Привет, Хабр!

Меня зовут Всеволод Котик, я инженер-аналитик в компании «Диасофт».

Перенос Java-приложения с WebLogic или WebSphere на другой сервер приложений может показаться относительно простой задачей. Но на практике основные сложности часто возникают не на этапе запуска, а там, где приложение зависит от особенностей прежней среды исполнения.

В этой статье разберем, как подготовиться к такой миграции, а также какие ошибки не стоит допускать.

В беттинге данные о действиях нужны почти сразу — не через час и даже не через полчаса. В нашем случае — в течение 10–15 секунд. Иначе продуктовая команда рискует поздно заметить проблему, а бизнес — потерять деньги и время, за которое конкурент уже запустит свою механику. Поэтому на связи Владимир Медников — директор по данным в PARI. Я расскажу, что происходит с событием пользователя после нажатия кнопки, зачем здесь Kafka с ClickHouse и почему именно 10–15 секунд, а не три минуты.

За первые три недели с момента выхода Atomic Heart привлекла 5 млн человек по всему миру и вошла в топ-10 игр на Steam в ряде стран, включая США, Германию, Великобританию, Францию, Финляндию и Японию. Онлайн за первые сутки превысил 38 000, в то время как у Dead Space этот показатель составлял 30 000. За первые два года аудитория на всех платформах превысила 10 млн человек.

Завоевав популярность среди нашей аудитории, в 2023 году Atomic Heart вошла в Зал Славы видеоигровой индустрии России. Этой же чести удостоился Роберт Багратуни, сооснователь студии Mundfish. 

Но почему зарубежные геймеры полюбили Atomic Heart, чем игра привлекла их? Под катом – мои рассуждения, иногда подкрепленные фактами, иногда – субъективные. Добро пожаловать в комментарии – предлагаю обсудить эту тему.

23 сентября 1999 года аппарат NASA Mars Climate Orbiter подошёл к Марсу после девяти месяцев полёта, вошёл в атмосферу слишком низко и разрушился.

Комиссия по расследованию назвала причину: в одном из наземных программных файлов не использовались метрические единицы. Одна программа выдавала данные об импульсе двигателей в фунт-секундах, а принимающая её навигационная система ожидала ньютон-секунды. Расхождение в 4,45 раза – ровно во столько раз недооценили влияние работы двигателей на траекторию. Этого хватило, чтобы аппарат пошёл не по той траектории.

Самое важное в этой истории: никто не ошибся в расчётах. Обе команды считали правильно. Просто каждая – в своих единицах.

Как же так вышло? Над аппаратом работали лучшие инженеры своего времени, в организации с едва ли не самой отлаженной системой контроля в мире. Но годы работы и девять месяцев полёта закончились ущербом в несколько сотен миллионов долларов.

Дело не в технике и не в квалификации людей. Дело в управлении – а точнее, в одном источнике потерь, который есть почти в каждой компании и о котором почти никто не думает. Ниже разберу, где именно теряет бизнес в проектах и почему этих потерь не видно, в чём была ошибка NASA и как не допустить такого же у себя.

Привет! Меня зовут Саша Журавлев. Я венчурный инвестор и основатель фонда Mento vc. Мы инвестируем в стартапы на стадиях Seed / Series A в США, а в своем телеграм-канале рассказываю, как вижу рынок и принимаю инвестиционные решения.

a16z (vc фонд, больше $100B под управлением) выпустили отчет о состоянии B2C AI рынка. В нем собрали данные о веб-трафике (и оплатах) различных AI-приложений - сравнили их и сделали выводы. А мы с командой перевели разбор всех тезисов и графиков для вас.

Внутри ответы на вопросы:

• Какие сервисы и приложения привлекают больше всего пользователей, и на какие из них люди тратят больше всего?

• Какую задачу должен решать продукт, чтобы человек был готов платить за него каждый месяц?

• Что нужно предложить тем, кто пока не платит, чтобы AI стал частью их повседневной жизни?

• Какие ниши пока свободны, и где может появиться следующий крупный игрок?

