Kurgan-Telecom Ru | Информационные технологии

В одном из тестов института Ai2 языковая модель выбирала сотрудника на инженерную должность. Модели давали на выбор два резюме. В одной версии задания конкретная кандидатка уступала второму кандидату по квалификации, в другой — превосходила его. Tülu 3.1 8B выбрала эту женщину в обоих случаях, в том числе когда ее резюме было слабее. Только объяснения поменялись. Недостающие сертификаты модель компенсировала рассуждениями о потенциале и разнообразии опыта.

Этот пример из исследовательской работы FairStress, опубликованной несколько дней назад. И он неприятен своей узнаваемостью: модель подстраивает обоснование под свой внутренний вердикт, хотя ожидается ровно обратное. Причем по отдельному ответу трудно заметить подвох: текст выглядит разумно, кандидат выбран, аргументы перечислены.

За последние несколько лет исследователи проделывали похожие проверки с именами, возрастом, диалектом и даже простым "Вы уверены?". Модели охотно проявляли стереотипы там, где данных не хватало, отказывались от правильного ответа под давлением и по-разному оценивали людей в зависимости от того, к какой социальной группе они относились. 

Так называемая положительная дискриминация давно не секрет: в некоторых странах представителям определенных социальных групп дают преимущества при найме. Такие меры вводят через законы или корпоративную политику — у них есть конкретные границы применения (ладно, как минимум границы стран). Но с распространением нейросетей похожие предпочтения могут переноситься в другие регионы и компании вместе с самой моделью. Работодатель, который не вводил таких правил и не собирался учитывать пол или происхождение кандидатов, может невольно учитывать эти признаки, следуя рекомендациям ИИ-рекрутера.

Разберу в статье пять исследований: как проявляется предвзятость нейросетей и что происходит при попытках ее исправить.

Python знают миллионы разработчиков. Но что сегодня отличает Junior+ от Middle, а Middle от Senior, кроме количества лет в резюме? Собрали актуальную матрицу компетенций для питонистов: от объектной модели и pytest до высоконагруженных систем, Big Data и промышленных решений с LLM.

Допустим, интернет-магазин прошёл приёмку: каталог открывается, тестовый заказ появился в системе, HTTPS работает. Что проверять дальше? Ежедневно повторять весь путь покупателя вручную неудобно, а одна открывающаяся главная мало говорит о состоянии остального сайта.

Миграция с Xamarin.Forms на.NET MAUI, десятки тысяч строк чужого кода, несколько неудачных попыток переписывания и первая публикация приложения в RuStore. Расскажу, как проходил этот путь, с какими трудностями столкнулась и что стоит учесть при подготовке Android‑приложения к публикации. А в конце — о том, что ждёт впереди: переход на новую версию на iPad.

Представим ситуацию: в PostgreSQL хранится большое значение — документ, бинарные данные, крупный JSON или другой объект размером в несколько мегабайт. При этом приложению далеко не всегда нужен объект целиком. Иногда требуется получить лишь небольшой фрагмент.

Например, значение занимает 10 MiB, а запросу нужны всего 100 байт.

Кажется логичным, что PostgreSQL должен прочитать только эти 100 байт. Но на практике объём работы зависит от того, как значение хранится, было ли оно сжато и какой алгоритм сжатия использовался.

В этой статье проверим поведение PostgreSQL 18.6 экспериментально. Сравним EXTERNAL, PGLZ и LZ4 и посмотрим, что происходит, если читать один и тот же 100-байтовый фрагмент из начала, середины и конца большого значения.

Цель — не найти универсально «лучший» вариант хранения. Нас интересует более практический вопрос: какую работу PostgreSQL выполняет при частичном чтении большого TOAST-значения и при каких условиях различия становятся заметны.

Это Муфоед. С ним я познакомлю вас чуть позже. Пока же я расскажу небольшую историю, которая, уверен, уже перестала быть новинкой. Мне не хватало пары функций в блокноте от Windows. И я не пошел искать программу на замену, как сделал бы это раньше. Я пошел к ИИ, описал свои беды и через полчаса у меня была нужная программа только что созданная с нуля.

Но вот “с нуля” ли? И такая ли эта модель молодец, что написала такую сложную программу так быстро? Казалось бы - да. Но, нет. Она сделала эту программу опираясь на “плечи гигантов” - кучу созданных и отлаженных библиотек, сделанных другими, подчеркну это, людьми. И обучаясь на еще большей куче кода сделанного людьми.

В один из дней блогеру приходит на электронную почту извещение о составлении протокола об административном правонарушении от Роскомнадзора. 

Я составил таблицу, в которой расставил SEO-факторы по значимости для GEO. Это моё текущее видение и практическая расстановка приоритетов на октябрь 2026 года, а не опубликованные данные алгоритмов ChatGPT, Google или Алисы. Ниже сначала покажу всю картину, а затем разделю факторы по двум сценариям продвижения.

Меня зовут Евгений Новиков, я создаю приложения на Flutter и сделал собственный фреймворк для fullstack-разработки на Dart.

Многие могли видеть рекламу моего Telegram-канала или даже меня самого — год назад я выступал на CrossConf в Москве.

