Kurgan-Telecom Ru | Информационные технологии

Современные жилые комплексы сложно представить без умных цифровых решений. Но по состоянию на 2026 год многие цифровые системы в новостройках перестают полноценно работать уже через несколько лет после ввода дома в эксплуатацию. Часть функций отключается, отдельные сервисы становятся недоступны, данные перестают обновляться. 

Собрал причины, по которым система умного дома начинает буксовать вскоре после ввода в эксплуатацию. Расскажу, как на это влияет маркетинг строительных объектов и почему бытовые гаджеты с AliExpress и других маркетплейсов не заменяют промышленные решения. А также предложу свой взгляд с точки зрения эксперта-практика, принимавшего участие в реализации 50+ проектов умного дома,  как добиться от системы  такой устойчивости, чтобы и через 10-20 лет все работало, как в первый день. 

Перегрузка Span.Sort с компаратором-структурой должна была работать быстрее обычной. Замер показал обратное: памяти она расходует больше всех, а времени тратит больше, чем компаратор-класс — на .NET 8, 9 и 10.

В .NET 11 результат меняется, но не везде.

Почему PLM-системы не понимают ЕСКД: от проблемы совместимости к проектированию собственной модели данных

Сегодня HR-службам не позавидуешь. Часто именно они оказываются в центре скандалов, обвинений и объекты «раздачи слонов». И везде есть своя правда. Компании оказались не готовы к происходящему, HR-службы заваленными резюме, а понимания какова должна быть идеальная структура компания в новых условиях (а какие они?) и как должен выглядеть идеальный сотрудник нет. Руководство компаний часто идет на ощупь, пытаясь рефлекторно отвечать на вызовы – по мере поступления проблем. А тут еще ИИ, не только в качестве проблемы ATS-фильтров, но и как новый «член команды». Не говоря уже о требовании к кандидатам слиться с ИИ-помощником в едином экстазе и порыве…

В связи с чем попалась очередная любопытная статья на РБК В статье описана проблема взаимодействия людей и ИИ-агентов. В погоне за инновационностью и для того, чтобы выглядеть более прогрессивно, менеджеры компаний начинают ИИ-агентов объявлять «членами» команды, наделять ИИ-агентов реальными должностными полномочиями. В результате чего ИИ вытесняет людей из процесса принятия решения, а люди начинают сваливать на ИИ свои провалы. Мне эта ситуация показалась интересна с двух точек зрения: с точки зрения науки менеджмента и философской науки.

С точки зрения науки менеджмента. Что такое «команда», откуда это взялось и почему именно эта, командная парадигма, и стала проблемой.

Анализируя историю последних 30 лет, можно заметить тенденцию к переосмыслению понятия «предприятие» с организационной точки зрения. Если до 90-х годов XX века, предприятие понималась скорее как механизм, имеющий жесткие правила (впрочем, не лишенный гибкости),более-менее стройную иерархическую структуру управления и подчиненную вполне понятной цели – получения прибыли, то потом все поменялось.

Разработчики описывают изменения кодом, инфраструктура — декларативными манифестами, а архитектура до сих пор часто живёт в draw.io и PNG. Почему диаграмма без модели быстро устаревает и как собрать архитектурный control plane из знакомых деталей: API server, графа, CMDB, diff/review и operator pattern? А может нам нужно решение с ResourceDefinition, типизированными связями, Temporal workflows и change sets.

Если вся вторая половина века XX‑го и начало XXI‑го веков проходили под знаком глобализации, то теперь, если верить Хантингтону (я имею ввиду его работу «Столкновение цивилизаций»), нас ждет многополярный мир, разделенный на несколько цивилизаций. Несмотря на то, что книга написана в далеком уже 1996 году, события последних лет говорят о том, что она не только не устарела, но стала еще более актуальной.

Кроме того, внутри одних общностей иммиграция стала создавать значительные локальности иных по отношению к принимающей, неохотно смешиваемых, культур.

Еще один фактор — это обосабливание некогда общих культур. Если основной тенденцией эпохи однополярного мира после холодной войны и нацеленности на создание единой глобальной экономики и повсеместной вестернизации, было стирание границ, то сегодня нас ждет обратный процесс. Более того, по мысли Хантингтона он не прекращался и в более или менее скрытом виде наблюдается уже с 80–90-х годов прошлого века.