Приятного чтения!

Команда a16z уже три года следит за рынком AI-сервисов для частных пользователей, и состав лидеров становится все более устоявшимся. По одному лишь трафику все сложнее понять, что на самом деле происходит на B2C AI рынке.

Поэтому в этом выпуске a16z впервые добавляет рейтинг по расходам американских пользователей с личных банковских карт — на основе YipitData. Такой рейтинг показывает, за какие AI-продукты люди действительно платят. В нем будут учтены те сервисы, которые проходят мимо рейтингов по посещаемости сайтов и аудитории мобильных приложений: например, десктоп-версии или AI-агенты в мессенджерах.

Всем привет! Меня зовут Алексей, я техлид Android-направления в компании Домклик.

В прошлой статье мы рассмотрели несколько базовых метрик. В этой части поговорим о менее очевидных, но не менее полезных критериях и способах измерения различных аспектов мобильной разработки. Тема не новая, однако получила новый импульс благодаря развитию и широкому внедрению искусственного интеллекта (ИИ).

Привет! С вами Руслан Нуриев, методолог-аналитик компании Directum. Я много лет работаю в кадровой сфере и последнее время всё чаще наблюдаю одну и ту же картину: HR-специалисты хотят использовать искусственный интеллект в работе, но боятся. И эти страхи не беспочвенны.

С одной стороны, ИИ в HR реально экономит время: помогает составлять графики, анализировать документы, готовить ответы на нестандартные запросы. С другой — многие данные, с которыми работает кадровик, относятся к персональным. А значит, действуют особые правила. И если их игнорировать, можно получить не только утечку, но и штраф, размеры которого в 2025 году выросли в разы.

Давайте разберемся, что можно, что нельзя и как организовать работу с ИИ и ПДн безопасно. Я поделюсь своим опытом и наблюдениями, а вы решите, что применить в своей компании.

Часто можно услышать, что цвет субъективен, а электромагнитные волны объективны. Однако электромагнитные волны связаны с физической теорией, которая выражается посредством математического формализма. Это в свою очередь поднимает вопрос, что можно сказать об электромагнитном поле без использования математических уравнений теории Максвелла.

Для обсуждения связи математики и физики вводится метафора математических очков. Понимание физической теории достигается надеванием математических очков, а без них мы теряем возможность содержательного обсуждения физического мира. Вначале кратко рассмотрена история связи физики и математики в ходе научной революции 17-го века, а затем показано, что без математических очков нельзя ответить на вопрос, что такое электромагнитное поле. Это не вызывает особых проблем, поскольку можно понять связь теории с работой реальных устройств.

Тем не менее, вопрос об объективности электромагнитного поля связан с объективностью используемых математических очков. Обсуждены два варианта ответа - математические очки принадлежат либо миру, либо мышлению человека. Первый вариант приводит к математическому платонизму, когда остается отрытым вопрос о связи мира математической Платонии с физическим миром. Во втором варианте теряется возможность использования значения слова объективный для мира самого по себе.

Можно ли разложить 15+ млн хаотичных товаров по 1100 категориям за месяц? Да – без зубодробительного ML и миллионных затрат на LLM-инференс!

В статье о том, как:

1. ML проиграл системе простых бизнес-правил;

2. мы присвоили артикулы товарам для целой отрасли;

3. заставить работать даже самые зашумлённые данные из CRM.

Чтобы держать марку, расскажу и ещё об одном языке, программировать на котором — всё равно, что разбавлять утренний кофе самогоном. Естественно, речь пойдёт о C++.

Если вы из тех мучеников, которым довелось работать с C++ профессионально, то вы знаете, насколько в самом деле плоха стандартная библиотека C++. С чего бы начать?

Привет! Меня зовут Александр Щербаков, я DevOps-инженер в X5 Tech. В одной из прошлых статей я рассказывал о домашних серверах на потребительском железе. Сегодня поговорим о том, как моя лаборатория доросла до серверной платформы и двух CMP 50HX с 20 ГБ видеопамяти каждая.

