За два года я набрала 20 килограммов — привет удаленка и стресс. Попытки похудеть заканчивались одним и тем же: временный минус на весах, а потом откат — иногда даже больше, чем было.

Уже больше полугода я принимаю препарат для снижения веса — отечественный аналог «оземпика». В этой статью расскажу, как к этому пришла, какие анализы сдавала, как это повлияло на мое здоровье и что происходит с весом и привычками сейчас

Дисклеймер: в этой статье я не буду называть препарат, ибо их на российском рынке сейчас немало, у них +- одинаковая клиническая эффективность, но некоторые сильно отличаются ценой. 

Слушайте, я уже реально боюсь обновлять ленту новостей. Выйдешь на пять минут на кухню заварить кофе - возвращаешься, а индустрия опять перевернулась с ног на голову.

Только-только мы с вами разложили по полочкам Gemini 3.1 Pro, только вытерли слезы счастья от того, как пишет код Claude 4.6 Opus, и подумали: «Ну всё, можно выдохнуть и спокойно поработать».

Ага, щас. Да что там конкуренты - мы ведь буквально на днях щупали свежий релиз GPT-5.3 (тот самый долгожданный апдейт кодекса). Казалось бы, живи и радуйся, пиши код. Но не успели мы закрыть IDE, как на следующий же день прилетает жирнющий намек на совершенно новую пятерку.

Сэм Альтман посмотрел на весь этот праздник жизни, усмехнулся и просто молча, без всяких там конфетти и презентаций на сцене, нажал «Deploy».

Бам! Держите GPT-5.4.

Твиттер (X) тут же порвало на британский флаг. Свидетели пришествия AGI снова кричат, что пора сдавать макбуки в ломбард. Но мы с вами люди взрослые, тертые, и в сказки из официальных пресс-релизов давно не верим. Нам нужны пруфы.

Поэтому мы не стали переводить вам сладкие рекламные буклеты от OpenAI. Вместо этого мы протестируем новую модель сами.

Погнали разбираться, что там под капотом на самом деле!

Я намеренно публиковал AI-сгенерированные материалы на Хабре и анализировал реакцию. Потом взял свою старую статью с хорошим рейтингом, причесал нейронкой — и получил минус десять с пометкой «сгенерировано». Тот же автор, те же мысли. Изменилась только форма. Разбираюсь, что именно детектит наша психика, почему она ошибается и что с этим делать.

Почему AI нас бесит с точки зрения фундаментальной науки? Как мы интуитивно палим AI (или наоборот заблуждаемся)? Что не так с кодом от нейросетей? Почему меня это вообще беспокоит? Что с этим делать? Ретроспектива в масштабах истории (любителям антиутопии)

Далеко не каждая VM платформа дает понять, что происходит с процессом управления уязвимостями в целом. Чаще всего на выходе получается список уязвимостей, критичность, активы и сроки устранения, но нет возможности видеть общую картину. Аналитику трудно понять текущую ситуацию в динамике. Руководству еще сложнее, так как нужны не просто цифры, но и понятные выводы для принятия решений.

Я убедился в этом сравнив большую часть решений VM на рынке СНГ, так мне пришла идея реализовать в нашей компании фичу, которая строит графики по ключевым VM метрикам, а затем анализирует их с помощью AI(искусственного интеллекта). В этой статье расскажу, как это работает и почему такой подход полезен для аналитиков и руководства.

Пробуем написать своё приложение для удалённого рабочего стола.

Начал замечать, что на Хабре часто появляются статьи в духе «Я написал замену AnyDesk, бесплатный, но платный. И тут мне пришла мысль: а что, если попробовать самому? Хотя я не программист».

На некоторых так называемых «партнеров» по бизнесу действуют только судебные решения. Иначе их не заставить, например, оплатить уже выполненную работу, доделать начатое, вернуть предоплату за несделанное — в общем, выполнить договоренности. Но судья, прежде чем принять исковое заявление, потребует доказать, что все «мирные» способы решения спора исчерпаны и попросит показать досудебную претензию и ответ на нее. И здесь может быть точка отказа: если досудебная претензия не направлялась или был нарушен порядок. 

Фильтра Калмана много не бывает! По этой теме издано несколько книг, опубликовано большое количество статей, в том числе на Хабре. Разработанный в 1960-х годах алгоритм оценки состояния динамических систем по сегодняшний день считается одним из лучших, получает все более широкое применение в различных технических системах: от радиолокации до электрокардиографии.

В этой статье я хотел бы на конкретных примерах показать принцип работы фильтра Калмана, наглядно продемонстрировать, на что влияет тот или иной параметр, как работают различные модификации фильтра.

