Написали мы с ИИ расчёт себестоимости, который 1С не снился.На реальных данных клиента считает месяц за...Готовы?Точно готовы?
За 2.5 секунды 😱🥳🔥😏🎊
Считает и прямые, и косвенные. 2-3 тысячи номенклатур в выпуске, среднее количество переделов - 6.3, максимум - 10.
Мало того, ещё и структуру затрат сразу собирает. Т.е. на выходе мы имеем не только с/с выпуска, но видим: 1. Отдельно - "материальную" себестоимость; 2. Из каких материалов она сложилась - материалы собраны по всем переделам и положены в готовую продукцию; 3. Отдельно - видимо "косвенную" себестоимость; 4. И косвенная тоже разузлована: - отдельно, по статьям - что упало прямо на готовую; - отдельно, по статьям же - что пришло со всех полуфабрикатов.
Короче, структура затрат - мечта. Собрано всё со всех переделов и положено на готовую продукцию.
Отдельный бонус - структура затрат не по выпуску, а по реализации. Показывает с/с реализации, разложенную по структуре затрат.
И всё это - за 2.5 секунды.
Я сильно захотел уронить этот расчёт, и дал ему данные не месяц, а за год. Считает помесячно, передавая между месяцами остатки. Короче, всё как надо. Год считается за 35 секунд.
Все расчёты выполнял на реальных данных. В 1С у клиента расчёт одного месяца идёт 15-40 минут.
Разработчик сделал небо с самолётами у себя на потолке — теперь он видит точный момент, когда рейсы пролетают над его домом. Парень живёт рядом с аэропортом и постоянно слышит самолёты. В какой‑то момент он решил вывести всё воздушное движение прямо на потолок комнаты. Система использует данные ADS‑B и в реальном времени показывает местоположение, высоту и скорость каждого самолёта над домом.
Инженер‑энтузиаст создал лазерную ИИ‑установку для борьбы с комарами Система с помощью компьютерного зрения вычисляет насекомых и бьёт по ним с помощью мини‑«Гатлинга», не задевая людей и предметы. Камеры фиксируют движения комара, алгоритмы мгновенно распознают его по характерному силуэту и повадкам, а дальше уже дело за лазером. Система снабжена мерами безопасности — если в поле зрения попадает человек или горючие материалы, лазер блокируется. Недавно автор изобретения, Стивен Ченг, усовершенствовал устройство, добавив ему инфракрасное зрение и колёсную платформу для перемещения. Теперь антимоскитный «Гатлинг» способен работать в темноте и даже на открытом воздухе.
Продолжаем рубрику с видеообзорами железа, которое используем в нашей инфраструктуре. Перед запуском на проде тщательно отбираем оборудование и гоняем его под высокими нагрузками, чтобы убедиться в стабильности и надежности.
В новом видео Влад Олейник, ведущий инженер ЦОД, рассказал про 3-х юнитовый Microcloud компании Supermicro 3015MR с приставкой H8TNR.
В одном 3U-шасси умещается 8 полноценных серверов вместо классической схемы 1 сервер = 1 юнит. Все ноды изолированы друг от друга, а общими остаются только питание и охлаждение.
Универсальное ли это решение? Нет — поэтому покажем, где такая сборка особенно полезна:
1️⃣ 1С (SQL + App). Производительность 1С часто упирается в частоту процессора, а десктопные Ryzen как раз обеспечивают 5+ ГГц.
2️⃣ Frontend-сборка. На высокочастотных процессорах сборка может идти в 1,5–2 раза быстрее, чем на многих серверных Xeon.
3️⃣ Build-фермы. Разные типы лезвий можно подбирать под задачи CI/CD. Конфигурации с десктопными AMD-процессорами ускоряют этапы сборки, требующие высокой однопоточной производительности.
Сейчас по всем моим проектам записано более 10К задач. Если выполнять по одной задаче каждый день, то мне понадобится 30 лет, чтобы выполнить все эти задачи. Но когда я делаю задачу, мне приходят идеи и я записываю еще несколько новых задач. Мой список задач никогда не закончится, наоборот, количество задач в нем увеличивается каждый день.