С локальными LLM я пока разбираюсь и хочу поделиться тем, что получилось: от покупки карт и неудачного первого запуска до настройки сервера и замеров. Кому интересна такая затея — добро пожаловать под кат.

Когда на принятие решения есть десятки миллисекунд, зависимость от облака становится проблемой для промышленной автоматизации. Edge AI позволяет обрабатывать данные прямо на оборудовании, но его внедрение требует учитывать ограничения железа, особенности интеграции с АСУ ТП и сопровождения моделей. Разбираемся, какие технологии подходят для промышленных задач и как запустить пилот, который не застрянет на стадии эксперимента.

Облако — удобно, пока работает. Статья о том, какие архитектурные решения нужны, чтобы умный дом продолжал жить своей жизнью, даже когда чужой дата-центр недоступен.

Те, кто читал прошлые статьи, знают, что я потратил довольно большое количество времени на борьбу с шумом домашнего ЧПУ-станка 3018 (что это за станок, подробно описывал вот здесь).

И в первой статье я изложил интересную идею, которая пришла мне в голову — а что, если полностью глушить дикий шум от фрезерования дорожек печатной платы с помощью заливки её сверху толстым слоем воды или мыла? Так никто не делает, и мне было очень интересно, так как, чисто теоретически, идея должна была увенчаться успехом!

Что-то эта идея меня так в результате увлекла, что я не стал останавливаться на выдвижении голой теории и проверил её самостоятельно на практике — тем более что мне это было очень легко: станок-то был у меня под руками!

К сожалению, вся затея не увенчалась успехом — слой воды/жидкого мыла абсолютно не гасил звук!

Однако в процессе размышлений над всей этой темой и проведения тестов мне пришла в голову одна поразительная идея, своего рода озарение, которое я сразу проверил и, можно сказать, остался в шоке: я смог полностью устранить дикий шум при изготовлении дорожек и не только!

В комментариях к прошлой статье меня просили рассказать о ней — так вот, рассказываю...

Архитектура фронтенд приложения — вопрос не простой. Подтверждением тому служит то, что многие до сих пор считают архитектурой FSD. Больше того, считают хорошей архитектурой.

Отчасти из-за того, что сложность фронтенд-приложений выросла быстро и сообщество за ним не успело. Отчасти из-за того, что фронт достаточно долго обладал самым низким порогом хода в программирование и в какое-то время его наводнили ребята, обученные на курсах «Стань React разработчиком за 20 дней».

Эта статья — моя вторая попытка доработать архитектуру фронтенд-приложения, позволяющую вести контролируемую и предсказуемую разработку, минимизировать зависимость от внешних инструментов и упростить интеграцию llm в процесс разработки.

Раньше для замены лица на фото или видео требовались навыки работы с графическими редакторами: нужно было уметь создавать маски, совмещать изображения, корректировать освещение и цвет.

Сегодня заменить лицо можно без специальных навыков — для этого существуют нейросети и специализированные сервисы, которые выполняют большую часть работы автоматически. Однако качество результата зависит от выбранного инструмента: одни точнее сохраняют внешность человека, другие лучше справляются со сложными ракурсами, освещением и мимикой.

В статье разберём, как работают инструменты для замены лиц, сравним специализированные сервисы и генеративные модели на одинаковых исходных материалах и выясним, какие ограничения есть у каждого подхода.

Печатная плата без маркировки похожа на чемодан без бирки: доехать она, скорее всего, доедет, но разобраться, кому она принадлежит и что с ней происходило, будет сложнее. Сегодня хотели бы рассказать, зачем платам QR- и DataMatrix-коды, где их лучше размещать и какие нюансы предусмотреть ещё на этапе заказа.

Летом я сделал сайт, который собирает публичные Telegram‑каналы российских стримеров в одну ленту. Идея была простая: я подписан на десяток таких каналов и устал листать их по очереди, чтобы узнать, будет ли сегодня стрим.

