Эта статья погружает в саму структуру нашего мышления, предлагая практический подход к тому, как сделать его более осознанным и управляемым. Мы разберём, как можно обогатить свой мыслительный процесс, используя внешние инструменты для навигации в сложных идеях и защиты от когнитивных искажений. Это размышление о том, как превратить собственный разум в ясного и сильного союзника, способного видеть суть вещей за пеленой ментального шума.

Недавно наша команда столкнулась с новым проектом — крупной backend-системой, которую руководство решило реализовать в формате монорепозитория. Масштаб бизнес-логики оказался огромным, и быстро стало понятно, что без четкой архитектурной дисциплины невозможно поддерживать читаемость, изолировать бизнес-логику и эффективно управлять сложностью. Поэтому мы выбрали подход Domain-Driven Design (DDD), при котором домен описывает бизнес-правила, а оркестратор и инфраструктура вынесены в отдельные слои. Меня зовут Рамиль Куватов, я разработчик в VK Tech, и эта статья — попытка описать и систематизировать принципы, которые помогают нам сохранять архитектуру чистой, а систему — устойчивой к изменениям.

Если на собеседовании по System Design не уделить внимание требованиям, это почти гарантированно приведёт к провалу — даже если ваше техническое решение идеально. Игнорирование требований — главная причина провала на собеседовании. Уделите этому 5-10 минут, и ваше решение сразу станет в разы сильнее. Расскажем, как собрать и зафиксировать требования чтобы повысить свои шансы при прохождении собеседования в IT-компанию.

Собеседование по System Design — это не просто проверка технических знаний, а настоящее испытание вашего инженерного мышления. В отличие от алгоритмических задач, где есть чёткие правильные и неправильные ответы, здесь всё строится на умении анализировать, взвешивать компромиссы и предвидеть проблемы до их появления. Ирония в том, что даже опытные разработчики часто проваливают эти собеседования, потому что сосредотачиваются не на том. Они могут идеально знать, как работает Kafka или Cassandra, но если не умеют структурировать свои мысли и задавать правильные вопросы, их шансы резко падают.

Проведя множество собеседований на позицию продакт-менеджера и ежедневно общаясь с большим количеством продактов, я понял, что у большинства моих коллег сейчас в голове полная каша и неразбериха. Со всех сторон сыплются новомодные словечки, пестрятся фреймворки, все используют agile и делат growth hacking, даже не понимая, что это такое, как это варить и есть ли это у них на самом деле.

В этой статье я попробовал проанализировать инструменты, которые используют продакт-менеджеры, разобрать, что они из себя представляют, а также ответить на ключевые вопросы: Что это? Для чего это нужно? Когда это применять?

Привет, Хабр!

Это команда Eppie. Мы разрабатываем p2p почту, в которой пользователи владеют своими адресами и данными. Про данные мы уже говорили, сегодня остановимся на адресах.

Привет! Это команда курса «Аналитик данных» в Яндекс Практикуме. Собрали подборку полезных ресурсов для тех, кто только начинает осваивать визуализацию данных или хочет расширить арсенал инструментов и источников вдохновения. Здесь вы найдёте книги, статьи, онлайн-ресурсы и телеграм-каналы, которые помогут разобраться, как правильно, наглядно и красиво представлять данные.

Сегодня для того, чтобы данные действительно работали на бизнес, недостаточно просто собрать и обработать их. Необходимо превратить их в понятные и удобные решения – своего рода аналитические продукты, которые приносят реальную пользу. Проще говоря, аналитический продукт (он же data product) – это автоматизированная цепочка действий над данными, результатом которой является полезная информация или рекомендация для решения конкретной бизнес-задачи. Появление таких продуктов стало возможным благодаря построению централизованной аналитической платформы с полной архитектурой данных от интеграции до представления. Иными словами, чтобы данные приносили пользу, они должны пройти путь от извлечения из источников до представления в понятной форме, охватывая этапы интеграции, обработки, представления и управления данными.

Наша «база» — единая аналитическая платформа, реализованная по принципам, применяемым в зрелых data-driven компаниях. В её основе – современный техстек, включающий стриминговую шину данных Apache Kafka на слое интеграции (Stage), высокопроизводительное хранилище ClickHouse на уровнях ODS/DWH/Data Mart, оркестратор пайплайнов Apache Airflow (с использованием dbt) для ETL/ELT и контроля качества данных, систему метаданных OpenMetadata для управления информацией о данных, BI-платформу Yandex DataLens для визуализации, а также собственный REST API-слой для интеграции с внешними системами. Такой подход обеспечивает масштабируемость и воспроизводимость: наша база данных поглощает до сотен миллионов записей в сутки и почти мгновенно выдаёт результаты аналитических запросов благодаря ClickHouse. Все инструменты связаны в единую архитектуру, где потоки событий из источников сразу попадают в Kafka, оттуда – в ClickHouse, после чего данные доступны для построения витрин, дашбордов, алертов и API-интеграций в реальном времени.