Записанная задача не значит, что её обязательно нужно выполнить, она просто разгружает мозг. При записи я не трачу время на установку приоритетов и сроков. Пришла идея, сразу сохранил в файл, и больше не думаю о ней.
Помните год назад вышло беспрецедентное судебное решение Верховного Суда РФ за номером 5-КГ25-30-К2, которое призвало увеличить цифровую безопасность в Интернете и свести к минимуму мошенничество в виде оказания услуг под чужим именем? Так вот, после данного решения специалисты по ИБ вспомнили старого друга dnstwist и стали периодически проверять свой домен на наличие клонов-фишингов.Ну и что говорить, я тоже раз в неделю сдувал пыль с утилиты и проверял подозрительные "зеркала".
Однако, каждый инструмент хорош для того, для чего он был разработан, и чем больше я с работал с dnstwist тем больше я понимал, чего мне в нем не хватает для полноценного выполнения упражнения. Так как рынок не предложил достойного решения, пришлось разработать aka завайбкодить утилиту, специально заточенную для задачи от Верховного Суда.
Во-первых, текущее решении кросс-платформенное, так как реализовано на Docker. Поэтому его быстро и легко можно запустить как на Linux, так и Windows с MacOS, а также интегрировать в ваши уже существующие системы мониторинга. Во-вторых, функционал и настройки выведены в GUI через веб-интерфейс. Это позволяет выводить графику, а именно скриншоты проверяемых доменов, избавляя от необходимости ручной перепроверки. Также, на лету вносятся отметки о false positive, true positive или домен под продажу (тоже нужно смотреть, чтобы недоброжелатели не выкупили). Данные записываются в SQLite, которую можно легко скачать и интегрировать в свою систему. В завершение, из глобальных фич: формируется PDF-отчет, который выводит скриншоты фишинговых и доменов на продажу, позволяя быстро и оперативно принимать решение.
Приложение доступно на GitHub под названием 5-KG25-30-K2 на русском и английском языках. Качайте, пользуйтесь и, если есть предложения, контрибьюте. Жду вашей обратной связи и комментариев по утилите.
🧠 Обязательно поделись с теми, кому это может быть полезно: 💬 Телеграм | 💬 Max | 📝 Хабр | 💙 ВКонтакте
Как RETAILIQA совместила 152‑ФЗ, SLA для иностранцев и задел под новые ИИ‑сценарии
👨💻 Что за компания RETAILIQA (бренд компании ООО «Крона Лабс») с 2014 года развивает сервисы мобильного аудита: электронные чек-листы для контроля качества, мониторинга цен конкурентов и оценки лояльности клиентов (NPS). Решения компании используют крупные федеральные и региональные игроки в ритейле, общепите, телекоме, банках, страховании, управлении недвижимостью, промышленности, логистике и других отраслях.
🚀 Задача На фоне роста клиентской базы и объема собираемых данных команда столкнулась с несколькими ограничениями: прежний провайдер не мог масштабировать хранилище и вычислительные ресурсы, усилились требования федеральных заказчиков к безопасности и хранению чувствительных данных в российском ЦОД, у зарубежных клиентов возникали проблемы с доступностью сервисов. Параллельно RETAILIQA готовилась внедрять ИИ-модели для распознавания полок и ценников, что требовало гибкой и отказоустойчивой облачной инфраструктуры.
☁️ Что сделали В 2024 году всю инфраструктуру перенесли в облако VMware на платформе Cloud.ru, закрыв потребность в ресурсах и отказоустойчивости без простоя для клиентов. Для хранения терабайтов данных подключили S3-совместимое хранилище Evolution Object Storage и перешли на модель pay-as-you-go — оплачивают только фактическое потребление без необходимости «держать запас» на стороне. Для защиты и соответствия требованиям безопасности добавили StormWall: Anti-DDoS и сервис резервного копирования виртуальных машин VMware, обеспечив дополнительный уровень защиты от атак и потери данных.