Через три месяца у проекта 260 коммитов, 450 каналов, больше 60 тысяч постов в базе, около 4 тысяч страниц в поиске Яндекса и доход от рекламы — 1–2 рубля в день. Это честная ретроспектива: что сработало, на какие грабли я наступил и что показали данные про то, зачем люди на самом деле приходят на такой сайт. Спойлер: не за тем, для чего я его делал.

С гордостью представляем очередное издание книги, которая за 20 лет выдержала 8 переизданий, а её общий тираж превысил 30 000 экземпляров. За это время она зарекомендовала себя как надежный путеводитель, который провел в мир схемотехники и микроконтроллеров тысячи читателей: от школьников, впервые берущих в руки паяльник, до опытных программистов, решивших разобраться, как «железо» работает изнутри.

Я прогнал 20 небольших задач на Python через три модели, по три повтора на задачу, и собрал 179 ответов. Все 179 закончились строкой CONFIDENCE: SURE. Вариант UNSURE в промпте был, им не воспользовался никто. При этом четыре решения завалили скрытые тесты. Одно превращало 1024 байта в 1.0 MiB, другое падало на разнице между двумя самыми обычными датами. Под обоими стояло SURE.

Дальше расскажу, как это было устроено, покажу все четыре ошибки и честно перечислю, чего из этого эксперимента вытащить нельзя (а нельзя многое).

Патч UniqueKeys для PostgreSQL предлагает научить планировщик распознавать случаи, когда строки запроса уже гарантированно уникальны. Сейчас он не всегда может это определить и выполняет лишнюю работу: повторно проверяет данные на дубликаты, хотя в этом нет необходимости, или упускает более дешеый план выполнения. Механизм UniqueKeys позволяет прослеживать уникальность данных через сложные соединения и подзапросы, чтобы исключать ненужные операции DISTINCT и GROUP BY и точнее оценивать стоимость запросов. В Tantor Postgres этот механизм уже реализован, а патч предложен для рассмотрения сообществом PostgreSQL в рамках CommitFest.

Как я собрал внутреннюю систему учёта документов и рейсов на Google Sheets, Glide, Apps Script и Telegram. Разбираю действующую архитектуру, состояние диалогов бота, роли, отчётность и архивирование — и объясняю, почему следующим шагом стала модель данных в PostgreSQL.

Xtep со штаб квартирой в Гонконге специализируется на производстве спортивной экипировки. Компания была создана в 2001 году предпринимателем Дин Шуй По, а уже к 2019 году открылись более 6 тысяч фирменных магазинов бренда по всему миру. История успеха китайского спортивного гиганта в нашем материале. 

Я не стал спорить, а измерил. dm-log-writes — цель device-mapper в ядре Linux — складывает копию каждой записи с отметками сброса кэша. Журнал воспроизводится на чистое устройство до каждой точки отказа, устройство монтируется и отрабатывает настоящее восстановление журнала ext4, xfs или btrfs. Не модель POSIX — то, что блочный слой действительно отправил вниз.

Двенадцать способов сказать «сохранено» — от голого writeFileSync до SQLite и git commit. Десять теряют подтверждённую запись, на всех трёх файловых системах.

Среди них write-file-atomic — 102 миллиона загрузок в неделю, его использует сам npm CLI, когда пишет ваш package-lock.json. SQLite на настройках по умолчанию. git commit даже при core.fsync=all: шесть вызовов fsync, и все на файлы, ни одного на каталог.

Внутри — как устроено измерение, почему ширину окна потери задаёт интервал фиксации журнала (и почему совет «поставьте commit=60» расширяет это окно в двенадцать раз), и отдельный раздел про четыре ошибки, которые я допустил в собственном инструменте. Включая вывод, сделанный из одного зелёного прогона CI — в инструменте, написанном ради тезиса «один зелёный прогон ничего не доказывает».

Инструмент: gray, MIT.

Какие альтернативы сервисам Яндекса действительно независимы? Разбираем такси, доставку, офлайн-карты, почту, облако и платежи. План действий на случай сбоя.

