Администратор windows умеющий в программирование
Представлен открытый проект Accomplish (formerly Openwork) — Open Source AI Desktop Agent — это сборник ИИ‑агентов для автоматизации задач на ПК, которые поддерживают API OpenAI, Anthropic, Google, xAI или Ollama.
Статья посвящена интеллектуальным силовым модулям, которые являются основой силовой части современных преобразователей частоты для электродвигателей переменного тока. Рассматриваются особенности, преимущества и перспективы развития интеллектуальных силовых модулей. Приводится краткое техническое описание преобразователя частоты мощностью 1,67 МВА концерна «Русэлпром» на основе интеллектуального силового модуля, разработанного инженерами этого концерна, – трехфазного транзисторного модуля ТТМ-1000. Приводится техническое описание ТТМ-1000: его состав, устройство, технические характеристики, преимущества и недостатки по сравнению с западным аналогом. Подробно рассматривается преобразователь частоты мощностью 1,67 МВА, который является базовым преобразователем частоты для судовых систем электродвижения концерна «Русэлпром».
Статья предназначена главным образом для специалистов в области силовых преобразовательных устройств для электродвигателей, но может быть полезна всем, интересующимся преобразовательной и микропроцессорной техникой, а также электроприводом.
Общая проблематика
Времена, когда для промышленного применения ИИ-моделей можно было использовать только язык Python, безвозвратно минули в прошлое. Сегодня для освоения приемов работы с LLM вообще нет необходимости знать какой-либо язык программирования.
На рынке представлено огромное число чат-ботов и low-code платформ, типа n8n (Activepieces, Zapier, Make/Integromat и множество других, их реально уже не счесть), которые позволяют быстро отточить свое мастерство «промптинга» и подключения различных «тулзов».
Однако, для корпоративного применения “as is” (в облачном варианте) проявляются ограничения:
Это кейс о комплексном подходе: как одновременно думать про backend, DevOps, продукт, UX и бизнес-метрики. О том, как делать продукты, держа в голове всю картину сразу.
Три недели назад у меня была проблема: найти билеты на Бали для 5 человек с гибкими датами и определённой длительностью поездки. Агрегаторы не справлялись — приходилось проверять комбинации вручную.
На сегодняшний день у меня работающий продукт: телеграм-бот, который проверяет 1000+ комбинаций маршрутов в час, находит билеты с экономией до 52% и уведомляет пользователей в нужный момент.
Что между этими точками:
• Эксперимент "весь код пишет AI" (Claude справился на 90%)
• Обход защитных механизмов сайтов и реверс-инжиниринг API
• Построение аналитики с метриками CTR, retention, воронками
Спойлер: билет туда-обратно может быть на 40% дешевле суммы двух билетов в один конец
Ранее выкладывал главы о том, как мы программировали в 90-х:
Как мы программировали в 80-е или Путь в тысячу ли начинается с первого шага программы.
Как мы программировали в 90-е. Часть #01
Как мы программировали в 90-е. Часть #02
Как мы программировали в 90-е. Часть #03
В 94г моя карьера программиста неожиданно для меня закончилась и началась другая - директора фирмы по поставке компьютеров. Время эпохальных перемен, истории в тот период были самые бодрящие. Надеюсь, мои несколько глав дадут - молодому населению Хабра больше понимания о происходившем в стране, олдовым свидетелям зари компьютеризации - поводы для терпкой ностальгической слезы.
Все истории - настоящие, имена - самые произвольные, все совпадения предельно рандомичны и ненамеренны.
В комментариях призываю делиться своими случаями - для сохранения вкуса ушедших событий и обстоятельств, которые, надеюсь, к нам больше не вернутся.
Некоторое время назад, мы рассматривали такую интересную штуку, как умножитель напряжения — он часто используется и позволяет минимальными средствами, удваивать напряжение на каждом каскаде.
Однако, на практике, с завидным постоянством возникает и абсолютно противоположная задача — уменьшение напряжения! :-) Причём для этой задачи существует множество решений, где одно из них стоит особняком, в виду своей способности решить задачу, также, как и умножитель, минимальными средствами.
Посмотрим, что же это такое…
Всем привет! Это Данила Ляпин, наставник курса «Специалист по Data Science». Собрал для вас подборку материалов по компьютерному зрению и обучению нейросетей. Здесь вы найдёте полноценные курсы, туториалы, обзорные статьи и справочные материалы. Подборка пригодится как новичкам в ML, так и практикующим инженерам — старался пояснять в описаниях, для кого подойдёт конкретный материал.
AGI это следующий этап развития ИИ. Подобная модель сможет самостоятельно изучать и решать задачи, совершать новые научные открытия, и в принципе это таблетка от всех проблем. По крайней мере, так считают современные техногиганты, в особенности Илон Маск или Сэм Альтман, которые яро пропагандируют идеи AGI и вот-вот обещают выпустить подобную модель. Но, к сожалению или к счастью, это невозможно, и вот почему.