Если с первыми двумя факторами более‑менее все понятно, по крайней мере в отношении их культурного и лингвистического анализа, то с последним не все так просто. Так, в случае «простого» смешения и/или пересечении семантических полей изначально обособленных общностей, наше понимание упрощается несколькими факторами.

Во‑первых, семантическое ядро изначально изолированных культур имеет четкие границы, что значительно упрощает применение, например, таких инструментов как TF‑IDF и BM25.

Во‑вторых, эти культуры существуют достаточно давно и на протяжении истории возникло довольно большое количество исследований.

Одна из основных задач игры внутри продукта — превратить игрока в активного пользователя. Для этого игровая система предлагает ему совершать целевые действия: сделать покупку, воспользоваться новой функцией, подключить подписку. В награду игрок получает очки, преимущество в розыгрыше призов или доступ к новому контенту.

Одна из ключевых метрик таких проектов – конверсия в выполнение продуктовых заданий. На неё влияет группа игровых показателей: Retention (удержание), DAU (уникальные пользователи), вовлечённость в отдельные механики.

Ещё одной метрике часто уделяют меньше внимания — средней продолжительности активной сессии, или Average Active Session Duration. Чем дольше игрок осмысленно взаимодействует с игрой, тем больше у системы возможностей вовлечь его в механики и подвести к целевому действию.

В этой статье вы узнаете:

Какие бизнес-задачи помогает решать более продолжительная игровая сессия

За какими связанными показателями нужно следить

Какие игровые механики способны её увеличить.

Сегодня имеем лавинообразный рост статей о нарастании проблем в ИИ, таких как:

1. нехватка энергии для дата-центров;

2. нехватка аппаратных средств и видеокарт, в частности;

3. нехватка удовлетворенности степенью интеллектуальности существующих ИИ-систем, а попросту говоря нехватка логики, непонимание семантики и неспособности к производству нового знания (не путать с «простой» проблемой получения обобщений на основе статистики);

4. нехватка теплоты человеческого общения на фоне засилья чат-ботов;

5. нехватка бюджетов уже просто на эксплуатацию уже внедренных ИИ-решений (на фоне все возрастающей прожорливости компаний-поставщиков ИИ-решений).

И причин этому тоже несколько:

1. Желание не тратить время на глубокий анализ проблемы и желание переложить их на другие плечи, например, на ИИ-плечи. Об этом тоже много написано под вывеской «автоматизированный бардак – все равно бардак». Надо отметить, что люди вообще не склонны быстро отказываться от своих привычек и любимых мозолей. Наши проблемы греют нам душу и поддерживают ощущение стабильности. Да, мы стремимся к новому, но чаще не в попытке отказаться от старых догм и проблем, а скорее в поисках новых, когда старые начинают немного приедаться.

2. Получить простую возможность выглядеть лучше, не затрачивая усилия, за счет использования разного рода ChatGPT и т.д.

3. Сэкономить время и получить быстрый ответ в случаях, когда или нет времени или нет причин и желания тратить на это свою энергию.

Наверное, у каждого такое было: приходишь на работу, а под дверями твоего кабинета уже стоит хмурый работяга - начальник участка и взволнованная девушка менеджер. "Он должен был сдать отчёт и не сдал, у меня сырья не хватает - детали в базе не собираются" - говорит она. "Я что мальчик какой-то по десять раз бумажки переписывать, я все вчера ей на стол положил" - ворчит он. "Да он постоянно забывает и ошибается ещё" ... "Да она всегда все теряет, и переписать с бумажки не может". Полчаса взаимных упрёков и испорченное на весь день настроение. Я хочу рассказать, как помирить производство и офис внедрением простого микросервиса.

Крупные компании начинают не просто привлекать, а брать в штат философов, культурологов. Цукерберг и Безос начинают ходить на благотворительные ужины и скупать произведения искусства…

И видя такие новости, у меня возникает ощущение того, что история движется кругами. И если заменить слово «ИИ» на «парадигма мышления», то мы увидим множество совпадений в ретроспективе последних 3000 лет.