Запасное приложение еще не означает независимый сервис. Разбираемся, чем заменить продукты «Яндекса», что можно подготовить заранее и почему одна резервная копия в другом облаке иногда важнее десятка установленных программ.

Многие научные изыскания, особенно в современном мире, получают свое научное доказательство либо сразу же, либо спустя короткое время. Однако научное сообщество прошлого века или даже еще раньше было источником огромного числа теорий, которые долгое время оставались теориями ввиду отсутствия технических возможностей их подтверждения. Какие-то из них были опровергнуты современными учеными, какие-то до сих остаются в подвешенном состоянии, а какие-то наконец-то получили свое утвердительное подтверждение. К последним относится теория, выдвинутая физиком Хансом Бете еще в 1931 году, названная в последствии «струны Бете». Ученые из Инсбрукского университета имени Леопольда и Франца (Инсбрук, Австрия) смогли создать и наблюдать «струны Бете» — необычные квантовые состояния. Как именно ученые их создали, какого было их поведение, и что доказательство данной теории может предложить квантовый физике современности? Ответы на эти вопросы мы найдем в докладе ученых.

Двадцать лет ИБ-сообщество учило разработчиков не тащить в проект непроверенные зависимости. А потом мы доверили написание кода LLM, которые с удовольствием выдумывают несуществующие пакеты, — и злоумышленнику остаётся только зарегистрировать их первым. Разбираемся, что такое slopsquatting, насколько часто модели галлюцинируют пакеты и как от этого защититься.

Если показать неподготовленному зрителю две совершенно разные стойки, то с очень большой вероятностью он выберет ту, в которой царит чистота и порядок. Кабели уложены ровно, ничего лишнего не торчит — как будто делали специально для рекламной фотосессии дата-центра. Вряд ли кто-то придет в восторг от хаотично набросанных кабелей питания, перепутанных оптических патч-кордов и сделает свой выбор в пользу такой стойки. Однако не все так однозначно, как может показаться. 

На связи Дима, инженер дата-центра Selectel, и в этой статье мы разберем, где проходит грань между аккуратным монтажом и «красотой ради красоты», почему затянутые стяжки могут мешать эксплуатации и как спроектировать кабельную систему так, чтобы серверная была не только красивой, но и удобной в работе.

Привет, Хабр!

Сегодня я расскажу о том, как пользователю ИИ, далекому от профессионального проектирования полиагентных систем, получать результаты, сопоставимые по качеству с теми, что получают эти специалисты, для простых проектов: например, разработать какую-нибудь компьютерную игру, сделать набор небольших практически полезных приложений, или нарисовать очень красивые хорошо продуманные презентации (которые совсем не умеет делать современный ИИ по простому запросу или даже по длинному промпту с контекстом).

А также здесь вы можете поизучать основы линейной алгебры и понять, что такое матрицы (откуда берутся все эти правила их умножения и сложения, зачем они нужны), что такое линейные операторы и как они связаны между собой.

Model ID, прописанный в коде, — зависимость с датой окончания срока годности, как версия библиотеки без поддержки. У флагманов Anthropic эта дата обычно наступает примерно через год после релиза, у превью-моделей Google — через несколько месяцев, а окно между объявлением об отключении и самим отключением у провайдеров измеряется медианой от 28 до 182 дней. 

Мы подробно разобрали, что и когда отключали в 2026 году, что при ломается, как команды мигрируют на самом деле (по данным выборки из 17 703 репозиториев) и как построить приложение, которое переживёт смену модели без аврала.

У продакт-менеджера Эвотора появилась идея для автономного лид-магнита. Идея классная, но команда разработки полностью занята продуктовым бэклогом, а ждать планирования новых ставок до следующего года — слишком долго для проверки гипотезы. Чтобы не откладывать фичу в стол, продакт освоила вайбкодинг и собрала рабочий микросервис самостоятельно. 