🦾 Что получили в итоге RETAILIQA сняла ресурсный потолок: теперь можно без ограничений подключать федеральных и региональных клиентов с тысячами объектов контроля и десятками тысяч пользователей. Доступность сервисов достигла 99,98%, а надежное хранение фото- и видеоматериалов в сертифицированных российских ЦОД укрепило доверие крупных заказчиков и регуляторно-чувствительных отраслей. Например, крупная аптечная сеть с более чем 2 000 точек ежедневно отправляет «тяжлые» фотоотчеты по строжайшим стандартам мерчендайзинга — инфраструктура провайдера справляется с таким потоком без деградации.
В планах — внедрение сервисов AI Factory для анализа фотографий и распознавания информации на ценниках. Это позволит автоматически проверять, соответствует ли выкладка товара в торговых залах утвержденным схемам (планограммам), а также ускорит подготовку отчетов и позволит гибко масштабировать ресурсы под новые сценарии с применением ИИ, не перестраивая всю архитектуру с нуля.
На VII Форуме «Франкенштейн на кибербанке: ИИ и технологии будущего в финансовом секторе» Богдан Гарбар, CPO и руководитель Центра платформенных ИИ-решений ОТП Банка, представил инженерную методику расчета вычислительных ресурсов для сервисов на основе генеративного искусственного интеллекта.
Планирование вычислительных мощностей остается одной из ключевых задач при внедрении генеративного ИИ. До настоящего времени большинство компаний принимали решения на основе экспертных оценок, приблизительных ориентиров и данных из непрозрачных источников, что затрудняло точное бюджетирование и повышало инвестиционные риски. Избыточные закупки могли заморозить капитал в оборудовании, которое простаивало и быстро устаревало, а недостаточные мощности приводили к тому, что сервисы не справлялись с нагрузкой, что негативно сказывалось на скорости работы и удовлетворенности клиентов.
«Когда мы начинали внедрять генеративный ИИ, столкнулись с классической дилеммой: заложить слишком много ресурсов — заморозить капитальные затраты, заложить слишком мало — потерять клиентов из-за неработающего сервиса. Существующие калькуляторы и бенчмарки оказались непрозрачными, и мы решили разобраться, как все работает на атомарном уровне», — отметил Богдан Гарбар.
Он пояснил, что разработка ОТП Банка позволяет перейти от интуитивных оценок к обоснованным расчетам при планировании капитальных затрат на GPU-серверы — наиболее дорогостоящий компонент LLM-инфраструктуры.
«Мы создали не просто калькулятор, а инструмент для принятия решений: на какой инфраструктуре строить решение, в каком объеме закупать оборудование и как эффективно распределять вычислительные ресурсы между задачами. Модель связывает ожидаемую нагрузку и требования к качеству сервиса с ключевыми финансовыми показателями проекта — капитальными затратами (CapEx), совокупной стоимостью владения (TCO) и возвратом инвестиций (ROI).
В отличие от типовых подходов, она рассчитывает необходимый объем графических процессоров (GPU) на основе реальных бизнес-параметров и ряда технических факторов, которые напрямую влияют на потребность в вычислительных мощностях: объема памяти для одной пользовательской сессии, применения оптимизаций, включая квантование моделей, а также использования специализированных техник обработки запросов, позволяющих снизить нагрузку без потери качества сервиса. Это дает возможность определить минимально необходимый объем оборудования, достаточный для выполнения целевых SLA при оптимальных затратах», – подчеркнул Богдан Гарбар.
ProductRadar - деградация платформы, бессмысленные стартапы и многое другое...
Прикольные картинки генерирует ChatGpt....
Есть такой российский сервис - ProductRadar называется. Вкратце - на сервисе разные основатели проектов выкладывают на голосование свои продукты, и бьются за статус "Продукт недели".
Когда-то очень давно я там тоже выкладывал один из своих стартапов, который после продал охотнику с данного сервиса. Сравнительно недавно я вернулся на платформу просто в качестве зрителя, чтобы посмотреть, что изменилось за два года, с какими проектами люди приходят на Радар.
Начало конфликта
Всё началось с того, что я наткнулся вот на этот стартап: https://productradar.ru/product/platforma-kolczo/ - по описанию - это Российская стриминговая экосистема для авторов со сквозной монетизацией и ИИ-рекламой.
Круто ведь звучит?
