В современном мире DevOps автоматизация и контроль версий играют ключевую роль в управлении инфраструктурой. Одной из важнейших задач является эффективное развёртывание мониторинговых решений, таких как Grafana.

В этой статье мы рассмотрим, как использовать ArgoCD для автоматизации деплоя дашбордов Grafana.

Данный материал поможет вашей команде определить основные цели и составить план действий для их достижения. В данной статье мы рассмотрим основные понятия, обсудим, как ставить цели, приведем примеры, разберем основные шаги по внедрению и опишем типовой цикл постановки целей.

В сегодняшних конкурентных условиях ориентация на клиента — это не просто модное слово, а стратегический императив. Понимание пути клиента — от начальной осведомленности до постпродажной поддержки — необходимо для бизнеса, который стремится развивать значимые отношения и обеспечивать устойчивый рост. Здесь ключевую роль играет Карта Путешествия Клиента (CJM). 

Customer Journey Map (CJM) или Карта Путешествия Клиента – это инструмент, который становится все более популярным в мире маркетинга и управления клиентским опытом. Он представляет собой визуальное изображение пути, который проходит клиент от момента первого контакта с брендом до совершения покупки и последующих взаимодействий. CJM позволяет глубже понять потребности и поведение клиентов, что, в свою очередь, способствует разработке более эффективных маркетинговых стратегий. В данной статье мы рассмотрим, как именно CJM помогает в создании маркетинговой стратегии и почему его использование является необходимым в современных условиях.

По сравнению с управлением лидерство носит некоторый налёт мистичности. Но мистика не помогает выполнить работу.

«Он менеджер, а не лидер», — объяснял мне мой собеседник, говоря об ИТ-директоре в пренебрежительном тоне.

Я провел ещё несколько десятков интервью методом оценки 360 градусов, иными словами, поговорил с большим количеством разных людей — и подтвердил диагноз.

За исключением одного: внимание ИТ-директора к управлению было, выражаясь техническим языком, «благим делом». Потому что в бесконечных спорах о разнице лидерства и менеджмента часто упускается из виду тот момент, что менеджмент нацелен на выполнение работы. Лидерство представляет собой важный набор методов, который менеджеры используют для того, чтобы замотивировать людей в компании принять направление, которое они пытаются задать.

А это действительно помогает выполнять работу. Это важный фактор, но не главный.

Разработчики определённо имеют большой вес в компаниях, а значит, выстраивание продуктивных отношений с ними является важным приоритетом для ИТ-компаний. Однако отношения между DevRel-специалистами и более традиционными командами, такими как маркетинг, разработка, продукт и продажи, до сих пор чётко не определены.

Жёсткий график командировок и внешний характер их роли могут может привести к тому, что члены DevRel-команды почувствуют себя изолированными от других команд; но наиболее эффективные организации всё-таки стремятся создать прочные связи между DevRel и всеми остальными командами.

Обнаружение объектов является достаточно популярной задачей компьютерного зрения, которая включает в себя идентификацию и обнаружение объектов на изображениях или видео. Данная задача является частью многих приложений, например, таких как беспилотные автомобили, робототехника, видеонаблюдение и т.д. За прошедшие годы разработано множество алгоритмов и методов для поиска объектов на изображениях и их положениях. Наилучшее качество выполнения таких задач достигается при использовании сверточных нейронных сетей.

Одной из самых популярных архитектур нейронных сетей для таких задач, является YOLO (you only look once), созданная в 2015 году. С тех пор появилось довольно много версий данных алгоритмов. Последние выпуски сети предназначены для таких задач как распознавание, обнаружение и сегментация изображений. 

Тестирование — это процесс оценки программного приложения, а тестировщики — это профессионалы, которые участвуют в этом процессе. Они решают множество задач: пишут тест-кейсы, сообщают о найденных багах, настраивают среду, работают с требованиями и так далее. По данным исследования, рынок тестирования программного обеспечения уже превысил 40 миллиардов долларов США и, как ожидается, к 2027 году вырастет ещё на 7%. Тестировщики должны знать языки программирования, инструменты управления тестированием, инструменты автоматизации тестирования, обладать навыками управления проектами и многими другими навыками. 