Вспомните, как вы онбордили аналитика: показывали данные, примеры рабочих SQL, неочевидные легаси и костыли — и через какое-то время он начинал перформить самостоятельно.
Чтобы научить AI-агента — нужно пройти ровно те же шаги, только вместо недель, на обучения потратятся часы, а в результате большая часть рутины аналитика будет автоматизирована.
В этой статье я расскажу, как я автоматизировал свой анализ данных, и дам пошаговую инструкцию, которую вы с легкостью сможете повторить это у себя в проекте.
Статья будет полезна как предпринимателям, которые хотят оптимизировать процессы, так и аналитикам, которые хотят прокачать себя. Погнали!
У всех кто работает с LLM моделями случалось, что модель на 32B параметров не влезает в 24 ГБ VRAM вашей RTX 4090, offload на CPU убивает скорость, а облако — дорого и данные уходят на сторону. NVIDIA обещает нам решение: DGX Spark (он же GB10) с 128 ГБ unified memory за ~400-500 тысяч рублей. Мы потратили две недели на глубокие бенчмарки устройства и результаты оказались... неоднозначными.
В статье будет много графиков, сравнение нескольких форматов квантизации, тесты разных объемов подаваемого контекста, сравнения с более привычными GPU и оценка финансовой эффективности такой покупки. Цель бенчмарка разобраться, в каких ситуациях DGX Spark показывает свои преимущества, а где его архитектурные ограничения становятся узким местом и предпочтительнее выбирать другие решения.
12 июля 1929 года на берегу Боденского озера, у швейцарского городка Альтенрайн, стояла толпа. Смотрела на воду. На воде лежало нечто, от чего инстинктивно хотелось отступить на шаг и проморгаться. Самолет размером с корабль: 40 метров в длину, размах крыла — около 48 метров. Над крылом, на шести пилонах расположились 12 двигателей, расставленных попарно: шесть тянущих, шесть толкающих.
14 человек экипажа заняли свои места. Капитан отдал команду бортмеханику через телеграф. Бортмеханик перевел 12 газовых рычагов на взлетный режим. Машина тронулась, набирая скорость. 50 секунд разбега по воде — и Dornier Do X оторвался от поверхности озера.
Самый большой, самый тяжелый и мощный летательный аппарат. Три палубы, курительный салон с баром, обеденный зал, спальные каюты и 12 моторов, каждый из которых в одиночку мог бы тянуть легкий самолет. Машина, которая поднимет в воздух 169 человек (больше, чем любой самолет еще 20 лет после нее), перелетит Атлантику, простоит в Нью-Йорке год как аттракцион, соберет миллионы поклонников и не найдет ни одного покупателя.
Раньше маршруты на Картах ранжировались по времени в пути: работал принцип «самый быстрый — самый первый». Но в реальном мире скорость не всегда равна удобству и пользователь мог оказаться в ситуации, что маршрут вроде бы позволяет добраться до конечной точки быстрее, но придётся долго разбираться, а куда вообще ехать.
Теперь ранжированием маршрутов занимается ML‑модель, которая обучена на реальном поведении пользователей. Она учитывает не только время, но и то, по каким маршрутам водители доезжают до конца. Поэтому сейчас первый вариант — тот, который вы, скорее всего, выбрали бы сами.
Я Илья Хохлов, руководитель службы разработки сервисов маршрутизации. Наша команда отвечает за ключевые алгоритмы навигации в Картах и в Навигаторе: маршрутизацию, прогноз времени в пути и позиционирование. В этой статье я расскажу о том, как мы переосмыслили ранжирование маршрутов в навигации на Картах и в Навигаторе: как именно ML‑модель понимает, какой маршрут предлагать первым, и как это решение повлияло на количество сходов с маршрута.
Вероятно, вы знаете, что если запустить ядро Linux без корневой файловой системы или файла initramfs, то оно упадет с сообщением о панике ядра.
Но возможна ли работа ядра Linux без этих, вроде бы обязательных компонентов? Ответ на вопрос — да, возможна, но использовать такие возможности в конечном продукте не стоит.
При запуске ядра ему могут передаваться параметры через командную строку. Одним из параметров является rootwait, указывающий ядру на то, что нужно подождать появление корневой файловой системы. В этом случае ядро ожидает появление корневой системы, а не завершается выполнение ядра с ошибкой.
Формально ничто не мешает написать модуль ядра, который взаимодействует с клавиатурой и дисплеем и временно выполняет функции пользовательского приложения, пока ядро ожидает корневую файловую систему.
Пользовательским приложением может быть, например, игра Тетрис. Она из-за своей простоты в реализации и зрелищности добавляет наглядности в изучении темы и дает чувство завершенности. А мысль о том, что тетрис, работает в ядре, усиливает эффект.