Подумал я...И полез смотреть что же это за платформа такая. Но - одного взгляда на платформу было достаточно, чтобы понять: очередное ИИ-творение. Чтобы совсем подкрепить свои догадки - залез в исходный код. И да - все маркеры как на ладони - в исходном коде куча комментариев, которые разработчик даже не удосужился подтереть:
<!-- Apple splash screens (portrait). Убирают белый экран при запуске PWA с iPhone/iPad. -->
// На случай, если include по какой-то причине не выведен — fallback
/* ═══════════════════════════════════════════
HEADER USER BLOCK
═══════════════════════════════════════════ */
Изучив стартап вдоль и поперек я выяснил, что разрабатывает его скорее всего 1 человек, и этот человек не совсем разбирается в архитекутуре сложных приложений. Потому что такого нагромждения инлайн-css и инлайн-js я не встречал даже в самых плохих работах студентов, впервые написавших курсовую по теме программирования и разработки.
Юношеский максимализм данного проекта невероятно зашкаливал, и я, невероятно возмутившись тем, что такой сложный сервис разрабатывают при помощи нейросетки, да и еще вчерашний менеджер по продажам - написал большой гневный комментарий, в котором постарался всю свою критику максимально уложить хоть в какой-то конструктив.
К сожалению, не могу показать что я написал - потому что мой профиль успешно заблокировали и удалили с Радара, но об этом дальше.
Разрастание конфликта
Автор стартапа, надув щеки, попытался доказать мне что я неправ - и что проект точно выстрелит, и это всего лишь прототип. В этот же день зарегистрировалась какая-то левая девочка, отлайкала ответы фаундера и иронично написала:
Шёл 2026 год, люди до сих пор боятся нейросетей
Я посмеялся над ними - и указал на то, что регистрировать левых пользователей, чтобы отлайкать ответы - зашквар. Но меня опять не услышали. Фаундер настолько сильно поверил в свой проект, что даже не удосужился понять, о чем собственно речь, и как можно спасти ситуацию с проектом. Потому что копнув глубже - я выяснил что данный сервис имеет огромные дыры в безопасности, и любой пользователь может запросто от лица хоть админа провести трансляцию.
Если вкратце - сервис передаёт в сокет незащищённый userId, который любой может увидеть и изменить через DevTools (мета-тег kolco-user-id).
Всё. Я стал «администратором» на уровне клиента. А что можно сделать дальше - любой понимающий разработчик и так знает. И это - только путем поверхностного осмотра, не особо вникая в логику JS-кода, который у них напичкан в инлайне через каждые 15-20 строк HTML. Я честно сразу написал об этом в комментарии к проекту (Здесь моя ошибка - нужно было в личку).
Дальше еще интереснее
А дальше случилось то, от чего я очень долго смеялся и хватался за бока. Мой аккаунт удалили с радара, без объяснения причин. И более того, теперь в списке комментариев не видно, когда зарегистрировался комментирующий пользователь(картинка - сюда не влезло).
В приницпе - мне не холодно, ни жарко от удаления моего аккаунта. Но - действия администрации ПродуктРадара выглядят как откровенное подлизывание фаундерам и их Г-сервисам.
Бизнес-среда с 60х годов радикально развернулась на 180 градусов: была стационарной (прогнозируемой, малоизменчивой) стала турбулентной (непргнозируемой, высокоизменчивой).
ERP как целостная концепция управления предприятием была сформирована во время господства стационарной среды, и поэтому она основана на идее возможности долгосрочного планирования (все будет происходить так, как мы запланировали) и основана на развертывании и согласовании планов и нормативов их исполнения между различными аспектами деятельности предприятия (продажи, закупки, производство,...). Это СУЩЕСТВЕННОЕ ограничение по области эффективного применения (только там, где прогнозы и планы "работают") этой концепции управления даже отображена в названии enterpriseresourcePLANNING и в соответствующем перечне модулей и их функциональных возможностях (подчеркивания/выделения мои):
Sales and Operation Planning (Планирование продаж и производства).
Demand Management (Управление спросом).
Master Production Scheduling (Составление плана производства).
Material Requirement Planning (Планирование материальных потребностей).
Distribution Resourse Planning (Планирование ресурсов распределения).
Tooling Planning and Control ( Планирование и контроль производственных операций).
