Практический эффект TAPe+ML v2 сейчас лучше всего видно в object detection. Так, TAPe+ML v2 на конкретной практической задаче рудозасорения (см главу про промышленный пилот), без COCO-головы, на новом backbone, основанном на данных клиента, дает точность детекции 96%, по mAP50 – точность  90% и по mAP50–95 – 85%. То есть TAPe‑детекция выходит на уровень RF‑DETR по mAP50 при числе параметров меньше 100 тысяч против порядка 127 миллионов у RF‑DETR 2XL.

Мы применили последовательность улучшений, которые не раскрываем публично как ноу‑хау, но их итоговые эффекты можно зафиксировать на COCO. На разных этапах получались следующие значения:

В спидране — скоростном прохождении игр — всегда находились энтузиасты, готовые искать преимущества не только внутри самой игры, но и в особенностях оборудования, на котором она работала. Иногда старые консоли, оптические приводы и картриджи становились источником необычных сбоев и эффектов. Со временем находчивые игроки научились использовать такие особенности для экономии драгоценных секунд. 

Одна из самых необычных историй такого рода — прохождение SpongeBob SquarePants: Battle for Bikini Bottom («Губка Боб: Битва за Бикини Боттом») на оригинальном Xbox. Группа энтузиастов обнаружила, что специальным образом запачканные диски способны вызывать контролируемые задержки чтения данных, которые открывают путь к пропускам частей уровней и заметной экономии времени.

Представьте, что вы едете в ночном поезде. Чтобы гарантированно выйти на нужной станции, придется не спать всю ночь и внимательно отслеживать остановки. Свою станцию вы не пропустите, но сойдете с поезда уставшим. Другой способ: узнать из расписания предполагаемое время прибытия поезда, поставить будильник на нужное время с небольшим запасом и лечь спать. Этого вполне достаточно, чтобы не пропустить свою станцию, но, если поезд задержится, пробуждение окажется слишком ранним. Идеальным решением было бы лечь спать, положившись на то, что кто-нибудь или что-нибудь разбудит вас незадолго до реального прибытия поезда на нужную станцию...

Какое отношение этот пример имеет к работе с потоками в программировании? Дело в том, что решить задачу синхронизации конкурентных операций можно также несколькими способами, близкими к ситуации выше. Меня зовут Александр, я разработчик на С++ в YADRO, и в этой статье я разберу несколько вариантов эффективной организации ожидания потоков. 

Это моя первая статья на Хабре (десятки своих статей я много лет пишу на своих сайтах, а Хабр только читал иногда), так что если я нарушу какие-то местные обычаи и неписанные правила, то заранее прошу прощения и буду благодарен за любые замечания. :)

А написать я хочу на самую модную тему - про ИИ. Не потому что она модная, а потому что ее значимость для человечества действительно становится все более серьезной, а иногда даже критически важной. Допускаю, что мое мнение об этом предмете может кому-то показаться странным или вовсе ошибочным. Но жизнь покажет...

Итак, когда я пришел в программирование на ПК, на дворе было самое начало 90-х. На самом деле писать программы я начал еще в институте на советских ПМК, чьим фанатом был и остаюсь, а также на СМ-1600, Искре-1256 и т.п. А трехлетним ребенком нажимал кнопки на пульте ЭВМ "Минск-22" у родителей на работе. Это я все просто к тому, чтобы читатели видели мою причастность к сфере компьютеров. :)

Так вот, еще в 80-х существовало понятие "экспертные системы" (ЭС). Термин "искусственный интеллект" тоже был, но почти не применялся. А вот ЭС были "в ходу" еще до эры ПК. Ведь даже знаменитое "Это ЭВМ сказала" в фильме "Самая обаятельная и привлекательная" - это из той же оперы. Соблазн поручить машине перелопачивать горы информации и выдавать "резюме" был всегда. Как и желание поручить обработку анкет типа как в фильме.

Я успел застать язык Пролог еще для ДОС и даже попытался его слегка изучить, но сама тема обработки информации мне интересна не была и занятие это я быстро бросил (моя сфера - прикладные научные программы и разные полезные утилиты). Но что я хочу сказать? Все эти ЭС работали совсем не по тому принципу, по которому сейчас создаются "нейросети"!

«Разработчики больше не нужны»? Так читается вывод нового исследования Anthropic — ~400 000 реальных сессий Claude Code за полгода. По их данным, с AI-агентами выигрывает не тот, кто умеет кодить, а тот, кто разбирается в своём деле: у не-программистов 26% успеха против 30% у разработчиков, разница всего 4 пункта. Эксперт запускает в 2.4× больше действий агента и вчетверо чаще вытаскивает зависшую сессию. А вот с их выводом я не согласен. С цифрами вопросов нет — но вытащили из них не то. Эксперт-одиночка и правда соберёт прототип быстрее инженера. Только без инженера он не покроет это тестами, не заложит масштабирование и безопасность — и продукт ляжет при первой же нагрузке. Разбираю исследование по цифрам, рассказываю, где это сходится с тем, что я писал раньше, и почему рабочая связка одна: эксперт предметной области + инженер, который знает harness вокруг агентов.