Все модели, которые я буду использовать и описывать, выполнены на языке Matlab – среде, изначально созданной для работы с матрицами. Гарантированно они будут работать на версии R2016b и выше.

^Adwaele

Некоторое время назад, мы рассматривали двигатель Стирлинга, как интересный вариант преобразования тепловой энергии — в механическое движение, где при этом, подобный способ использования наиболее широко распространен и, потому известен. 

Однако интересно, что возможности двигателя Стирлинга этим не ограничиваются, и, существует ещё как минимум один неожиданный вариант его полезного использования — в качестве холодильника! ;-) 

Из-за того, что большинство “айтишных технологий”, таких как Wi-Fi или сотовая связь живут на участке спектра 400 МГц - 6 ГГц, у многих инженеров начало смазываться понятие длины волны (λ). 

Точнее не так. Они оперируют этим понятием очень узко, применительно к той полосе частот на которой работают. Что нам может сказать термин λ? То, что при прочих равных (коэффициент усиления антенны, мощность передатчика, потери на тракте и пр.) сигнал с бОльшей длиной волны (и меньшей частотой) сможет преодолеть бОльшее расстояние.

Ошибка ли это? Ни в коем случае, все так и есть. Но это очень узкий подход. По незнанию его можно начать применять слишком буквально. И открыть для себя, что эти зависимости чуть сложнее, чем кажутся на первый взгляд. Рука об руку с длиной волны идет такой термин, как «распространение в средах». У каждого диапазона есть свои особенности в отношениях со средой.

В этой статье мы пробежимся по фундаментальным основам физики и узнаем, какое практическое влияние окажет на сигнал тот или иной диапазон. Постараюсь описать это с минимальным занудством и понятным широкому кругу читателей языком. 

Массовое применение и внедрение ИИ-технологий среди обычных потребителей случилось буквально пару лет назад. В 2023-м нас всех поражала возможность ChatGPT писать логически складные и осмысленные абзацы, а качество картинок с Midjourney вообще вызвала ажиотаж и беспокойство о будущем профессий художника и дизайнера. 

И ИИ-контент еще не выглядел так инородно: если сегодня каждый третий Shorts или картинка в соцсетях сгенерированы, то в 2023 году многим и в голову не могло прийти, что картинку можно нарисовать нечеловеческими «руками».

И именно в тот год один ушлый художник решил провернуть перформанс, который зашел слишком далеко. Настолько, что смог обмануть весь Twitter (X) и кучу авторитетных зарубежных СМИ, включая The Verge, Tom Hardware и TechRadar. 

Имя авантюры: Del Complex — независимый плавучий город с 10 тысячами GPU-ускорителей H100 на борту посреди океана. Вспомним, как это было и как удалось разоблачить эксперимент одного художника.

Статья основана на личном шестимесячном опыте автора по внедрению Cursor в процессы разработки моделей, сервисов и MLOps-процессов. Делается вывод, что роль разработчика смещается от написания кода к постановке задач, проектированию архитектуры и контролю качества, при этом ИИ берёт на себя реализацию и рутинные операции.

В ноябре учёные прибыли на Южный полюс на самолётах с лыжами вместо колёс, чтобы осуществить строительный проект, который готовили семь лет.

У них было короткое летнее окно — с ноября по начало февраля — чтобы пробурить шесть новых отверстий глубиной не менее двух с половиной километров в антарктическом льду и установить длинные кабели, увенчанные сотнями шарообразных детекторов света. Эта плотная сеть датчиков — модернизация нейтринной обсерватории IceCube, огромной системы, построенной 15 лет назад и состоящей из более чем 5000 датчиков, встроенных в гигатонну льда.

Все эти устройства ищут мимолётные следы нейтрино — самых загадочных частиц из всех известных.

Как создавать пользовательские типы данных в открытой АСУТП? Зачем объединять скорость, температуру и статус двигателя в одну переменную?

В ИТ-команде «Северстали» мы занимаемся разработкой компонентов для открытой АСУТП. В этой статье разберём, как создавать и применять пользовательские типы данных в нашей среде разработки Flogic. 

В этой статье вы узнаете, как структурировать данные, повысить читаемость кода и переиспользовать тип переменных по всему проекту.

Сегодня полностью погрузимся в мир TTS (Text-to-Speech) — новое русло нейросетей, призванных облегчить жизнь и отобрать работу у профессиональных дикторов, актеров и тех, чей голос мы привыкли слышать в любимых фильмах.

Рассмотрим бесплатные модели, не требующие кредитов, подписок или трех цифр на обороте карты. Заранее обозначу, что не все модели поддерживают русский язык, а у некоторых присутствует своеобразный акцент, как у Шварценеггера из фильма «Красная жара». 