Основной посыл можно свести к вопросам осмысленности ответов ИИ. При этом не имеет значение факт наличия или отсутствия сознания у ИИ. Пользователи хотят видеть те ответы, которые ожидают. Вне зависимости от того, сформированы они с участием человека или без. Кроме того, они хотят быть уверенными, что эти ответы остаются в пространстве культурных кодов той или иной цивилизационной парадигмы. Ответы должны быть согласованы с теми нормами, принципами и знаниями, которые составляют картину мира пользователя. Без этого на них нельзя встроить в наши, человеческие, цепочки рассуждений. Ни со смысловой, ни с этической, ни с эстетической, ни с правовой точки зрения. Это приводит к росту внутренней напряженности пользователей ввиду фонового недоверия: никогда не знаешь в какой момент ИИ-система выдаст какую-то «дичь».

Отсюда следует несколько проблем:

1. Проблема common sense или проблема предела рациональности мышления

Не секрет, что одними из основных претензий к ИИ сегодня это тот самый common sense, понимаемый как обобщенное и общепринятое мнение. С точки зрения LLM/ML — это усредненное значение, полученное в результате статистической обработки как можно больших массивов данных. Это не лучшее, это именно наиболее ожидаемое. И здесь нет творчества. Даже GenAI не больше, чем вероятностная машина, обеспечивающая выдачу наиболее частотного слова или даже фразы. Рисование картинок ИИ – все таже комбинаторика.

Всем привет! Меня зовут Миша Шумовский, я работаю главредом в медиа про нейросети и маркетологом в клубе по нейросетям. А еще веду несколько каналов по нейронкам и активно развиваю разные личные пет-проекты. 

95% всех задач я решаю нейронками и меня дико бесило, что каждая новая задачка начиналась одинаково. Заводишь папку, складываешь туда материалы и заново объясняешь нейронке, кто ты такой, что за проект и как мы тут работаем. Что редполитика лежит вот в этом файле и читать ее надо до начала работы. Что такой формат мы уже пробовали и он не зашел. Что на прод я выкатываюсь только через GitHub. 

«Но ведь нужно просто нормально проектные и глобальные Agents.md и Claude.md прописать, и не будет у тебя проблем».

Ожидаю такие комменты. И сразу отвечаю — нет. Глобально задачи хоть и одинаковые, но решать их в рамках одного проекта не получается. 

Например, для онлайн-клуба я создал себе конвейер по производству текстов разных форматов: гайдов, кейсов и даже постов в Телегу. Но раз в месяц мне нужно писать продающие посты для рекламы клуба — а для этого выгружать весь чат за месяц, анализировать его и продумывать заходы для 30 постов. А еще нужно писать десяток постов для рекламы интенсивов, курсов, и параллельно делать обычный контент. 

Подобные задачи есть и по медиа. Из-за этого сделать нормальный и компактный Claude.md нельзя — столько информации в него не поместится, и агент начнет путаться.

Плюс по одному и тому же проекту я могу не только писать текст, но и что-то вайб-кодить, а потом к этому делу писать тексты. Поэтому мне хотелось собрать систему, чтобы я в любом чате мог написать «разработай мне сайт и напиши текст для него» — а агент разрабатывал его по моей методологии и по другой моей методологии писал текст.

Мне недавно попалась очень интересная беседа Кирилла Меньшова (Сбер), Дмитрия Иванова (Яндекс) и Никитой Соболевым (разработчик OpenSource) о перспективах задекларированной Андреем Карпатым Software 3.0 или концепцией о том, что сегодня (или в скором будущем) «программный код» = «Промпт на естественном языке».

Разговор оказался на редкость взвешенным и спокойным, в противовес тому хайпу, который наблюдается вокруг GenAI. И мне захотелось добавить к этому философский слой, который мог бы способствовать пониманию проблематики.

В 2017 году Карпатый написал, что сегодня мы находимся на этапе Software 2.0, где «Программное обеспечение 2.0 написано на гораздо более абстрактном, недружественном к человеку языке, таком как веса нейронной сети. В написании этого кода не участвует человек, потому что весов много (в типичных сетях их могут быть миллионы), а кодирование непосредственно с весами довольно сложно (я пробовал).»

