ускорения процессов. Некоторые из них вскоре полностью выйдут за рамки двоичных вычислений.

Чем технологичнее компании, тем сложнее их рабочие нагрузки. Для обучения моделей ИИ, комплексного моделирования и создания цифровых двойников физических сред, требуются серьезные вычислительные ресурсы, и возможностей существующей инфраструктуры компаний уже недостаточно. Функциональности стандартных облачных сервисов по-прежнему хватает для большинства привычных операций. Но как только речь заходит про высокотехнологичные кейсы, создающие конкурентное преимущество, возникает новая потребность в оптимизированных и специализированных вычислительных средах.

Читайте новую главу отчета Tech Trends 2024 от Deloitte в переводе Хабр-редакции КРОК под катом!

Вы замечали, как в текстах часто повторяются фразы вроде "delve into" или "navigate the landscape"? Эти выражения стали обычными не только в соцсетях, но и в новостях, научных публикациях и даже студенческих эссе. Причина этого — растущее использование генеративных ИИ-инструментов, таких как ChatGPT и другие языковые модели. Эти инструменты предлагают шаблонные фразы на основе огромных объемов текстов, на которых они обучены. 

Как это работает?

ИИ-инструменты, такие как ChatGPT, обучаются на миллиардах слов и фраз из различных источников. В результате они выдают самые популярные выражения и стилистические обороты, которые встречаются в этих текстах. Это приводит к тому, что определенные слова и фразы начинают использоваться слишком часто. Например, слова вроде “delves”, “showcasing”, “underscores”, “pivotal”, “realm” и “meticulous” стали доминировать в научных работах после появления ChatGPT.

Проблема стилистики...

Количественные исследования нужны, чтобы принимать Data-driven решения!

Они помогают проверить гипотезы и предсказать, что может произойти в будущем. Если компания думает, что улучшение какой-то функции продукта сделает его популярнее или прибыльнее, то количественное исследование может либо подтвердить эту гипотезу, либо показать, что это не так.

Когда дело доходит до проведения таких исследований, возникает много вопросов:
- Как снизить погрешность, чтобы доверять результатам?
- Как делать выводы на основе полученных данных?
- Сколько опрошенных респондентов достаточно?
- Как полученные данные применять на практике для прогнозирования и принятия Data-driven решений

В этой статье мы со всем разберемся и ответим на каждый вопрос.

Привет, на связи Шерпа Роботикс. Сегодня мы перевели для вас статью про борьбу за рабочие места в Голливуде на фоне внедрения искусственного интеллекта в кинопроизводство. Но так ли ужасна возможность создать свой фильм с помощью AI для любого обычного человека? Без миллионов долларов вложений, без титулованных актеров и сотен сотрудников массовки. В Голливуде вот испугались. На сколько оправдан этот страх? Авторы статьи приводят в пример историю кинематографа, чтобы ответить на этот вопрос.

Человекоцентричную модель прогресса можно представить в виде пирамиды образования людей. Первый уровень — начальное образование, второй — среднее, и т.д., а вершина — предпоследний уровень с высшим образованием, и пик учёных — более одного высшего и/или научная деятельность. Между основанием пирамиды образования и пиком учёных есть прямая связь: чем шире основание — тем массивнее получатся верхние этажи.

Условно говоря, если у вас на весь мир тысяча грамотных людей, то у вас из них выделится, может быть, 30 инженеров и один учёный. Если же основание расширить, то — тем больше пик. С таким числом ни создать рывок технологий, ни даже сохранить массив имеющихся, невозможно. Это состояние в одном поколении от обратно в пещеры. Если у вас миллион грамотных людей, то у вас будет 30 тысяч инженеров и тысяча учёных — это уже годится для ползучего прогресса уровня XVII века. Если же у вас миллиард грамотных людей, то у вас уже 30 миллионов инженеров и миллион учёных. Это уже похоже на современную ситуацию — чудесный технологический рывок не такое уж чудо. Просто у вас есть достаточно людей, чтобы поддерживать старые технологии и создавать на их основе новые. Просто эффект перехода количества в качество. 

