Статистика в IT

Я думал, что мои решения спонтанные. ИИ доказал, что каждое из них — это шаблон.

Вообще, я затеял этот эксперимент не из-за страха за приватность и не в погоне за этими новомодными штуками про достигаторство и продуктивность. Мне просто было интересно, как выглядит моё цифровое поведение через призму современного ИИ — того самого поведенческого интеллекта, который сейчас активно строят все серьёзные компании по созданию ИИ-агентов.

Поэтому в течение одной недели я разрешил ИИ наблюдать, как я пользуюсь телефоном и ноутбуком. Когда открываю сообщения, какие приложения запускаю, сколько времени в них провожу, когда я собран и сфокусирован, а когда в режиме размазни. Я думал, что результаты будут скучными и очевидными. Вместо этого они оказались неудобно точными — в самом хорошем смысле этого слова.

День 1 — всё как обычно. День 3 — это уже личное

В первый день всё было как обычно, без каких-то новых ощущений. Я отвечал на почту, скроллил сайтики, смотрел видео, прыгал по вкладкам — как всегда. А вот вечерний отчёт ИИ меня остановил. Он охарактеризовал мой стиль работы как «фрагментированное внимание». А я причём всегда считал, что многозадачность — это моё и я в этом хорош. Увидеть такую формулировку было неприятненько. Не жёстко, нет, но честнее, чем я обычно бываю сам с собой.

К третьему дню стало по-настоящему интересно.

Функцию rand из стандартной библиотеки языка Си для генерации псевдослучайных чисел, наверное, не ругал только ленивый. В довольно известном докладе Rand considered harmful рассказывалось о проблемах с переносимостью, ограниченным диапазоном, многопоточностью, качеством и т.п. Иногда в учебниках упоминают о том, что алгоритм в rand может быть не очень качественным, иметь проблемы с младшими битами, периодом, прохождением статистических тестов. Но крайне редко можно увидеть разбор конкретных критериев, выявляющих дефекты генераторов. В этой статье я постараюсь наглядно показать не просто отдельные недостатки rand, lrand48 и random из glibc, но их полную непригодность для каких-либо вычислений в принципе. Также вы увидите превосходство поточных шифров над minstd, линейным конгруэнтным генератором из 1980-х, не только в качестве, но и в производительности.

MSI совсем недавно удивила, представив новые материнские платы на чипсете B550. Почему удивила? Ну, новинка необычна для 2026 года, ведь платформа AM4 уже считается относительно устаревшей. Компания выпустила две компактные модели формата micro-ATX, рассчитанные на системы с памятью DDR4 и процессорами Ryzen серий 3000 и 5000. Появление таких решений выглядит вполне логичным на фоне текущей ситуации на рынке комплектующих. А с ним, рынком, сейчас не все ок. Давайте все это и обсудим в статье.

В феврале 2026 года информационная служба Хабра выпустила 1015 публикаций (972 новости и поста, 7 лонгридов и 36 переводов). В текущем дайджесте представлены лучшие технические новости, переводы и лонгриды (отдельные большие публикации) инфослужбы Хабра, согласно оценкам пользователей.

Как одна журнальная статья, написанная 70 лет назад, поменяла всю инвестиционную индустрию и принесла ее автору Нобелевскую премию.

В одном из последних интервью ее автор вспоминал: «Когда люди восторгаются моей Нобелевской премией, я люблю говорить им, что Нобелевская премия не была моей самой большой наградой. Моя самая большая награда была вручена мне в мужском туалете большого отеля в Вашингтоне, округ Колумбия, после ужина, где-то между Рождеством и Новым годом 1990 года»...

Представим ситуацию.

Маркетолог работает в крупной компании с собственной A/B-платформой. Каждый квартал он должен запускать несколько новых маркетинговых кампаний, и подтверждать их эффективность с помощью экспериментов. Ресурса аналитика всегда не хватает на подобные задачи. А A/B-платформа позиционируются как инструмент, доступный в том числе маркетологам и проектным менеджерам. В итоге, наш герой решает запустить эксперимент самостоятельно.

Гипотеза. «Новый лендинг увеличивает среднюю выручку на пользователя (ARPU) в выбранном сегменте».

Спустя несколько недель маркетолог открывает AB-платформу, чтобы подвести итоги эксперимента. Видит, что пользователи распределены по группам примерно равное: 9 936 в тесте и 10 068 в контроле. Результат радует глаз: effect = 18.28%. "Какой эффект! Вот только чувствительности для "прокраса" немного не хватило", - думает он, - "глядя на p-value = 0.1179".