Financial Planning (Управление финансами).
Simulation (Моделирование).
Performance Measurement (Оценка результатов деятельности).
В то время (вторая половина 20 века) для господствующей тогда стационарной среды это было адекватное решение. Но сегодняшняя (начало 21 века) бизнес-среда ТУРБУЛЕНТНАЯ (противоположность СТАЦИОНАРНОЙ)!? Это бизнес-среда, в которой не возможно спрогнозировать спрос, не возможно спрогнозировать персональные требования клиентов, среда бешенных темпов технологического развития, постоянной смены условий и ситуаций ведения бизнеса, существенная изменчивость в стоимости и доступности ресурсов и т.п. Именно этот разворот бизнес-среды вынудил человечество искать "выход" и переходить с переставших работать прогнозных на "на лету" точно вовремя реагирующие решения (если стало не возможно с приемлемой точностью "предсказать", то надо учиться быстро и эффективно реагировать) Именно поэтому появились такие революционные решения-концепции как Вытягивающее планирование (LEAN и Канбан в производстве), Agile в проектировании.
Давайте представим, что планирование, как способ организации и согласования деятельности предприятия стало не возможным/бессмысленным. Т.е. предприятие попало в среду, в которой любой долгосрочный план будет гарантированно и с неприемлемыми последствиями для бизнеса не исполнен. Попробуйте с этой позиции оценить адекватность применения предприятием инструментария ERPlanning с его 16 модулями в такой ТУРБУЛЕНТНОЙ среде? Неужели только мне одному очевидно, что это будет КАТЕГОРИЧЕСКИ/КАТОСТРОФИЧЕСКИ НЕ ЭФФЕКТИВНО!? Неужели не очевидно, что нужно совершенно/существенно иное решение для управления предприятием в такой турбулентной среде на основе быстрого реагирования (не ERPlanning, а ERReactioning)!? Тогда почему до сих пор, IT-вендоры (бог с ними, с ушедшими иностранными, почему наши отечественные) до сих пор навязывают нашим предприятиям (за немалые деньги и огромные гранты от государства на импортозамещение) катастрофически неприемлемые решения по управлению предприятиями на основе ERPlanning и категорически отказываются даже разговоры вести на тему разработки адекватного современным условиям (турбулентной среды) ERReactioning!? Ау люди, эксперты, когда уже включится критическое мышление!? В какую "дверь" надо "постучаться", чтобы прекратить эту потерю смыслов?
Модернизировали дата-центры для быстрого внедрения ИИ
Команда Yandex Infrastructure модернизировала подход к строительству и охлаждению дата‑центров. Новая концепция кампусов дата‑центров и внедрение жидкостного охлаждения поможет ускорить создание и вывод на рынок ИИ‑сервисов Яндекса.
Концепция «кампус дата‑центров». Кампусы — несколько независимых дата‑центров в одной локации с общей внешней инфраструктурой. Команда внедрила концепцию кампусов, чтобы повысить эффективность использования ресурсов, снизить издержки и увеличить мощности в три раза до 180 МВт — рекордного в России показателя.
Жидкостное охлаждение. Для модернизации существующей инфраструктуры инженеры компании разработали сайдкары — дополнительные стойки с жидкостно‑воздушными радиаторами. Они позволяют использовать жидкостное охлаждение в дата‑центрах с фрикулингом без масштабной реконструкции. Сочетание двух технологий обеспечивает эффективное терморегулирование и ускоряет адаптацию инфраструктуры к растущим нагрузкам.
Благодаря фрикулингу и отказу от доохлаждения дата‑центры Яндекса уже достигают показателя энергоэффективности PUE 1,1. Внедрение жидкостного охлаждения позволит дополнительно снизить энергозатраты и повысить экологичность дата‑центров, делая их ещё более «зелёными».
Теневой ИИ: как сотрудники сливают данные через ChatGPT и что с этим делать
Сотрудники копируют конфиденциальные данные в публичные нейросети в обход ИТ-служб. В 2025 году объём утечек вырос в 30 раз — зафиксировано 410 млн DLP-срабатываний, связанных с ChatGPT.
