Будущее здесь

Эта статья — попытка переосмыслить через призму личного опыта и восприятия ту уникальную ситуацию в которой находится наша цивилизация в настоящий момент, попытаться заглянуть «за горизонт», осознав тот путь, по которому мы идем, как цивилизация, риски, которые поджидают нас на этом пути и потенциальные возможности, открывающиеся перед нами.

Мы стоим на пороге величайшего технологического перелома в истории человечества. Впервые за миллионы лет эволюции мы создали инструмент не для тела, а для разума. И этот инструмент готов стать продолжением нас самих.

Рост больших языковых моделей (LLM) и генеративного ИИ в корне меняет способ создания программного обеспечения. Современные разработчики все чаще полагаются на помощников ИИ (например, ChatGPT, GitHub Copilot) для написания кода, документирования программ и создания тестов. Рутинные задачи, которые когда-то выполнялись вручную — создание шаблонного кода, документирование API или рефакторинг — теперь можно частично передать на аутсорсинг ИИ под руководством человека. Эта тенденция побудила преподавателей заметить, что существующие методы оценки (например, домашние задания по кодированию) становятся неэффективными в эпоху помощников ИИ. Поэтому университетам по всему миру необходимо пересмотреть учебные программы: сохранить строгие основы и при этом научить студентов работать с инструментами ИИ.

В формирующейся парадигме «Водопад 2.0» разработка программного обеспечения становится более структурированной и фазово-управляемой. Каждая фаза стабильна и четко определена — почти как производственная линия или сборочная линия — но общий процесс остается итеративным. Большие языковые модели (LLM) теперь выступают в качестве автоматизированных «членов команды» в этом процессе, помогая экспертам в предметной области на каждом этапе. В результате традиционные артефакты — записи архитектурных решений (ADR), руководства по коду/стилю, документы для новых сотрудников, планы тестирования, конфигурации CI/CD, спецификации API, контрольные списки безопасности и т. д. — должны эволюционировать. В этом рабочем процессе, дополненном ИИ, эти документы становятся как входными данными, так и выходными данными ИИ, помогая направлять генерацию и сохранение знаний. Лучшая практика — хранить их как контролируемые версии, читаемые человеком файлы (например, Markdown в основном репозитории), позволяя ИИ помогать создавать и поддерживать их контент.

Появление мощных LLM превращает разработку программного обеспечения в более структурированный конвейерный или водопадный процесс. Вместо того, чтобы многие разработчики итерировали короткими спринтами, конвейер с поддержкой LLM может разбить работу на стабильные фазы (требования, проектирование, реализация, тестирование), которые идут последовательно. Как отмечает один эксперт, «кодирование перешло от творческого поиска к модели производственной линии», и ИИ помогает сделать каждую фазу более предсказуемой. В этой парадигме «Waterfall 2.0» эксперты в предметной области (например, менеджеры по продуктам, дизайнеры) напрямую подключаются к потоку разработки с помощью подсказок ИИ, и отдельные шаги фиксируются, но все еще адаптируются с течением времени. Результатом является в основном линейный сквозной процесс — анализ, генерация историй, кодирование, QA — который по-прежнему включает циклы обратной связи по мере необходимости.

Например, конвейер Waterfall 2.0 может начинаться с глубоких требований и исследований, а затем передаваться LLM, который генерирует пользовательские истории и спецификации тестов. Затем система будет проходить циклы ATDD (приёмочные тесты)/BDD(поведенческие тесты)/TDD (используя синтетические данные обучения), использовать ИИ для написания основной части кода и, наконец, запускать автоматизированные тесты и шаги по исправлению. На практике ИИ может сканировать заметки со встреч для составления пользовательских историй и даже создавать фрагменты кода из простых подсказок. Хотя на бумаге это выглядит линейно, общая гибкость сохраняется: как замечает Аджит Джаокар, у нас будут «теперь фазы, которые будут более стабильными», даже если команды будут переходить между ними.