Но можно ли принимать решения на основе этих данных? Давайте разберемся, проведя анализ вероятных искажений.

Последние годы Python был вроде универсального инструмента: на нем писали всё — от мелких скриптов до огромных ML-систем, а его первое место в рейтингах воспринималось как норма. Но к началу 2026-го заметно, что динамика меняется. Скорее всего — вслед за приоритетами. Уходит время, когда удобство и низкий порог входа перекрывали любые вопросы к производительности. Компании всё чаще смотрят на отдачу — сколько ресурсов съедает система и как ведет себя под нагрузкой. Давайте посмотрим, что там с местом Python’а в рейтингах, и оценим причины. 

📚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.

Авторское право на код возникает автоматически — это знают все. Но когда приходит заинтересованный инвестор, конкурент с копией вашего продукта или налоговая с вопросами про НМА на балансе — «автоматически» уже не работает.

Разбираемся, что именно можно зарегистрировать в Роспатенте, какие преимущества это даёт и что изменится в 2026 году с принятием нового закона о патентовании IT-решений.

Кейс Dolina v. Lurie всколыхнул не только юридическое сообщество. Сейчас шум в медиа начал утихать и настало время спокойно препарировать это дело LLM-матрицами и тензорными вычислениями. 🙂

Спор этот совсем недавний, шансы на попадание судебных актов по делу в обучающую выборку до cutoff date даже последних версий топ-моделей - минимальны, определение же Верховного Суда России в веса моделей успеть точно не могло. Тем интереснее результат!

Спойлер: ИИ не подкачал, но итоговая оценка оказалась очень интересной и очень, как кажется, характерной для AI LegalTech.

Архитектура эксперимента

На вход моделям были поданы судебные акты первой инстанции, апелляции и кассации. Пайплайн использовался стандартный "нешемяковский": LLM-консенсус трех топовых моделей (Anthropic Claude Opus 4.6, Google Gemini 3 Pro и OpenAI GPT‑5.2) и стандартный промт про обжалование.

Результат оказался парадоксальным: нейросетки нашли правильные юридические зацепки для отмены решений, но итоговый прогноз успеха в Верховном Суде составил всего 7% (полный ИИ-прогноз доступен по ссылке: neshemyaka.ru/case/499).

HD для домашних ПК и ноутбуков сейчас редкость, ведь их во многом и вполне успешно заменили SSD. Однако эта технология по-прежнему очень востребована в дата-центрах. Так, в феврале 2026 года Western Digital сообщила, что ее мощности практически полностью застолбили крупные заказчики. Seagate подтвердила, что линии по высокоемким дискам для серверов загружены под завязку. Основные клиенты — операторы крупных облачных платформ, которые заранее бронируют объемы. WD получила предварительные заказы от семи крупнейших покупателей, часть из которых — до 2027 и 2028 годов. 

Зачем HDD в ЦОД? Есть несколько причин, но основная — это искусственный интеллект. При работе с ИИ важно не только обучать модели, но и хранить огромные массивы исходных данных, логов и резервных копий. В многоуровневых системах горячие данные размещаются на SSD, но основной объем холодных — на дисковых массивах. Речь идет о десятках и сотнях петабайт, где главное — стоимость хранения из расчета на терабайт, плюс предсказуемость инфраструктуры. Именно поэтому спрос на высокоемкие HDD резко вырос. Разберемся, насколько устойчивым будет такой перекос рынка и к чему это может привести.

Свершилось! Спустя двадцать лет после старта проекта на Хабре вышла публикация с миллионным уникальным номером ID (сокращение от англ. identifier — «идентификатор»). Черновик этой публикации создался 16 февраля 2026 года. Примечательно, что такое событие случилось также через 16 лет после выхода публикации со стотысячным ID.

Что такое дерево метрик и зачем оно нужно?

Привет, меня зовут Денис. Я старший продуктовый аналитик, и больше 5 лет строю системы метрик в крупных IT-компаниях, включая Тинькофф. Одна из самых частых и болезненных проблем, которую я видел — когда у команды есть цель (скажем, «увеличить выручку»), но нет единого понимания, за какие именно рычаги тянуть и как действия одного отдела влияют на результат другого.

Привет! Меня зовут Денис. Уже более 5 лет работаю Senior Product Analyst в крупнейших IT-компаниях России, включая Тинькофф. Разрабатывал системы аналитики с полного нуля, провёл огромное количество A/B тестов и знаю всю внутреннюю кухню больших корпораций изнутри.

Ко мне на карьерные консультации часто приходят с запросом в духе: «Я уже 2 года работаю, почему я всё еще джун?» или «Как прыгнуть в мидлы, если на работе дают только скучные выгрузки?».