Явление получило название Shadow AI — использование публичных ИИ-сервисов без согласования с безопасниками. По данным Zscaler, 77% сотрудников копируют конфиденциальную информацию в промпты, 60% загружаемых PDF содержат чувствительные данные.
Что утекает
Исходный код и архитектурные схемы
Персональные данные клиентов
Финансовые отчёты и коммерческая тайна
Внутренняя переписка и служебные документы
Каналы: прямые промпты, загрузка файлов, RAG-инъекции, агентные системы. В 2023 году сотрудники Samsung передали в ChatGPT исходный код оборудования. Обнаружена уязвимость EchoLeak — письмо со специальным содержимым заставляло Microsoft 365 Copilot автоматически отправлять на внешний сервер фрагменты переписки из Outlook.
Регуляторные риски в РФ
Персональные данные граждан нельзя передавать в зарубежные сервисы без согласия (152-ФЗ). Утечка коммерческой тайны, исходного кода и финансовых отчётов нарушает требования 187-ФЗ о безопасности КИИ. Предусмотрены оборотные штрафы и уголовная ответственность по ст. 272.1 УК РФ.
Что делать
Технические меры:
Видимость трафика к ИИ-сервисам через корпоративный прокси
AI-aware DLP для анализа промптов на лету
Защита от prompt injection в собственных ИИ-приложениях
Управление агентами и контроль RAG-источников
Организационные меры: чёткие правила использования ИИ, регистрация инструментов, обучение персонала. Главное — предоставить безопасные альтернативы вместо запретов. Запрет без замены приводит к ещё большему теневому использованию.
Проблема системная: сотрудники видят в ИИ инструмент для ускорения работы и не задумываются о последствиях. Задача ИТ — сделать защищённые решения удобнее публичных, иначе теневой ИИ будет расти.
Сервер работает. Инфраструктура — нет: открытые уроки для сисадминов
Системное администрирование давно не заканчивается на моменте «поднять сервер, настроить доступы и посмотреть логи». Сегодня администратору нужно уметь разбираться в контейнерах, Kubernetes, мониторинге, безопасности, инцидентах и автоматизации — иначе инфраструктура быстро превращается в набор ручных костылей.
Собрали открытые уроки, которые будут полезны системным администраторам, DevOps‑инженерам, SRE и тем, кто хочет увереннее работать с production‑инфраструктурой.
Linux и автоматизация: меньше ручной рутины
4 июня, 20:00 — «Продвинутый Bash» Для тех, кто уже пишет shell‑скрипты и хочет использовать Bash увереннее.
22 июня, 20:00 — «Память в Linux. Cache, swap, dirty pages» Практичный урок о том, как Linux работает с памятью, почему «свободная память» не всегда означает то, что кажется, и как читать поведение системы до того, как всё закончится OOM.
22 июня, 20:00 — «Роль и задачи DevOps в современном IT» Для тех, кто хочет разобраться, где заканчивается классическое администрирование и начинается DevOps‑подход.
10 июня, 20:00 — «Мониторинг распределенных систем» Про наблюдаемость сложных систем, где проблема может быть не на одном сервере, а между сервисами, очередями, базами и сетью.
Все уроки бесплатные. На них можно познакомиться с преподавателями‑практиками, посмотреть на формат обучения и задать свои вопросы.
Если интересны не только инфраструктурные темы, в полном июньском дайджесте собраны ещё 62 бесплатных урока по разработке, данным, архитектуре, ИБ и AI.
Почему подсчёт металлопроката на фото нельзя решить простым CV: инженерный эксперимент
В задачах строительного контроля и складского учёта регулярно возникает практическая проблема: необходимо автоматически определить количество элементов в пачке металлопроката (трубы, профили, швеллеры) по фотографии.
На практике это до сих пор часто выполняется вручную — с типичными ошибками: — перекрытие элементов в пачке — сложное освещение на площадке — различие типов профилей — человеческий фактор при массовом пересчёте
Была проверена базовая идея: можно ли обойтись без нейросетей и решить задачу классическими методами компьютерного зрения.
Использован упрощённый CV-конвейер:
локальное размытие изображения (11×1 и 1×11)
сравнение пикселей с локальным средним уровнем
выделение областей повышенной интенсивности
формирование бинарной маски потенциальных торцов
Метод не требует обучения модели и работает на CPU.