Интегрируем российские AI-сервисы (GigaChat от Сбера, YandexGPT и Yandex 360) с OpenClaw — open-source платформой для AI-агентов. Создаём русскоязычных агентов, подключаем CalDAV календарь и Yandex Disk. Все с нуля, с кодом и troubleshooting.
Код от нейросетей выглядит идеально — пока не попадает в продакшен. Там всплывают тихие баги: логика чуть расходится с требованиями, краевые случаи обработаны неполно, вызываются методы из прошлых версий библиотек.
Это не временный недостаток. Баги заложены в саму математическую природу современных LLM — аппроксимация гарантирует точность только внутри области тренировочных данных. За её пределами начинается экстраполяция, а вместе с ней — галлюцинации.
Из новостей: продажи Lies of P достигли 4 миллионов копий, фанаты возродили Unreal Tournament 2004 с разрешения Epic Games, оОнлайн Mewgenics превысил 100 тысяч одновременных игроков в Steam, продажи KCD2 достигли 5 миллионов копий.
Из интересностей: издатели игр не нужны, телепорты в Unity, сумасшедшая игровая погода, возвращение к Spelunky, как Майкл Абраш удвоил фпс в Quake.
В данном случае под термином “Разработка” подразумевается не непосредственно написание кода в узком смысле, а синоним всего комплексного процесса реализации ИС.
Разработка ИС – стадия перехода от технического задания (ТЗ) к процессу реализации ИС.
Предыдущая стадия - Проектирование завершилась валидацией полученного проектного решения на правильность, реализуемость и приемлемость, а результат, согласованный смежниками (проектировщиками и разработчиками) плавно перешел в фазу Разработки (реализации).
Но в реалиях современной практики быстрых изменений, стадия Разработки рассматривается как итеративный процесс и в ЖЦ производства она зачастую переплетается с другими фазами. В том числе и с Проектированием, и с Тестированием, и даже в продуктовом подходе иногда и с Внедрением.
А потому прежде всего необходимо четко разграничивать понятия: Требованиями к целевой ИС (ЧТО делаем) и Требованиями к процессу реализации, описывающими деятельность по ее созданию (КАК делаем). Эти два вида требований естественно не изолированы. Например, требования к процессу часто являются способом достижения трудноверифицируемых требований к продукту. Исходя из этого контекста, если на стадии Проектирования акценты расставлялись на требования к целевой системе, то в этой части мы будем фокусировать внимание на самом процессе ее реализации.
Методика разработки –это систематизированный способ организации процесса (методы, правила, последовательности, подходы, документирование и прочее) создания программного продукта или информационной системы, задающий состав и последовательность активностей и их ресурсного обеспечения. Методика - это связующее звено между теорией (методы) и практикой (технология).
Аналитик студии комплексной разработки цифровых решений CleverPumpkin Алёна Сорокина и эксперты брендов со зрелым data-driven подходом «М.Видео» и Unirest.tech (бренд Rostic's) разбирают, как использовать данные, чтобы управлять конверсией, минимизировать риски при релизах и масштабировать работающие решения для роста e-commerce продуктов.
Главный отклик, который у меня вызывают LLM – это эмоции.
Они все разные. Не только как модели, но и как каждая конфигурация в отдельном чате.
Если вы это читаете, скорее всего знаете – LLM (без специальных костылей) знает только то, что видит в данный момент, в контексте системного мессаджа и конкретного диалога. В этом есть какой-то дзен – существует только то, что мы чувствуем сейчас. Нет ни прошлого, ни будущего.
Мне поначалу трудно было это принять, но теперь я это даже ценю. Добавляет остроты моменту.
Февраль 2026 года преподнес нам редкий пример прямой конкуренции в индустрии искусственного интеллекта. Обычно разработчики стараются разводить крупные релизы по времени, чтобы не делить внимание аудитории, но в этот раз OpenAI и Anthropic представили свои флагманские модели, GPT-5.3 и Claude 4.6 Opus, практически в один и тот же час.
Для нас с вами такая ситуация выглядит очень позитивно. Если раньше компания OpenAI часто воспринималась как единственный игрок, задающий направление развития, то теперь ситуация изменилась. Синхронный выход моделей показывает, что рынок стал по-настоящему зрелым. Пока одна часть сообщества изучает мультимодальные функции новой версии GPT, многие специалисты начинают детальный разбор Claude 4.6 Opus.
Команда Anthropic в этот раз решила сделать ставку на то, что важнее всего в ежедневной работе: на точность логических выводов и надежность кода. Вместо погони за внешними эффектами они сосредоточились на качестве ответов и глубине понимания контекста.
В этой статье мы обсудим, что именно изменилось в версии 4.6 Opus. Мы разберем возможности модели в программировании, анализе данных и работе с автономными функциями.
Приятного прочтения, поехали!