И управлять этим процессом можно не только вширь, но и в глубину.

Привет, на связи Шерпа Роботикс. Сегодня мы перевели для вас статью, тема которой напрямую касается нашей деятельности, как вендора платформ для умной роботизации бизнес-процессов. В этой статье вы узнаете о процессе эволюции роботизации, а также рекомендации, в каких случаях какой подход к ней лучше использовать. В завершение статьи мы поделимся с вами своим опытом создания нейро-сотрудников с помощью нашей платформы Sherpa AI Server и приведем примеры реальных кейсов.

Недавно возникшая тема с блокировкой (замедлением) Youtube коснулась практически каждого жителя РФ. При этом до сих пор нет ни одного прямого официального заявления о причастности к этой блокировке. Ни одно государственное ведомство не созналось в блокировке, открестился Google, открестились провайдеры интернета. На этом фоне мне показалось важным не только выявить и указать всех причастных, прямых и косвенных, но и установить, кто и в каком отношении является выгодоприобретателем от этой блокировки. Выявить, о каких денежных потоках идет речь и куда они в конечном итоге идут.

Чтобы это установить, я попытался по крупицам собрать открытую информацию, добавил анализ используемых технических решений и технологических возможностей и на этой базе выявил те компании, которые являются прямыми и косвенными выгодоприобретатели от блокировки. Список оказался не такой уж и маленький, и в нем представлен как российский, так и зарубежный монополистический капитал. Как мы любим, в конце я приведу общую схему, визуализирующую всех основных актеров этой пьесы и все основные отношения между ними.

Доброго дня вам!

Я Дмитрий, руковожу ИТ в относительно молодой и небольшой финтех-компании Токеон, которая занимается цифровыми финансовыми активами (ЦФА) и гибридными цифровыми правами (ГЦП).

Мне нравится нескромное утверждение, что эти инструменты позволят нам сформировать новый рынок финансов. Слова «блокчейн» и «смарт-контракт» нам уже известны из мира крипты. Из мира крипты к нам также пришли слова «скам» и «тапать хомяков». Крипта стала выдающимся примером того как гениальное техническое решение используется мошенниками в глобальных масштабах.

Новый инструмент ЦФА регулируется государством, а значит потенциально сможет направить технический гений в разумное русло и дать нам принципиально новый финансовый инструментарий. Инструментарий, исполняемый логикой смарт-контрактов (не зависящей от конъюнктуры конкретного бизнеса или политической тусовки) и прозрачной системой хранения данных блокчейн (не зависящий от настроения авторов софта и держателей инфраструктуры).

А раз мы говорим о принципиально новом подходе к финансам, то разговор зайдёт и про новый подход к технологиям и методологиям управления.

Большие языковые модели получают большую популярность с каждым годом, они значительно упрощают нашу жизнь. Разумеется, они не остались без внимания хакеров. Проведя исследование и ориентируясь на статью, мы убедились в том, что LLM для проведения атак используются практически на каждом уровне сетевой модели OSI.

Не так давно мы рассказывали про атаки киберпреступников в странах Юго-Восточной Азии. Регион СНГ не отстает по интересу к нему злоумышленников. Одна из основных угроз здесь — атаки кибершпионских групп. В 2023-м и первой половине 2024 года их доля составила 18% от общего числа успешных атак  на СНГ в этот период.

В этой статье мы расскажем про APT-группировки, «работающие» на территории СНГ, и методы, которые они используют в атаках, а также поделимся интересными инсайтами из большого исследования, полную версию которого можно найти на сайте.

Привет. Мы команда mClouds. Каждый год в сентябре мы читаем десятки аналитических отчетов и анализируем, какие тенденции будут влиять и уже влияют на облачные технологии. В этот раз решили поделиться с вами, на что будем ориентироваться в ближайшие пять лет. Итак, погнали: пять глобальных трендов, которые определят будущее российских облаков.