Рост числа продвинутых LLM (таких как ChatGPT, Claude, Gemini) меняет разработку программного обеспечения. Сегодня один разработчик, вооруженный ИИ, может придумать, закодировать и запустить полнофункциональные приложения или MVP за долю традиционного времени.

Привет, Хабр!

Близится начало июня, а значит совсем скоро выпускникам российских вузов предстоит защитить выпускную квалификационную работу. В связи с этим я решил, что именно сейчас как никогда актуально поделиться с Вами “фреймворком”, который позволяет на порядок ускорить процесс написания дипломного текста на любую тему. Стоит отметить, что фреймворк предполагает наличие хотя бы каких-то результатов проделанной работы по теме диплома. Итак, начинаем!

Применение AI в науке растет, но результаты его внедрения часто переоценены. Исследования показывают, что 79% публикаций, заявляющих о превосходстве AI, используют некорректные бенчмарки.

Это искажает представление о реальном потенциале AI в научном прогрессе.

ИИ всё ближе к тому, чтобы принимать решения за нас. Но есть проблема: мы даже не понимаем, что именно считаем моральным — и почему.

Что если наш компас добра — всего лишь баг эволюции? И что, если будущий агент увидит это?

Большие языковые модели (LLM) радикально меняют процесс разработки ПО. Они дают одному разработчику возможность взять на себя весь цикл: анализ требований, архитектуру, реализацию, тестирование, документацию. Это возрождает принципы водопадной модели — линейную, сквозную разработку — но без её классических недостатков: отсутствия гибкости, коммуникационных задержек и потерь контекста между ролями.

В последнее время всё чаще звучит критика в адрес современной системы образования. Главным «виновником» называют ЕГЭ — якобы именно он породил так называемое «поколение ЕГЭ» — людей с худшим уровнем знаний по сравнению с «нормальными» выпускниками прошлого. Некоторые даже требуют отмены ЕГЭ, полагая, что это автоматически решит все проблемы.

Но так ли всё однозначно? Попробуем разобраться: как устроен ЕГЭ, в чём его настоящие достоинства, и почему претензии к нему чаще всего не по адресу.

В первой части мы проверили три сервиса: AssemblyAI, Riverside и Teamlogs. Все они пообещали точную и быструю транскрибацию, но на деле…

Первый оказался хорош на английском, но на русском плыл. Второй выдал интересные фишки в интерфейсе, но транскрипцией не порадовал. Третий оказался самым сбалансированным, но и у него с пунктуацией и спикерами беда.

Во второй части — ещё два претендента, у которых всё ещё есть шанс: или вытащить транскрибацию на новый уровень, или окончательно доказать, что без ручной правки пока никуда.

Продолжаем тестирование!

Миллиарды лет назад Марс был планетой с реками, озерами и, возможно, океанами. Сегодня это сухая пустыня, а вопрос, куда исчезла вода, по-прежнему на повестке дня. Новое исследование, основанное на данных марсотрясений, указывает: вода не испарилась в космос, а могла спрятаться глубоко под поверхностью Красной планеты. Давайте разбираться, что все-таки удалось узнать и что это значит для будущей колонизации Марса.

Предлагаю подумать кто останется нужным/востребованным, даже если LLM многократно усилятся, смогут анализировать информацию и решать задачи лучше большинства людей, но не изменятся качественно и не обретут сознания (для краткости далее буду писать ИИ). Т.е. рассмотрим наиболее ожидаемый вариант, возникновение сознания рассматривать не будем.

P.S. Хотел написать пост, но немного не хватило места, по этому в виде статьи.

Если Veo 2 произвел на вас впечатление, то Veo 3 вас просто поразит.

Google IO 2025 завершилась, и это была абсолютная масса анонсов в сфере ИИ. Многие люди, включая меня, до сих пор поднимают челюсти с пола. Но из всех анонсов Veo 3 - один из самых захватывающих для меня.

Об остальных анонсах я расскажу в отдельном посте, а пока давайте сосредоточимся на новейшей генеративной видеомодели Google.