В этой статье хочу рассказать про фреймворк и путь его создания.

Я пишу на чистом JavaScript и PHP уже больше 20 лет. За это время я пережил jQuery, Backbone, Ember, AngularJS и видел, как React и Vue захватили умы джунов. Долгое время я искренне считал, что <template> и <slot> — это какая‑то странная ерунда штука для полифиллов Web Components, которая в реальной жизни не нужна от слова «совсем».

Зачем клонировать узлы, если есть innerHTML? Зачем Shadow DOM, если есть BEM?

Оказалось, что я просто боялся нативных инструментов. Ага. Но вот, наконец‑то, перестал и моя жизнь стала проще, а бандлы легче.

Для ИТ-поддержки удалённый доступ — рабочий инструмент: подключиться к компьютеру пользователя, разобраться, поправить настройки и отключиться. Сессия закрыта, заявка тоже.

Для ИБ это выглядит несколько иначе.

Каждое удалённое подключение потенциально оставляет набор событий: кто подключился, к какому устройству, когда началась сессия, какие права использовались, какие действия выполнялись, передавались ли файлы, какие изменения произошли после этого.

Если эти события связать между собой, система удалённого доступа становится дополнительным источником телеметрии для расследования инцидентов.

Разберём это на примере RuDesktop — от простого кейса с пропавшим файлом до корреляции событий в SIEM.

Сейчас модно говорить, как стало классно делать приложения / проекты / продукты с ИИ-агентами. Сел, накинул 1–2 промпта — и у тебя уже за вечер запущенное приложение. Но если погрузиться в процесс создания какого-либо продукта, то разработка — это всего лишь небольшая его часть.

Если лидер при счёте 2:0 выигрывает настольный теннис в 90,6% случаев, то ставить на него должно быть выгодно. Но реальность вновь показала: математика работает, а букмекер её тоже знает. К тому же в таком стохастическом виде спорта, как настольный теннис, есть и другие интересные закономерности. Первая партия, подача, усталость к вечеру и дуэли «клиентов» с «мучителями» ведут себя не так, как подсказывает интуиция. Обыграть букмекера в итоге не удастся. Или всё-таки удастся? Я проверил на себе, и вот что получилось.

PS. Ни один букмекер не пострадал (:

Мы собрали подборку из топ-10 проектов по рейтингу на сайте Product Radar за сентябрь 2026 года.

Product Radar — здесь каждую неделю публикуются лучшие онлайн-сервисы и железки от русскоязычных команд. Это площадка, где энтузиасты из мира технологий делятся своими идеями, обсуждают и создают вместе новые продукты, чтобы делать жизнь людей лучше.

Адаптируем десктопные USB‑токены для работы на мобильных устройствах. Даже если производитель не закладывал поддержку мобильных устройств, это исправимо.

Ускорение сборки не всегда требует менять сам процесс сборки. Иногда достаточно перестать заново скачивать и собирать то, что уже было получено на предыдущем запуске. Вопрос в том, что именно стоит сохранять между запусками и средствами какого уровня это лучше делать. 

Разбираем два варианта кэширования зависимостей в GitLab CI и показываем, как выбрать подход с учетом того, как устроена сборка. 

Привет Хабр!

Делюсь с вами интересными инфоповодами. Сегодняшнее направление моего ресёрча — Агентная экономика и её издержки.

Вряд ли я тут кому то открою тайну, рассказом о том, как хранить ключи, но тут прочитал статью на TechCrunch, где рассказывается, что CERT‑In (национальное агентство кибербезопасности Индии) обнаружило, что ИИ‑агенты нескольких разработчиков моделей во время тестов добрались до живых систем индийских организаций. Агентам хватило учетки и настройки подключения, оставленных в конфигурации приложений и публичных репозиториях кода, и слишком широких облачных ролей. При этом пострадавшие организации вторжения сами не заметили.

Поэтому, больше для себя, решил написать чек‑лист, он состоит из девяти пунктов, каждый привязан к способу входа из этих инцидентов и говорит, что проверить, какой командой и как исправить. А в конце написал о том, что делать, если ключ уже утек.

Наконец-то приехала фундаментальная модель, заточенная под работу с табличными данными и уже в базе умеющая препроцессить сырые данные. И у меня дошли руки ее потестировать.

Изначально отдали GPT полный контроль: вот тебе страница магазина, вот список промокодов, разбирайся. На демо это выглядело хорошо. Ровно до того дня, когда он зашел на страницу оформления, увидел заполненную форму, прикинул, что задача выглядит примерно так, и двинулся нажимать кнопку покупки. Формально он выполнял инструкцию. Фактически мы в этот момент поняли, что полный контроль над чужим браузером LLM давать нельзя. Да и в релизе это было дорого, нестабильно и оказалось местами опасно.

Почти каждая деталь этой системы появилась после того, как что-то сломалось на проде. Так что дальше в основном собраны истории провалов. Предлагаю вашему вниманию разбор в деталях и наши выводы про работу с LLM в Web разработке и про построение AI-native продуктов. Будет полезно! -->