Каждый месяц в игры внутри приложения Альфа-Банка заходят миллионы пользователей. В игре человек выполняет задания ради бонусов или энергии, а для банка эти задания — реальные действия: оплата ЖКХ, заправка через приложение или заказ новой карты. Это отличный способ нативно продвигать продукты без назойливых рекламных баннеров.

Если в играх мало заданий, то их можно просто показать всем. Но когда механик становится много, появляется классическая рекомендательная задача: что именно предложить конкретному клиенту, в каком порядке, и как оценить эффект?

Ниже история о том, как мы автоматизировали этот процесс, почему простые решения победили сложные архитектуры и к чему это привело на практике.

В прошлой статье я рассказал, как получил Starter Kit для сбора материалов для секвенирования и отправил его в США. А также о встроенном в Nebula функционале для его анализа.

В этой статье я приведу минимальную базу о том, как выполняется секвенирование, а потом разберём типы и содержание конкретных файлов, полученных мной от Nebula.

В современной разработке компоненты с открытым исходным кодом (Open Source Software, OSS) стали абсолютным стандартом. От небольших библиотек до целых фреймворков вроде Spring или Hibernate — FOSS (Free and Open Source Software) значительно ускоряет разработку и снижает издержки.

Однако, несмотря на кажущуюся «бесплатность», использование свободных лицензий в коммерческих продуктах влечет за собой серьезные правовые риски. Неправильное обращение с лицензионными требованиями может привести к потере коммерческой тайны, невозможности отчуждения исключительных прав на ваш продукт или его лицензирования на ваших условиях и к судебным разбирательствам.

Цель этой статьи — предоставить максимально подробное и практическое руководство для разработчиков и технических директоров. Мы разберем, как безопасно использовать FOSS‑лицензии в реалиях российского законодательства и международной практике, и как защитить свой проект от фатальных ошибок.

В статье разбираем: как за пятнадцать минут превратить обычный метод с @McpTool в инструмент для модели, где проходит граница ответственности (решение принимает LLM — действует ваш код) и почему до прода доезжают единицы.

В комментариях к моей предыдущей статье о тестировании трех флагманских LLM моделей были примерно такие мысли и вопросы:

Привет, Хабр. Меня зовут Владимир Бурмистров, я главный системный аналитик холдинга Т1. В этой статье хочу посмотреть на WebSocket глазами системного аналитика и архитектора: от конкретики протокола HTTP 101 и фреймов до архитектурных решений с API Gateway, sticky‑sessions и формата постановок задач.

Теперь без программирования и необходимости подключения по кабелю!

Можно скачать готовую прошивку, обновиться на нее через web-интерфейс оригинальной прошивки, а потом все настроить – тоже через web-интерфейс. При необходимости, можно вернуться назад.

А можно и с программированием - исходный код по прежнему выложен на Git.

Привет, Хабр! В этой статье я хочу рассмотреть нейросети: как они обучаются, как работают и из чего состоят. На примере перцептрона с реализацией на python.

Эта статья — не очередной обзор готовых библиотек вроде PyTorch/TensorFlow, а разбор нейросетей с нуля. Вы узнаете, из чего состоят нейроны и слои, как данные проходят через сеть, как она учится на ошибках и почему не всё всегда гладко. Материал рассчитан на новичков, которые хотят узнать как работают простейшие нейросети со стороны математики.

Последние пару месяцев часто приходят знакомые бизнесмены и друзья-предприниматели из небольших предприятий. Общий посыл: «Финансовой подушки нет, реклама не работает, какие есть варианты продержаться на плаву, чтобы сохранить коллектив и компанию?»

Как правило, приходят, когда все уже плохо с очевидными, но (с моей точки зрения) заранее неэффективными идеями.

Давайте дадим больше рекламы! В текущей ситуации агрессивные способы продаж навевают тоску. Да и зарплату платить нечем.

Давайте сделаем холодный обзвон! А ресурсов внутренних у компании обычно нет. Да и сколько звонков в день сможет сделать без отрыва от основной работы сотрудник?

Разошлем email и обзвоним старых клиентов!
А вот тут есть, над чем поразмыслить.

В этой статье я опишу один из альтернативных вариантов - контекстную рекламу по сегментам Яндекс.Аудиторий в сравнении с email-рассылкой. 

Это не волшебная таблетка, скорее, идея, как с минимальными затратами времени и рисками для репутации получить результат, который был нужен еще месяц назад.