Грейды — это не про то, сколько библиотек в Python ты выучил. Это про то, насколько сильно у твоего лида и продакта болит голова, когда они отдают тебе задачу.

Каждая вторая статья о том, что работу в IT найти невозможно, что на каждую вакансию космический спрос, а джуны готовы работать за еду. В этой статье поделюсь фактурой — как я нанимал продуктового аналитика в известную международную компанию и какая у меня получилась статистика отбора на каждом этапе.

Если посмотреть открытые данные в HH, то можно ужаснуться — на IT вакансии может быть по 1000+ заявок от кандидатов. Чтобы не умереть, разбирая тысячи резюме, по рекомендации HR я добавил в начале достаточно простой опросник — сам заполнял похожий при трудоустройстве. Результат? Всего 85 откликов за всё время публикации вакансии!

Ну а дальше случилась дикая воронка отсева, которую я зафиксировал в цифрах, и сейчас ею поделюсь. Пристёгивайтесь и всё внимание на процент отсева кандидатов на каждом этапе.

Ретроспективно, вспоминая сладкие времена для разработчиков в 2019 году, можно понять, что решения, которые были сделаны 7 лет назад, догоняют нас до сих пор.

Предлагаю пройтись по истории, осознать ее, увидеть, к чему это все привело, переосмыслить свои ценности и выстроить для себя четкий план действий на будущее.

Covid-19

Началось все со вспышки COVID-19: людей закрыли дома, передвижение по улице было возможно только в маске, соблюдая дистанцию между людьми не менее 3 метров, а публичные мероприятия воспринимались так же ужасно, как утопление новорожденных котят. Бизнес был вынужден искать способы выжить в новой реальности.

Не в завидной ситуации оказались и фонды: стоимость акций традиционных компаний начала стремиться к нулю. За период с 19 февраля по 23 марта индекс MSCI, отслеживающий производительность 1300 компаний в 23 развитых странах, упал на 34%, а S&P 500, отслеживающий производительность 500 крупнейших публичных компаний США, на 20%.

Продолжаю серию обзоров о том, под какими ролями скрывается привычная нам работа системного аналитика в разных странах. На этот раз речь пойдёт о Польше.

В рамках исследования я проанализировал ведущий польский сайт (более 4000 вакансий) с вакансиями для IT-специалистов. Отобрал 194 вакансии, где полностью или частично выполняются функции системного аналитика, знакомые российскому рынку. Что получилось…

Нассим Талеб назвал книгу Бенуа Мандельброта The (Mis)Behavior of Markets "самой глубокой и реалистичной книгой по финансам, когда-либо опубликованной".

А своего "Черного лебедя" Талеб посвятил "Бенуа Мандельброту, греку среди римлян", что отражает уважение к его роли в развитии идей о сложных системах и неопределённости.

Книга Мандельброта: «(Не)послушные рынки. Фрактальная революция в финансах» (часть 3).

Количество и мощность DDoS-атак ежегодно растут, ставя под угрозу доступность публичных и корпоративных сервисов. Для бизнеса это оборачивается не только прямыми финансовыми потерями, но и серьезным репутационным ущербом.

Инфраструктура Selectel объединяет более 31 000 клиентов, которые генерируют легитимный сетевой трафик объемом свыше 500 Гбит/с. Анализ атак на проекты такого масштаба дает уникальные данные для оценки ландшафта угроз в облачных средах.

Мы в Selectel подготовили аналитический отчет о DDoS-атаках за 2025 год и отдельно рассмотрели показатели за второе полугодие. Эти данные помогают компаниям оценить динамику угроз для облачной инфраструктуры и вовремя скорректировать настройки IT-систем и средств защиты. Какие выводы можно сделать, читайте под катом!

Всем привет! Меня зовут Никита Жарков, я продуктовый аналитик с большим опытом работы в Edtech и банковской сфере. В этой статье я расскажу, как мы построили систему прогнозирования прямо внутри ClickHouse, и покажу, как вы можете сделать подобное у себя. Здесь будет не только история как мы сделали, но и понятный путь, который можно повторить шаг за шагом: от подготовки данных до проверки качества.

Обычно прогнозы строят через внешний стек - выгрузка, Python, отдельные пайплайны. Это нормально, но не всегда удобно, особенно если прогнозы нужны ежедневно и команда хочет держать всё в одном месте. Мы решили использовать встроенные ML‑функции ClickHouse и получить рабочий прогноз без внешней инфраструктуры. В статье разберём, почему это работает, какие признаки нужны, как устроено обучение и как правильно оценить качество результата.