Бороться с низким FLR можно по-разному. Иногда, если поддержка не может решать проблемы сама, без второй линии, бизнес делает вывод, что на первой не хватает рук. Нанимаем ещё десяток человек, потом ещё, потом ещё. Полгода спустя штат первой линии вырос на треть, а FLR остался там же, где был до найма. Иногда даже чуть просел, потому что новички чаще передают обращения дальше: знаний и прав у них меньше, чем у опытных коллег.

Вроде бы понятно, почему такое решение вообще принимают: больше людей — больше пропускная способность — выше процент заявок решённых на первой линии. Но если показатель не сдвигается даже при активном найме, это не сигнал что нужно нанять ещё. Можно удвоить штат и получить ту же картину только дороже. Новые люди сокращают очередь, но решить обращение без эскалации помогают знания, права первой линии и полнота самой заявки. Найм ничего из этого не добавляет.

На связи Сергей Скирдин, технический директор ИТ-интегратора «Белый код». Для компании, которая занимается производством, мы выполнили интересную задачу — создали инструмент для поиска ошибок DATAREON Platform. Дело в том что интеграционная платформа используется в нескольких территориально распределенных сегментах. Рассказываю, какую схему придумали и внедрили.

Речь о проникновении генеративного ИИ в российский пользовательский и коммерческий рынок. Одной доли пользователей мало. Рынок удобнее держать несколькими уровнями: массовая аудитория AI-сервисов, профессиональное использование, корпоративное внедрение, AI-опосредованный поиск и выбор, коммерческий GEO — присутствие брендов и источников в генеративных ответах.

К 2026 году нейросети в России уже массовый пользовательский инструмент и часть бизнес-инфраструктуры. ВЦИОМ: 78% российских интернет-пользователей обращались к нейросетям за последний год. Mediascope фиксировал месячный охват отдельных AI-сервисов на уровне 26% населения 12+ в октябре 2025 года и 32% в феврале 2026 года. Эти показатели не являются одним временным рядом: они измеряют разные корзины сервисов и разные горизонты активности, но вместе показывают масштаб распространения AI-интерфейсов [1; 2; 3].

Основная часть статьи посвящена GEO как формирующемуся слою коммерческого поиска. Чтобы собственные данные не существовали отдельным кейсом, в исследовании используется триангуляция трех типов измерений: потребительские опросы показывают, где люди уже делегируют ИИ поиск и выбор; независимые мониторинги AI-ответов показывают, какие категории и бренды фактически попадают в генеративный shortlist; обезличенный массив GeoAist проверяет ту же механику на смешанной выборке отслеживаемых брендов в небрендовых коммерческих запросах. Из полного массива 16 428 проверок GeoAist в настоящей работе задействованы только 2 376 успешных consideration/decision проверок; остальные направления сохранены для последующих исследований [16; 17; 24; 26-30].

Сопоставление показывает последовательные фильтры коммерческого AI-рынка, а не одну «долю GEO». Внешние опросы фиксируют готовность или фактическое использование AI при выборе. Внешние GEO-мониторинги показывают, что известные лидеры отдельных ниш могут иметь очень высокий Mention Rate. GeoAist измеряет, насколько часто конкретный отслеживаемый бренд из более неоднородной выборки самостоятельно входит в ответ на небрендовый коммерческий запрос. Разрыв между высокими показателями лидеров и более низкой средней inclusion rate смешанного портфеля — содержательный результат, не статистическое противоречие.

M5StickC Plus2 + Bruce 1.15: от кирпича до карманного арсенала

Когда я впервые увидел M5StickC Plus2, это была любовь с первого взгляда. Крошечный ESP32-девайс размером с брелок, с экраном, батареей и кучей пинов — за смешные деньги. Но стоковая прошивка — это скучно. А вот Bruce превращает эту безделушку в нечто совершенно иное.

Это не обзор и не реклама. Это честный гайд от человека, который прошёл путь от «что это за хрень» до «почему у меня в кармане устройство, которым можно ронять Wi-Fi сети». Всё на русском, без воды, с реальными граблями.