Однако, нас ждет следующий виток развития - Software 3.0. Вот его некоторые тезисы относительно Software 3.0:

1. Сегодня наступает эра разработки интеллектуального программного обеспечения, где промпт на естественном языке заменяет непосредственную разработку кода инженером-программистом.

2. Любой, кто способен сформулировать задачу способен написать код с помощью GenAI

3. «Самый горячий язык программирования сегодня — английский»

Основной посыл такой парадигмы заключается в переходе от языков программирования к перспективе общения с машиной на все более естественном языке. Однако, хотя все это выглядит очень оптимистично, в действительности связано с рядом фундаментальных философских проблем. Причем большинство из них имеет довольно давнюю историю.

Прогон OIDF conformance-suite по redb.Identity: как настроить сьют, почему кликали вручную, и какие реальные баги он нашёл, включая утечку телефона в id_token.

Мы были уверены, что profile-claims в нашем OpenID-сервере отдаются правильно. Юнит-тесты зелёные, демо-прогон зелёный, ручная проверка через curl показывала name, family_name, email, всё на месте. Потом мы прогнали сервер через официальный conformance-suite OpenID Foundation, и он показал, что телефон и адрес пользователя лежат в id_token. А id_token уходит третьим сторонам и пишется в логи как доказательство входа. То есть номер телефона пользователя ездил гораздо дальше, чем клиент вообще запрашивал. Это утечка PII, и никакой наш тест её не ловил, потому что мы не знали, что искать.

Про это и статья: как устроен ...

ИИ сегодня повсюду и кажется, что все о нем все знают. Что он может и что нет. Что такое ИИ-агенты, оркестрация и как с этим бороться. Если приглядеться повнимательнее, то мы увидим, что речь главным образом идет о LLM+ML+RAG в качестве инструмента обращения к каким-либо базам данных. Возможно, это сильно упрощенно, но суть от этого не меняется.

К этому сегодня добавились дискуссии о суверенных и национальных моделях. Если сегодня набрать «виды ИИ» в поисковой строке, то первое что выйдет это список моделей, сгруппированных по типам: текстовые, генерация изображений, аудио. И на этом все.

Однако, это все еще довольно узкое понимание вопроса. Например, философское понимание проблематики включает в себя большое количество разного рода концепций и понятий. Например, это и проблематика понимания сильного/слабого ИИ, концепции и основанные на них программы исследований «хадеггерианского» и «кантианского» ИИ. Существует разделение технологических подходов, основанных на коннекционистских и символьных методах. Существует концепция воплощенного ИИ. И это далеко не полный список.

Мне кажется, что представление, пусть даже общее, хотя бы о части из всего многообразия концепций, может быть полезно для более взвешенной оценки того, что говорят разного рода ИИ-евангелисты, лидеры и руководители компаний в области ИИ. В конце концов, это необходимо для понимания того, что прописано в широко обсуждаемом законе об ИИ.

Стоит отметить, что проблемы начинаются с самого начала. Уже древние греки поняли, что все не так просто с нашим сознанием. В частности, с тем, откуда берутся новые идеи. Как минимум, говорит Платон, необходимо разделять опыт и саму по себе способность мышления. Более того, хотя само по себе созерцание может многое сказать о мире, а принципы индукции были известна уже Сократу, но вот то как рождаются новые идеи оставалось загадкой. Отсюда возникает мир идей Платона. Даже Аристотель, критикуя Платона не смог отказаться от мира идей в полной мере. Ему все равно понадобился ум-перводвигатель как чистая и абсолютная форма, которая есть первопричина всего.

Полные курсы по разработке и аналитике обычно стоят 100+ тысяч рублей. Глядя на ценники популярных онлайн-школ, можно решить, что без серьёзных вложений войти в IT не получится. Но это не так. На рынке есть качественные короткие курсы, интенсивы и программы повышения квалификации — бесплатные или с символической ценой до 10 тысяч рублей.

Конечно, они не сделают вас разработчиком за месяц, но помогут прокачать какой-то конкретный навык, разобраться с инструментом, проверить интерес к направлению или добавить нужную строчку в резюме.

В статье разберём платформы с бюджетными курсами до 10 тысяч рублей и расскажем, сколько можно зарабатывать на старте карьеры в разных IT-специализациях.

