Буквально вчера дочитал «Игры. Ключ к их значению» Фридриха Юнгера и задумался: Почему старые эссе, статьи и книги по гейм-дизайну (или темы около), вроде «Homo Ludens» Йохана Хайзингера, кажутся мне более глубокими, чем многие современные бестселлеры?

Эти труды написаны задолго до появления индустрии видеоигр как таковой, но дают поразительно чёткий каркас понимания, что такое игра и зачем она нужна. И вот после этих, скажем так, "старичков", у меня в башке сложился какой-то фундаментальный каркас. Не набор готовых фреймворков, а именно общее понимание природы игры, правильные вопросы, теоретическая база, на которую можно опираться.

С развитием технологий архитектурная визуализация значительно изменилась, и 3D модели стали неотъемлемой частью процесса проектирования и согласования объектов. В последние годы требования Москомархитектуры все больше ориентируются на использование цифровых технологий, включая 3D моделирование. Это позволило значительно улучшить точность представления проектов, упростить процесс согласования и повысить качество архитектурных решений. Одной из таких инноваций является концепция цифрового двойника — виртуальной копии реального объекта, которая используется для моделирования и анализа различных характеристик здания или сооружения.

Привет!

Это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта.

Меня зовут Вандер и каждую неделю я делаю обзор новостей о нейросетях и ИИ.

Неделя с 21 по 27 апреля выдалась горячей: свежие апдейты от OpenAI, новые лимиты, буря вокруг Deep Research и долгожданные интеграции мультимодальных моделей — всё это я собрал в одном месте. Только самое важное и только то, что реально интересно и полезно. Поехали!

Что если обучение нейросети — это путешествие по горному хребту, где каждая точка — набор весов, а высота — ошибка модели? Пока данных мало, рельеф напоминает Альпы: острые пики и опасные пропасти локальных минимумов. Но учёные МФТИ показали: чем больше примеров видит сеть, тем плавнее становится «ландшафт потерь» — резкие скалы сглаживаются, глубокие ущелья превращаются в широкие долины. В статье мы разбираем их теорию, подтверждённую экспериментами, сравниваем с другими работами о плоских минимумах, Hessian-спектре и skip-connections, и рассуждаем, как знание геометрии помогает решать практичные задачи: когда остановить сбор данных, как выбирать архитектуру и почему ширина слоёв иногда важнее глубины. Погружаемся в математический рельеф, чтобы понять, где в нём прячутся лучшие модели.

Применение двухполупериодного активного выпрямителя в схеме многоканального измерителя тока.

Делюсь идеей построения измерителя токов.

В этой статье рассмотрим пример реализации .NET сервиса для работы с API Яндекс Метрики, включая авторизацию, получение данных и их синхронизацию с БД.

Была ночь, огни Бориспольской трассы пролетали мимо окон такси. Водитель выключил музыку, невыносимо давившую мне на мозг после тяжелого перелета, и, чтобы не заснуть, начал говорить.

Сначала, конечно, о политике, «довели страну», и все в таком роде, потом о чем-то личном. Я тоже не хотел отключаться прямо на переднем сидении, поэтому пытался его слушать.

—… И тогда нам всем придет конец, — донеслись до меня обрывки фразы. — Точнее только им, не мне. Я надежно подстраховался. Когда их всех: водителей такси, маршруток, даже трамваев выкинут на улицу, меня уже там не будет. Я буду сидеть в тепле, пить кофе и громко-громко смеяться.

— Почему-почему их выкинут на улицу? — заспанно переспросил я.

— Ты что, про Убер не слышал? Что они с водителями делают — только репетиция, да. Скоро, уже очень скоро они запустят свои автопилоты. Это будет дешевле, безопаснее, круче! Всех этих бездарностей ждет работа на стройке. Или бомжатник. Но не меня, я умнее их.

— Да? — протер я глаза.

Метод главных компонент (PCA)/SVD

• scipy.linalg.svd
• sklearn.decomposition.pca

• Учебное пособие по основному анализу компонентов

Современные крупные языковые модели, такие как ChatGPT, Claude или Gemini, поражают своими возможностями. Но главный вопрос остаётся открытым: как именно они думают?