ИИ активно трансформирует рынок труда, и исследования предлагают различные оценки того, сколько человек может остаться без работы. Эти оценки зависят от множества факторов, включая уровень автоматизации, экономические условия и адаптацию рабочих мест. Но то, что сам факт сокращений рабочих мест будет огромным быстрым и лавинообразным сомнений не вызывает. Так же очевидно, что ни одна государственная система по помощи безработным, переобучения и тому подобные с таким наплывом не справится. Цель статьи предположить, как мировая система будет преодолевать кризис и в каком направлении есть перспектива утилизации такого количества высвободившихся человекочасов. В каком именно направлении имеет смысл искать готовить заделы для бизнесов завтрашнего дня.

Прежде всего нужно оценить размер проблемы. Очевидно, что удар придется прежде всего на максимально развитые страны с высоким уровнем информатизации бизнеса и высокой долей уязвимых для ИИ областей экономики. Обратимся к исследованиям;

Оценки потерь рабочих мест

Исследования, такие как отчеты Oxford, OECD, McKinsey и World Economic Forum, показывают, что ИИ может автоматизировать значительную часть рабочих мест, особенно в административных и юридических сферах. Например, Oxford Study оценивает риск автоматизации в 47% для США, в то время как OECD предлагает более консервативную оценку в 9% к 2030 году. Прирост же рабочих мест планируется практически исключительно в технологиях и «зеленой» экономике и выглядят сомнительно на фоне астрономической скорости наращивания присутствия ИИ в наукоемких областях, скорости создания полностью автоматизированных Хай Тех индустриальных линий и сомнительности перспектив «зеленой» экономики в среднесрочной перспективе.

ИИ уже умеет анализировать клиентов, генерировать офферы и запускать воронки. Но сможет ли он заменить маркетолога в производстве и логистике? Ответ изнутри отрасли — от практика с 20-летним опытом.

Привет, Хабр! На связи Business Intelligence GlowByte. 

Три года назад мы в GlowByte провели первую конференцию, на которой рассказали о китайском инструменте продвинутой аналитики FineBI. Тогда же мы впервые познакомили вас и с нашим партнером FanRuan, с которым решили сегодня немного рассказать о том, как в Китае обстоит дело с искусственным интеллектом и как ИИ связан с бизнес-аналитикой. 

Китай сегодня — не просто лидер в области искусственного интеллекта (ИИ), он формирует устойчивую цифровую экосистему, глубоко интегрированную в экономику. Особенно активно технологии развиваются в B2B-сегменте и BI-индустрии. В то время как в России продолжает формироваться культура продвинутой бизнес-аналитики, Китай делает ставку на масштабное внедрение решений нового поколения — ABI (Augmented Business Intelligence). Этот опыт стоит изучить, а, возможно, и перенять, особенно в условиях курса на импортозамещение и цифровой суверенитет.

Если Вам нужно сконфигурировать персонального или командного AI ассистента без единой строчки кода, то инфраструктура OpenAI позволяет это сделать.

Для примера сделаем бота который может писать сообщения в стиле определенного телеграм канала. Берем канал https://t.me/+yU0dsHboVmlhNGYy. Экспортируем сообщения из канала json.

Эта статья не источник для споров и не личный опыт автора, а база для обмена мнениями. Кто знает, может именно в комментариях «Хабра» родится истина о том, как настроить работу ЦОДов в космосе.

Привет, Хабр! Меня зовут Настя Егина, я партнер-менеджер направления мультимедийных систем КРОК. В марте мы с коллегами посетили Международную выставку аудиовизуальных интегрированных систем ISLE (International Smart Display & Integrated System Exhibition), прошедшую в китайском Шеньчжене. Мы были искренне впечатлены мультимедиа-новинками наших китайских коллег. Хотим поделиться наиболее яркими моментами, которые запомнились нам в этом «мире будущего». Прозрачные, гибкие и иммерсивные дисплеи — под катом!