Эндпоинт отдавался за 380–510 мс и 811 КБ. Я думал, что причина одна – тяжёлый запрос. Разобрался: причин было три, и они лежали одна под другой. Пока не убираешь верхнюю, следующую просто не видно. Индексы, обход ORM и внезапно – gzip, который не был включён вообще.

Смена ИИ-агента может за один день обнулить месяцы настройки рабочего процесса. Новый инструмент откроет тот же репозиторий, но не будет понимать правил проекта, команд проверки, границ доступа к файлам, ролей субагентов и подключений к внешним системам. Вам снова придётся объяснять контекст в каждом запросе.

Проблема возникает потому, что ценность накоплена не только в выбранной модели. Вокруг неё постепенно формируется отдельный инженерный слой: правила проекта, инструкции для повторяемых задач, роли субагентов, MCP-подключения, ограничения доступа и описание репозитория. Этот слой часто называют AI-agent harness, в статье будем определять, какие факты получает модель, что ей разрешено делать и как она должна проверять результат.

Что произойдет если перенести конфигурацию механически? 

Ошибки проявятся уже в работе: нужная инструкция может не загрузиться, конфликтующие правила начнут расходовать контекст, команда проверки окажется несовместимой с новой средой, а старый MCP-сервер сохранит доступ, который больше не нужен. 

Простое копирование файлов не подтверждает, что агент ведёт себя так же безопасно и предсказуемо.

Мы расскажем как перенести накопленные настройки между Claude Code, Codex, Cursor, opencode и Veai без повторной сборки рабочего процесса с нуля. Разберём, как провести инвентаризацию rules, skills, субагентов, MCP и AGENTS.md, сопоставить их возможности в пяти средах, проверить доверие к каждому компоненту и испытать новую конфигурацию на реальной задаче. В результате у разработчика будет пошаговый план миграции и проверяемые критерии, по которым можно подтвердить, что правила, инструменты и ограничения действительно работают.

Всем привет! Меня зовут Денис Смирнов, больше шести лет я работаю в компании iSpring и участвую в разработке нашего основного продукта — платформы для онлайн-обучения. Особенность платформы в том, что в ней достаточно гибко настраивается работа с датой и временем. Часовые зоны (таймзоны) можно указать на уровне аккаунта, тогда каждый пользователь может выбрать собственный часовой пояс. В некоторых модулях их можно дополнительно переопределять для отдельных пользователей.

Привет, Хабр! Меня зовут Семён, я разработчик приложений в экосистеме ИТ-продуктов «Лукоморье». До этого я работал дежурным инженером у телеком-оператора: принимал звонки, регистрировал аварии и раскладывал их по пяти Excel-таблицам. В плохие дни через двух операторов проходило до сотни инцидентов, а раз в месяц кто-то тратил полдня, чтобы собрать из этого зоопарка один отчёт для руководства.

Я захотел облегчить жизнь себе и коллегам и решил собрать приложение, которое снимет этот хаос: два месяца по вечерам учил Django, разбирался с миграциями и собирал интерфейс с нуля методом проб и ошибок. До минимально рабочего состояния проект я довёл, но работы оставалось ещё много.

Потом я сменил работу, а задача меня догнала: уже в «Лукоморье» мне прилетело ТЗ на похожую учётную систему, только для диспетчерской службы из другого региона. На этот раз я собрал работающую систему за неделю, не написав ни строчки кода.

Под катом расскажу, как это было, и сравню разные пути для достижения одной и той же задачи.

Сегодня в рубрике книга о двух психологах, перевернувших представление о том, как люди принимают решения. И главное в ней — не открытия, а дружба, конкуренция и то, как слава может разрушить даже самое продуктивное партнёрство. А ещё эта книга про сомнения и немного про карманы. Но обо всём по порядку.

Канеман и Тверски — психологи, чьи идеи о том, почему люди ошибаются и принимают иррациональные решения, проникли откуда-то из академических журналов в экономику, медицину, спорт и политику. Их называют «Леннон и Маккартни психологии»: за 15 лет они перевернули представление о том, как работает человеческий мозг. Один из них впоследствии получил Нобелевку.