Определю что такое физкультура на 2025 год - это вообще любое физическое упражнение, любой тренажёр, которые не вредят здоровью, а наоборот полезны здоровью и реабилитации. Так же физкультура ни в коем случае не про достижение неких результатов, скажем 100 отжиманий за раз или с 200 кг на штанге приседать или от груди пихать. У физкультуры нет вообще никакой цели в плане некоего числа килограммов, метров, выпадов и чего угодно. Физкультура это банальная жизнь, что бы как можно медленнее от возраста деградировало тело. Это моё определение, выведенное на основе житейског8о опыта.

Физкультура может быть в виде гантелей на бицепс, байдарки на озере, велосипеда с покатушками где угодно и скажем тренажёр для гребли и тренажёр блочный для спины.

Теперь про важнейший фактор - сердцебиение при физкультуре. https://cyberleninka.ru/article/n/kontrol-chastoty-serdechnyh-sokrascheniy-dlya-povysheniya-rezultatov-na-dlinnyh-distantsiyah/viewer - тут надо внимательно следить и лучший современный способ - либо хорошие смарт-часы, либо спец-пульсометр. ОСОБЕННО СЛЕДИТЕ ЗА ПУЛЬСОМ В БАССЕЙНЕ. Объясняю - вода намного плотнее воздуха, мы 99.9% времени не ходим внутри воды, а ходим сквозь воздух. А многие норовят сразу нырнякнуть и дать брасом 2 раза по 25 метров, мол смотрите - какой я удалец. Неа, это резкий рывок сердцебиения, можно прям в бассейне и ласты склеить.

Вот средняя таблица с зонами пульса. Если брать крайние значения - профессиональные бегуны, пловцы, велосипедисты - у них пульс может быть в покое 35 - 50, это не то что бы норма, это профессиональная адаптация и это не есть хорошо, обычно проф-спротсмены долго не живут.

На связи Сергей Скирдин, технический директор ИТ-интегратора «Белый код». Недавно получил такой комментарий к одному из обзоров ESB: «Я считаю, что интеграционные платформы больше не нужны», а спустя время в Телеграм-сообществе «Шины не для машины» развернулась дискуссия на тему «Паттерн ESB безнадежно устарел». Решил собрать в одной статье популярные вопросы по теме и ответить на них.

Распознавание жестов — это технология, которая позволяет людям взаимодействовать с устройствами без физического нажатия кнопок или сенсорных экранов. Интерпретируя жесты человека, эта технология нашла свое применение в различных потребительских устройствах, включая смартфоны и игровые консоли. В основе распознавания жестов лежат два ключевых компонента: сенсор и программный алгоритм.

В этом примере используются измерения акселерометра MPU 6050 и машинное обучение (ML) для распознавания трех жестов рукой с помощью ESP32. Данные из сенсора распознаются на микроконтроллере и результат выводится в консоль в виде названия жеста и вероятности результата. Модель ML использует TensorFlow и Keras и обучается на выборке данных, представляющей три различных жеста: "circle" (окружность), "cross" (пересечение) и "pad" (поступательное движение).

Разработка проекта начнется с получения данных из акселерометра для построения набора жестов. Затем мы проектируем полносвязную нейронную сеть для распознавания жестов, и подключим модель в проекте ESP32.

В следующей части рассмотрим как настроить Bluetooth LE (BLE) на ESP32 и Android устройстве. Передадим квантированный набор ускорений сенсора по BLE. Настроим Модель ML для распознания жестов на Android.

Что такое JTBD

Jobs To Be Done, «Работы‑Которые‑Надо‑Сделать» — это маркетинговая теория о том, почему люди принимают те или иные решения о покупке. Эта теория помогает предпринимателям, компаниям, менеджерам и теоретикам лучше понимать потребности людей и создавать действительно нужные этим самым людям продукты...

В мире машинного обучения есть много всего интересного, но тем, кто только начинает свой путь в этой области часто бывает многое непонятно. В этой статье мы попробуем разобраться с линейной регрессией.

Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Проще говоря, он помогает понять, как изменение одного или нескольких предикторов (независимых переменных) влияет на результат (зависимую переменную). Подумайте об этом, как о проведении прямой линии через диаграмму рассеяния точек данных, которая наилучшим образом отражает связь между этими точками.