Теперь давайте обсудим, почему тестировщики нужны? Почему разработчики не могут сами тестировать свой код? Ответ на этот вопрос аналогичен тому, почему студенты не проверяют и не оценивают свои ответы на экзаменах самостоятельно. В этом случае вопроса «почему» не возникает, ведь студенты не смогут самостоятельно оценить свои ошибки. Точно так же и разработчики не могут найти ошибки и просчёты, которые они могли допустить. В этой статье поговорим на эту тему более подробно. 

В этой статье мы поговорим о различных способах условной гидратации/декорирования существующей map дополнительными данными. Мы рассмотрим различные подходы и то, как они влияют на читаемость и производительность кода.

Вдохновением для этой статьи послужил этот замечательный доклад и его концепция возможности визуализации формы ваших данных.

Зачада: есть шикарный IT-продукт, которому нужно найти клиентов. Владелец продукта хочет бесконечное количество лидов прямо завтра и прямо за 0 ₽. Это, безусловно, устроит и его, и unit-экономику, и инвесторов, и даже местную собаку Чучу. Но увы, такой расклад невозможен. Вопрос: что делать?

Давайте сперва разберём, на что опираться при выборе способа продвижения и какую предварительную работу нужно проделать, чтобы определить каналы для вашего IT-продукта.

Сегодня мы рассмотрим проектирование безопасного программного обеспечения для обеспечения целостности данных. Как мы можем гарантировать, что наше программное обеспечение спроектировано таким образом, чтобы данные были устойчивы к атакам и не подвергались изменениям?

AnyLogic — идеальная платформа для создания симуляционных моделей для обучения DRL-агентов в сложных средах. Недавно разработанная библиотека Alpyne — это библиотека Python, которая позволяет пользователям обучать DRL-агентов на Python, взаимодействуя с моделью AnyLogic. К сожалению, она все еще недостаточно стабильна для работы со сложными симуляционными моделями.

В этой статье мы представляем новый способ взаимодействия DRL с симуляционными моделям в AnyLogic с помощью библиотеки Pypeline. Этот метод также может быть использован для (не глубокого) обучения с подкреплением, но благодаря своей простоте большинство сред, для которых хватает простого RL, могут быть смоделированы непосредственно в самих языках программирования, таких как Python.

Впервые я услышал термин "Lakehouse" в 2019 году, когда пролистывал документ Dremio. Будучи по своей натуре консервативным человеком, я предположил, что это просто очередной маркетинговый термин. Но пять лет спустя, кажется, уже все говорят о Lakehouse (после того, как наговорятся об ИИ :d); все крупные облачные хранилища данных теперь поддерживают чтение форматов Hudi, Iceberge или Delta Lake непосредственно в хранилище объектов, и даже BigQuery имеет специальный механизм запросов для этой задачи. На этом инновации не заканчиваются: Apache XTable (ранее OneTable) предоставляет абстракции и инструменты для трансляции метаданных формата таблиц Lakehouse. Недавно компания Confluent объявила о выпуске TableFlow, которая передает данные из Apache Kafka непосредственно в озеро данных, хранилище или аналитический движок в виде таблиц Apache Iceberg.

Это заставило меня пересмотреть свои прежние предположения: так был ли Lakehouse просто маркетинговым термином?

DevOps представляет собой методологию разработки программного обеспечения, которая объединяет разработки (Development) и операции (Operations) для повышения взаимодействия между командами. Основная цель DevOps заключается в сокращении времени цикла разработки, увеличении частоты релизов и улучшении качества продукта. Это достигается за счет автоматизации процессов, непрерывной интеграции, доставки и мониторинга.

В данной статье мы рассмотрим инструменты и философию DevOps из Scaled Agile Framework. Это фреймворк масштабирования Agile в компании, который объясняет как объединить большое количество команд и построить с одной стороны предсказуемую разработку, а с другой стороны сохранить гибкость.