Я буду генерировать озвучку не только на английском, но и на русском языке, чтобы понять, насколько отличается качество звучания и произношения, и можно ли вообще использовать эти модели, закрыв глаза на ограничение языков.

Ну, не ваша, хабравчане, а ваша, создатели языков, библиотек, фреймворков итд. Но давайте не забегать вперёд.

Я как-то привык что если что-то ломается или плохо работает, то это я виноват. Это называется «брать ответственность за свои поступки» или, в случае программиста, за свой код, и это считается хорошим делом.

Разумеется, по эго это бьёт иногда больно, и некоторые моменты вспоминать не очень приятно. Самое страшное, что я когда-либо делал — коммитил приватный ключ в публичной репо. Вот написал и мне опять стыдно. Но я осознаю, что это всё я.

Но внезапно я открыл для себя тот факт, что не во всех ошибках моя вина. То есть да, это моя голова думает код, это мои руки печатают этот код, но ошибка идёт не от меня. Ошибка заложена ещё раньше, вообще задолго до меня, а иногда даже задолго до моего рождения.

Сейчас я вам это покажу. Будет интересно, но впереди много боли. Я предупредил.

Данная статья посвящена основе основ нейронауки — линейной алгебре. Если вы когда-либо планируйте изучать искусственные нейронные сети (и не только), то вам необходимо начать именно с этого. Причем не важно, собираетесь ли вы заниматься фундаментальными исследованиями (Data Science) или просто лепить модели в продакшн на конвейере (ML Engineering), вы обязаны знать их математику хотя бы поверхностно. Любые настройки, дообучение и применение даже готовой модели, требуют понимания основ. А по сему данное знание, как минимум, не будет избыточным.

Материал рассчитан на новичка. Если вы знаете школьную математику, то сможете освоить и мой курс. В будущем я напишу статью о линейном представлении нейросетей, где мы адаптируем полученное знание под прикладные задачи, напишем некоторые слои на Python и построим настоящую модель!

В этой статье:
* Понятие вектора;
* Векторизация данных;
* Умножение на скаляр;
* Сложение векторов;
* Норма вектора;
* Скалярное умножение;
* Векторное умножение;
* Практика с кодом;
* Домашняя работа.

Все будет объяснено на красочных примерах в игровой форме. Ничего сложного. А в конце вас ждет самостоятельная практика с кодом.

Приятного чтения!

Представьте, что у вас всего неделя, чтобы сделать AI-продукт, который превращает рутинные учебные планы для международных экзаменов в персональные траектории для каждого ученика. При этом ваш бэкграунд больше в образовании и аналитике, чем в технической разработке. Звучит фантастически? Сейчас, когда интенсив закончился, мне и самому так кажется.

Привет, Хабр! Меня зовут Дмитрий Орлов. На AI Talent Camp я выступал в роли хастлера (AI-Product) команды ExamLab Bot и ожидал классический хакатон: собрать команду, получить дедлайны, сделать демо и разъехаться. На деле это оказался интенсив с быстрыми итерациями и постоянным общением с менторами. Нам всё время напоминали, что MVP — это не демка «на сцену», что мы отвечаем за полноценный AI-продукт, который будет нужно развивать. Поэтому мы с Дарьей Дмитриевой, которая выступала в роли хакера (LLM Engineer), и смогли сделать то, на что в продуктовой разработке уходят недели.

После прошлой статьи мне в личку прилетел вопрос: «А что на входе? Как именно ты подаёшь данные агенту? Просто кидаешь текст ТЗ — и всё?»

Отвечаю сразу — вот он, паспорт требования, с которым работает мой агент:

Я решил сравнить два ИИ-аудита одного и того же DeFi-проекта.

Результаты оказались неожиданно разными: один ИИ нашёл серьёзные риски, другой почти не заметил проблем.

Более того, одна из моделей даже ошиблась в базовой проверке.

В этой статье покажу, где именно ИИ допустили неточности и что удалось проверить вручную.

Для анализа использовал два инструмента: Parallel AI и AskSurf.

Что происходит с инженерной практикой, когда код в проекте пишет не человек, а агент, а команда занимается средой, ограничениями и контурами проверки? В этом тексте — разбор реального эксперимента OpenAI, где внутренний продукт собирали через Codex почти без ручного кода: с собственными правилами для агентов, архитектурными инвариантами, наблюдаемостью, документацией внутри репозитория и постепенным ростом автономности. Это любопытный взгляд на разработку в режиме, где главным дефицитом становится уже не скорость написания кода, а человеческое внимание.