 Поводом настоящей статьи послужила дискуссия в комментариях к статье «Инженерная фантастика» о том, является ли инженерия частью науки или это самостоятельный вид деятельности. Мы в киберклубе попытались выработать собственное мнение по данному вопросу. И пришли к странному заключению — инженерия ни наука, ни технология, ни система и ни фантастика. Инженерия — это инженерия!

Недавно стукнуло 3 года, как я работаю менеджером продукта. В порыве ностальгии перебирал старые записи и натолкнулся на свой конспект в период стажировки. В конспекте были записаны вопросы, которые я себе задавал на старте. Это натолкнуло меня на одну сумасшедшую мысль, которую, положа руку на сердце, я давно хотел реализовать, но стеснялся это сделать.

Я собрал большой список вопросов по профессии Product Manager'a и получилось очень внушительно! Там собрано всё, что только я смог вспомнить: от базовых принципов до конкретных фреймворков. Слава роду ChatGPT, который помог сгруппировать больше 120 вопросов и отсортировать от простого к сложному. Вопросы разбиты на смысловые «главы».

Решил написать ответы на все вопросы и публиковать отдельными постами в формате телеграм канала (а как еще). Для потомков, так сказать (для себя то есть), решил собрать все посты первой «главы» в одну большую статью для Хабра. Вдруг какой-то заблудшей душе будет полезно.

На данный момент полностью готово две главы. Первую предлагаю прочитать прямо сейчас. Буду публиковать по одному ответу в день в телеге и большими статьями по главам здесь.

Важно: это не учебник! Это мой опыт упакованный в формат FAQ. Для новичков, для комьюнити, для себя.

Представьте себе прораба на стройке — он хоть и не делает ничего руками, но должен разузнать пожелания клиентов, придумать, как их реализовать, и донести все аспекты будущих работ строителям. При разработке мобильных приложений работа системного аналитика выглядит схожим образом — он не пишет код и не рисует интерфейсы, но от того, насколько точно системный аналитик разработал свои «инструкции», во многом зависит конечный результат.

Меня зовут Мария Горгоц. Я старший системный аналитик в MedTech компании №1 в России — СберЗдоровье. В этой статье я расскажу о том, как у нас в компании выстроена работа системных аналитиков при проектировании новых фич для мобильного приложения.

Каждая стратегическая сессия начинается с одного и того же вопроса: как заработать больше денег? Но если этот вопрос не сопровождается другим — а что мы должны в себе изменить, чтобы клиент захотел нам заплатить? — рост окажется недостижимым. Ведь единственный источник дохода в вашем бизнесе — это клиент.

Платформа 1С обычно ассоциируется с чем‑то здорово консервативным. Как и положено приличной учетной системе, она развивается, но спокойно, без революций. Неудивительно, что генеративный искусственный интеллект, гремящий уже считай два с половиной года, обошел 1С стороной. Да, они прикрутили китайскую модель к EDT. А также предоставили пользователям возможность пообщаться с ней же в облике консультанта ИТС. Но все это больше похоже на действия для «галочки». Между тем, среда 1С хорошо приспособлена к тому, чтобы внедрять в нее современные технологии искусственного интеллекта, причем в той самой эволюционной манере, которая свойственна 1С. Сейчас я вам расскажу, как это делается

В первых трёх частях мы с вами рассматривали, что именно провоцирует переработки и прочую корпоративную шизу. 

В этот раз поговорим о прочих факторах, которые ухудшают наши когнитивные способности, мешают принимать рациональные решения и провоцируют тот самый негативный отбор в лидеры.

Вы представляете себе, насколько разрушительны для общества современные медиа и СМИ?

Знаете ли вы, что консультанты настолько любят переработки, что буквально не приносят никакой долгосрочной пользы для бизнеса?

Что инфоцыгане провоцируют иррациональную веру в простые, быстрые и работающие техники?

И на выходе бизнес полон переработок, глупостей, тупых решений и чистейшего идиотизма.

Лонгрид, как обычно, на основе исследований и демонстрирующих логику историях.

Одним из основных признаков системы, отличающим ее от #НЕСистемы, является подчиненность всей структуры некоторым целям. Проектная работа команды представляет собой тоже некую систему и, следовательно, должна «идти на поводу» у какой-то цели. Потому установив коммуникации между участниками проекта, начнем вместе с ними определять цели, которые каждое из заинтересованных лиц хочет достичь в результате создания нового продукта.

Цель данной группы работ: определить основные ключевые цели, которых хотят достичь группы заинтересованных лиц, в результате участия в процессе производства Информационной системы.

Поскольку мы постоянно оперируем очень сложными конструкциями и понятиями для эффективного управления ими, на протяжении всего курса мы будем использовать прием «Классифицирование» объектов анализа.