С момента появления открытых LLM метод изучения их мышления был довольно прост: разобрать их архитектуру, ведь каждая такая модель состоит из нейронов. Анализ их работы означает исследование того, какие именно нейроны активируются при заданном вводе. Например, если пользователь спрашивает: «Что такое звук?» — можно выяснить, какие именно нейроны включаются при формировании ответа. Так мы получаем возможность буквально заглянуть в процесс мышления нейросети.

Пожалуй, нынче сложно найти человека, не игравшего в Майнкрафт. Старая добрая «песочница», в которой игрок от первого лица выживает в мире, целиком созданном из разных кубиков. В нем есть все: животные, торговля, земледелие, горное дело, разные формы рельефа, природные зоны, руды… И иногда кажется, что проходя ее, можно узнать больше, чем на уроках географии и геологии.

Я играю в Майн года с 2013, а с геологией и добывающей отраслью познакомилась позже. И чем глубже я погружаюсь в свою специальность, тем интереснее становится взгляд на, казалось бы «просто игру» — теперь я замечаю в ней то, чего раньше не видела. В общем, пришла мне в голову гениальная идея: совместить приятное с полезным. Поэтому с этого поста начнется цикл текстов, в котором на примере игры я буду объяснять вам, как выглядит наша планета в разных приближениях на самом деле.

Микросервисная архитектура стала де-факто стандартом для построения современных масштабируемых приложений. Вместо единого монолитного приложения система разбивается на набор мелких независимых сервисов, каждый из которых отвечает за свою четко обозначенную функцию. Такой подход позволяет упрощать разработку и развертывание отдельных компонентов, повышать отказоустойчивость и масштабируемость системы. Однако переход к микросервисам и их эффективное использование сопряжены с рядом сложных задач. Для их решения в практике выработаны архитектурные паттерны – типовые подходы и шаблоны проектирования.

В данной статье мы разберем несколько ключевых паттернов, связанных с микросервисами. Речь пойдет о паттернах миграции и интеграции (таких как Strangler Fig – «удушающее дерево» и API Gateway), о сетевых и структурных паттернах (Service Mesh, Sidecar), о шаблонах работы с данными (Database per Service, CQRS) и об особом подходе к хранению состояния (Event Sourcing). Для каждого паттерна мы рассмотрим его суть, назначение, примеры использования, а также плюсы и возможные сложности. К некоторым паттернам приведены упрощенные диаграммы и фрагменты кода, чтобы иллюстративно показать, как они работают на практике.

Извините, но в 2025 году — это просто смешно:

$ time ./configure: 13.80s user 12.72s system 69% cpu 38.018 total

Scriptable Render Pipeline (далее SRP) в Unity - это бескомпромисная свобода и производительность по сравнению с универсальными, но слишком громозкими URP и HDRP. Результат? Noesis Render: кастомный пайплайн с декалями, продвинутым AO, поддержкой DLSS и FPS которые упираются в процессор. В первой части я обсужу общее состояние SPR и выбор лучшего пути рендера.

Чтобы получить мощную ИИ-модель, ее нужно обучать на качественных данных. Но что делать, если данных мало или они обходятся слишком дорого?

В статье разберем методы, с помощью которых ИИ-стартапы добывают «топливо» для разработки нейросетей. Под катом вы узнаете, как грамотно комбинировать разные подходы к сбору и разметке данных, как компании решают трудности, связанные с защитой тренировочных материалов авторским правом, и почему обучение нейросетей иногда лучше доверить другой ИИ-модели, а не человеку.

Хотите просто и быстро получить данные трехмерного сканирования улицы? Нет желания тратить тысячи долларов на покупку лидара? Давайте я предложу вам попробовать симулятор!

Я участвовал в проекте лидарного картографирования, где руководство не торопилось покупать дорогую технику. Перед тем как начать работать с реальным железом, я предложил попробовать свои силы на симуляторах данных, проверить узкие места. В статье описаны варианты Open Source решений для имитации лидара, устанавливаемом на автомобиле и приводится оптимальный вариант для моей задачи.