Spring Batch - проект в рамках экосистемы Spring Framework, который, как правило не получает должного внимания. Тем не менее, это хорошее решение для Enterprise Batch Processing.

Долгое время Spring Batch требовал SQL-базу для хранения общего состояния, шагов перехода, статусов выполнения и время запусков. Даже если проект жил на MongoDB, рядом часто приходилось держать Postgres или MySQL только ради метаданных.

В Spring Boot 4.1 стало проще: появился spring-boot-starter-batch-data-mongodb. Теперь Spring Batch научился работать с MongoDB.

В статье Josh Long рассказывает про новинки в рамках Spring Batch, в том числе и новую интеграцию с MongoDB, а также работу с GraalVM

Формулы Microsoft Excel позволяют мгновенно и без ошибок производить сложнейшие расчеты. Их ценность возрастает в разы, когда приходится работать с огромными массивами данных. Стоит запустить правильный алгоритм, и Excel за считаные секунды перелопатит тонны информации, выдав готовый результат.

В этой статье мы разберем пять ключевых типов формул и функций, которые заложат прочный фундамент для вашей аналитической работы. Попутно мы покажем несколько простых способов их ввода в таблицу.

Помню, когда я учился в школе, в 11 классе при написании выпускного сочинения за 3 ошибки по грамотности ставили уже тройку. И на 10 листах у большинства моих одноклассников было не более двух ошибок. Сейчас на каждой странице текста среднестатистический школьник делает по 5-10 ошибок. Грамотность катастрофически упала, читать книги перестали, некоторые компоненты понятийного мышления ослабли кратно за последние 30-40 лет. Большинство выпускников школ элементарно неграмотно. Грамотное письмо встречается редко, а многие дети даже в средней школе не умеют читать. То есть не понимают содержания текстов, которые могут озвучить. О том, почему это происходит пойдёт речь ниже.  

Чтение, письмо – высшие психические функции, которые, как показал ещё Лев Выготcкий, являются культурно-историческим продуктом. Грамотность и способность читать, писать возникают не естественным путём, а в системе обучения, где ребёнок осваивает знаки как средства мышления, не как отдельные школьные умения, а как формы интеллектуального развития, связанные с переходом от внешней речи к внутренней и от наглядного к понятийному мышлению.

Если не учить ребёнка читать, то сам он этому не научится, не созреет. На этот счёт часто слышу миф, который регулярно встречаю при общении с педагогами и психологами.

В русском языке нет однозначного соответствия между звучанием слова и его написанием. Поэтому писать «как слышится» нельзя. Елена Плюснина, питерский эксперт по обучению чтению, сделала выводы о том, что проблемы освоения орфографии русского языка связаны, в частности, с тем, что около 75% слов русской речи пишутся не так, как слышатся.

Исследователи могут вызвать конкретный тип смеха точечным разрядом тока.

Когда мы искренне хохочем над отличной шуткой и когда вежливо выдавливаем смешок на совещании ради приличия, со стороны это выглядит примерно одинаково. Но внутри нашей головы в эти моменты разворачиваются принципиально разные сценарии, которые ученые могут искусственно воспроизвести вообще без какого-либо социального контекста.

Нейробиологи Фаусто Каруана и Софи Скотт собрали данные многолетних исследований в масштабном обзоре для журнала Trends in Neurosciences и предложили модель, которая различает спонтанный (непроизвольный) и произвольный смех. Практически все надежные доказательства существования этих различий ученые получили благодаря прямой электрической стимуляции мозга у пациентов с тяжелой эпилепсией. Установленные по медицинским показаниям внутричерепные электроды дают редкую возможность исследовать эти контуры напрямую.

Сегодня пятница, а значит время немного пошалить и побеседовать на разные нетривиальные темы, к примеру про нейрослоп. Лично я (хочется верить, что) научился вычислять нейрослопосодержащую статью на второй главе, иногда даже на первой, иногда просто пролистав текст даже не читая. Глаз цепляет пару знакомых клише и далее читать уже не хочется. Ну а за последний год таких постов везде (не только на Хабр) стало больше, чем когда-либо, и это утомляет.

Нейрослоп - это текст, который выдала модель, а человек поленился подчистить.

Но мой поинт не в том, что моделька писала текст, меня в таком тексте тригерит то, что автор не посчитал нужным этот текст привести в божеский вид. Я уже ворчал на эту тему у себя на канале: сначала про то, что соцсети тонут в нейроконтенте, потом собрал список маркеров, от которых меня мутит. Под вторым постом набежало сто с лишним комментов (а клоунов поставили сколько, ууу, загляденье), и многие комменты оказались местами полезнее самого поста. Из них и выросла данная публикация.

Но давайте разберёмся, почему слоп вообще читается как слоп? По каким признакам его ловить, не превращаясь при этом в параноика? И чем чистить свои черновики, чтобы не стыдно было публиковать?