В области геймдизайна наджи (англ. nudge) или "подталкивания" — это такие тонкие элементы дизайна, стимулы, которые направляют игроков по намеченному геймдизайнером пути, улучшая их игровой опыт, но не навязывая им каких-либо действий напрямую. Ниже вашему вниманию представлен список таких техник подталкивания игрока с их описанием, применением и реальными примерами использования в видеоиграх.

Дисклеймер:

Я старался абстрагироваться от исследования перечисленных здесь наджей с точки зрения маркетинга. Я уверен, что в сети достаточно документации о том, как продавать больше, а вот таких обширных списков наджей именно для игровых механик я толком не нашел.

Надж сам по себе не несет никакой моральной окраски. Именно вы решаете, использовать ли его во благо или во вред игрока.

Базовое определение эффективности — это способность достигать целей за наименьшее количество ресурсов (как временных так и денежных).

Для команд создающих продукты в условиях неопределенности и потребности достигать метрических целей продукта:

В эпоху цифровизации нейросети стали незаменимыми помощниками для IT-менеджеров, предоставляя возможность автоматизировать множество задач: исследования, поиск информации, поиск бенчмарков, анализ таблиц, построение прогнозов, улучшение рабочих процессов, написание требований... можно перечислять бесконечно. 

Чем может помочь искусственный интеллект IT менеджеру: 

— Делать анализ: аудитории, рынка, конкурентов
— Производить нейросегментацию
— Автоматизировать создание сайтов, презентаций и брендов
— Автоматизировать и адаптировать разработку контента
— Генерировать рекламные кампании с помощью искусственного интеллекта
— Внедрять искусственный интеллект во все этапы воронки продаж, начиная с ее разработки
— и многое другое.

В этой статье мы рассмотрим нейросеть ChatGPT и обсудим все его возможности, нюансы и практические советы. Потому что именно он может закрыть до 70% ваших задач.

Рассмотрим на примерах несколько наиболее часто встречающихся ошибок при проведении СustDev, которые могут исказить результаты ваших интервью. Избегая этих ошибок, можно значительно улучшить качество собранной информации и эффективность процесса кастдева, что, в свою очередь, повысит шансы на успех разрабатываемого продукта.

Многие компании и менеджеры озадачиваются вопросами эффективности процессов и команд для того чтобы понимать зоны роста, находить баланс с бизнесом, уменьшать время выпуска продукта и улучшать прогнозируемость. А также видеть картину в динамике: от месяца к месяцу, от спринта к спринту.

Последние несколько лет я занимаюсь трансформацией подходов к управлению на основе Agile и также внедряю метрики в компании.

За это время сформировался фреймворк метрик, который позволяет построить сквозную аналитику того, как вы поставляете ценность. Все это дает актуальную картину и данные для того, чтобы находить узкие места в процессах и запускать непрерывный процесс изменений, для улучшения метрик.

Но какие метрики действительно являются ключевыми? Какие из них позволят не только измерить текущее состояние, но и помогут принимать обоснованные решения для улучшения работы? В данной статье мы рассмотрим важные метрики, которые помогут вам ответить на эти вопросы и повысить результативность вашей инженерной команды. 

Всем привет! 

На волне популярности различных нейросетевых моделей, позволяющих генерировать связный текст, отвечающих на вопросы и позволяющих вести беседы, хотелось бы рассмотреть вопрос о том, а что вообще происходит внутри таких сетей. 

Например, мы хотим научить нейронную сеть отличать кошек от собак или может яблоко от апельсина. Тогда мы просто говорим ей, что есть что, и на основе представленных данных, такая нейронная сеть особенным образом находит закономерности и строит самое обычное уравнение, которое в зависимости от подаваемого ей набора данных, пытается классифицировать изображение. Если мы хотим научить сеть предсказывать какие-то значения (погода, курс валют, отток клиентов банка), то мы понимаем, что ей надо предоставить выборку прошлых лет на основе которой она сможет найти закономерности, также сформировать уравнение и спрогнозировать результат. 

С генерацией текста фактически тоже самое. Только здесь нейронная сеть учиться предсказывать всего лишь одно слово на основе представленного ей текста.