Результаты
Метод действительно даёт первичный сигнал, но имеет существенные ограничения:
быстро отсекает явно пустые или нерелевантные области
не разделяет плотные пачки профилей
чувствителен к освещению и теням
даёт ложные срабатывания на посторонние объекты
Вывод
Классические методы CV могут использоваться только как предварительный фильтр.
Для практической задачи подсчёта металлопроката требуется: — детекция объектов (YOLO-подходы) — либо сегментация с учётом перекрытий — адаптация под разные типы профилей
Если у вас есть похожие задачи на производстве или складе — интересно обсудить реальные условия: — типы проката — качество фото — сценарии учёта
P.S. Код базового эксперимента — это около 20 строк на OpenCV. Если нужен код — дайте знать в комментариях, выложу полный сниппет с фильтрацией. Но спойлер: для реальной работы его недостаточно.
Автоматизация расчётных схем: Python против ручного оформления
Иногда на построение расчётной схемы уходит больше времени, чем на сам расчёт.
Нужно показать балку, нагрузки, размеры, оформить картинку для отчёта или пояснительной записки. И вот уже запускается ЛИРА, CAD или другой тяжёлый софт ради схемы, которую можно описать несколькими параметрами.
Есть и другой подход — генерировать такие схемы программно на Python через Matplotlib.
Вместо ручного рисования задаются:
• координаты опор;
• сосредоточенные силы;
• распределённые нагрузки;
• размеры и подписи.
Меняется исходное значение — схема перестраивается автоматически за доли секунды.
На изображении пример консольной балки(часть балки для МНП - расчета по Маколею или методу начальных параметов) с нагрузками 75 кН и 20 кН/м. Вся графика построена кодом. Никакого ручного оформления, масштабирования и выравнивания стрелочек.
Что нравится больше всего — оформление перестаёт быть отдельной задачей. Можно сосредоточиться на механике и проверке гипотез, а не на поиске нужной кнопки в интерфейсе.
Кстати, сам скрипт занимает меньше 30 строк кода.
Если хотите продолжения — напишите, какую схему или эпюру вы бы автоматизировали в первую очередь. Потребуется код — предупредите, подготовлю.
Но пока он остаётся с вами, возможно, просто потому, что не видел, как это делают по-другому.
Иногда нужно быстро показать концепцию, обсудить варианты, проверить гипотезу. И только потом открывать Tekla, Revit или Advance Steel.
Эта визуализация силового каркаса здания собрана с помощью GenAI за несколько минут. Не для замены проектирования — для ускорения первых итераций и разговора с заказчиком.
Чем дальше, тем больше заметно, что нейросети становятся не заменой инженера, а усилителем инженера.
Помимо расчётов и проектирования промышленных объектов и фундаментов, мы разрабатываем IT-продукты — внутренние инструменты, которые упрощают расчёты, документооборот и взаимодействие в проекте.
Классическая инженерия + цифровые решения = не просто проект, а технологическая поддержка на всех этапах.
Изучаем возможности GenAI для проектирования и собираем лучшие практики: ✓ Промпты для инженерных задач ✓ Разборы примеров и кейсов ✓ Ошибки, которые допускают нейросети ✓ Реальные сценарии использования в проектировании
Если тема интересна — присоединяйтесь. Будем ускоряться вместе.
Выход на европейский рынок: 6 паттернов поведения покупателей которые ломают домашнюю бизнес-модель
6 паттернов поведения покупателей в Европе, которые ломают домашнюю бизнес-модель
Инструменты маркетинга в Европе и на домашнем рынке одинаковые: реклама, воронка, контент. Но модели поведения покупателей различаются системно — и это обнаруживается только через реальные проекты, а не кабинетный анализ.
По данным РБК, главная причина провала при выходе на международный рынок в 2026 году — вера в универсальность домашней бизнес-модели.
Шесть паттернов из реальных проектов в Нидерландах, Польше, Италии и Испании.
Паттерн 1: скидка как сигнал низкого качества
На домашнем рынке скидка — стандартный acquisition-оффер. В ряде западноевропейских стран тот же оффер снижает конверсию.