Привет! Я Юрий Степанов, ведущий системный аналитик в LDM (ИТ-холдинг LANSOFT). Несколько месяцев назад мне поставили задачу ускорить сборку приложений на нашей low-code платформе с помощью ИИ. Перепробовал разные модели и подходы, собирал флоу с промптами – и в итоге методом проб и ошибок пришел к рабочей схеме: подготовил для агента структурированный слой документации по платформе с индексами и ключевыми словами, по которым он сам находит нужный раздел под конкретную задачу.

Сейчас этот подход я продолжаю развивать параллельно со сборкой самого приложения. А сам подход я назвал «вайб-конфигурирование» – о нем и поговорим: чем он принципиально отличается от вайб-кодинга, как это устроено под капотом и что из этого реально работает, а что пока нет. Погнали!

Привет, Хабр!

Пока я готовил эту статью, rustc 27 минут жевал один крейт с процедурными макросами, упёрся в лимит памяти и умер от OOM-killer. Крейт обычный, diesel_derives, компилятор тоже обычный, свежий nightly. Я всего лишь попросил его проверять заимствования старой Datalog-версией Polonius, которая до сих пор лежит в компиляторе за флагом.

Полез я туда неслучайно. В августе на nightly по умолчанию включили новый борроу-чекер, через пару недель новый трейт-солвер, а ещё через 3 дня стабилизировали тип never, который провисел в нестабильных 10 лет. Три большие штуки, которые годами жили в долгих планах, сменились почти одновременно, и заметили это в основном те, у кого nightly крутится в CI.

В stable за год тоже кое-что поменялось. С весны в match можно писать if let прямо в гарде, а с июля наши функции в бинаре называются по-другому. Если вы обновляетесь через rustup update и changelog не читаете, ниче страшного, так живут почти все, но пару сюрпризов вы могли пропустить.

Большинство людей ищут идею для бизнеса не там. Сидят и придумывают: «А что, если сделать приложение для…». Через неделю запал проходит, через месяц выясняется, что продукт либо уже есть у трёх компаний, либо никому не нужен.

История Profit AI устроена наоборот. Основатель ничего не придумывал. Он взял Google-таблицу, с которой каждый день работал на консалтинге, и превратил её в приложение для Shopify-магазинов. Результат на момент интервью — около $30 000 в месяц от приложения и $147 000 выручки с запуска в декабре 2025 года.

Разберём, почему эта идея сработала, и как найти похожую у себя. В конце — бесплатный шаблон, по которому можно за неделю выписать свои проблемы, проверить спрос и выбрать одну идею.

В видеоаналитике важно не только распознать объект, но и правильно связать его с контекстом: временем, местом, камерой и результатом обработки. Если данные рассинхронизированы, даже точная модель машинного зрения может привести к ошибочному выводу. Рассказываем, как мы выстроили архитектуру данных, которая помогает сохранять целостность событий — от камеры до аналитического отчёта.

Я хочу убрать ручной перенос плановых и фактических показателей из Excel в PowerPoint. Цифры уже собраны, расчёты понятны, структура отчёта почти не меняется. Однако каждую неделю приходится открывать прошлую презентацию, заменять значения, двигать подписи и проверять, не осталась ли где-нибудь старая дата.

Работа небольшая. Повторяется бесконечно.

При этом цена опечатки вполне осязаема: на слайде обсуждают число, которое разошлось с исходной таблицей. Или сравнивают показатели по диаграмме, у которой после обновления незаметно изменилась шкала. Хотелось сделать этот переход воспроизводимым: пользователь загружает новую таблицу, проверяет значения и получает очередной отчёт с теми же правилами оформления.

Так появился Report Slides — локальное приложение на Python, которое принимает CSV с планом и фактом и собирает редактируемый PPTX. Интерфейс открывается в браузере. Модель и API-ключ не нужны, пользовательские отчёты приложение само на диск не записывает.

Ниже я расскажу об устройстве генератора: строгом импорте, арифметике через Decimal, нативных диаграммах PowerPoint, встроенных книгах Excel и состоянии интерфейса. Больше всего внимания досталось местам, где маленькая утилита способна незаметно исказить результат.