Домашний рынок:
скидка → выгода → рост конверсии
Западная Европа (ряд ниш):
скидка → экономия на составе → падение доверия
Бренд кормов для животных, запуск с нулевой базы. Стандартный скидочный оффер — результат близкий к нулю. После замены на «прозрачность состава + сертификация ингредиентов»: 21 лид в первый месяц.
Один продукт (профессиональная косметика), две страны, два разных customer journey. Раздельные стратегии под каждый рынок: рост продаж ×10 за 4 года.
Паттерн 3: длинный цикл принятия решения
По данным Cossa.ru, маркетинг в Европе 2026 года требует 5–7 точек контакта перед конверсией.
Домашняя модель: реклама → покупка (1-2 касания)
Европа (premium/handmade): реклама → наблюдение →
изучение → возврат × N → покупка (5-7+ касаний)
Мастер по изделиям ручной работы, итальянский рынок. Воронка под прямую продажу — менее 500€/мес. После перестройки под длинный цикл: 4 000€/мес.
Паттерн 4: другие точки доверия
Польша (локальный бизнес):
Google Maps + локальные платформы отзывов > соцсети
Западная Европа (продукты питания):
состав + сертификаты > скидки + промо
Цветочный магазин в Польше. Переработка под локальные точки доверия (отзывы, фото реальных букетов, гарантия свежести с конкретным сроком): 191 заказ в месяц.
Паттерн 5: нишевые каналы без конкуренции
На насыщенных домашних рынках большинство каналов перегреты. На европейских — нишевые каналы с минимальной конкуренцией в конкретной категории встречаются значительно чаще.
Пример: $100 бюджет → $550 выручки за неделю → ROMI 450%. Канал не очевиден при кабинетном анализе — обнаруживается через исследование конкурентной среды в целевой стране.
Паттерн 6: конкурентная среда не совпадает с домашней
Предварительная конкурентная разведка в целевой стране — обязательный шаг до запуска рекламы.
Чеклист до запуска бюджета
1. Google Maps целевого города →
как конкуренты работают с отзывами
2. Локальные профсообщества по нише →
реальные триггеры покупателей
3. Тест оффера на культурное соответствие →
скидка, срочность, социальное доказательство
работают по-разному в разных странах
Какие паттерны поведения покупателей вы обнаруживали при выходе на зарубежные рынки — совпадало ли это с ожиданиями?
Материал взят из оригинальной статьи на Хабре. А предысторию я описывал здесь.
Адресую всем, у кого есть дети и кто обучает детей или подростков.Тема пяти результатов обучения стала ключевым фактором в моём опыте успешного обучения программированию детей. Это то, что даёт действительно уверенные результаты и помогает формировать личность, сильно выходя за рамки изучаемого предмета.10 лет в сумме я проработал в IT-образовании. Была и компьютерная грамотность, и робототехника, и программирование, и тренинги, и выездные лагеря по личностному росту.Когда ребёнок, студент или даже взрослый чему-то учится, он приобретает или не приобретает 5 результатов обучения:
1. Знание, умение, навык
2. Способность к дальнейшему самообучению
3. Самооценка и эмоциональный след от занятий
4. Вывод о себе
5. Память об учителе и взаимоотношениях с ним
На практике они требуют тренировки и внимательного отношения к деталям образовательного процесса.
Главная ловушка в том, чтобы ориентироваться только на первый результат, игнорируя остальные.
Самый очевидный результат, за которым приходят учиться чему-то новому, — знание, умение и навык. Ребёнок получает знания и тренирует навыки. Другими словами, теоретическая база и наработка алгоритмов действий.
В случае программирования это база Computer Science, понимание структур данных и алгоритмов. Ребёнок учится находить решения задач и описывать их на одном из языков программирования.
Но если смотреть только на этот результат, легко не заметить остальное.
Остаётся ли у ученика способность к самообучению. Какой эмоциональный след оставили занятия. Какой вывод о себе он сделал после ошибок, задач и общения с преподавателем. Какая память останется об учителе и взаимоотношениях с ним.
Именно эти результаты часто остаются с человеком дольше, чем конкретный синтаксис или отдельная тема курса.
