Kurgan-Telecom Ru | Информационные технологии

Многие, и особенно начинающие, компании не хотят сразу внедрять полновесную CRM: они часто избыточны, а еще изначально диктуют логику работы, порой очень жестко. Если у вас, к тому же, все еще меняются процессы: несколько менеджеров, пилоты, согласования, юристы и финансы — стандартный флоу работы может развалиться.

Поэтому каждый колхозит что ему удобно, и самый распространенный способ сортировки данных ручками — таблицы. CRM в Excel может казаться практичной, но до поры — примерно когда появляется стабильный поток клиентов, которые проходят разные этапы в своем темпе внедрения вашего продукта/услуги и согласований. Еще больше проблем вылезает, если продажников в отделе больше одного и кто-то передал свои задачи из-за отпуска/болезни/увольнения.

Поэтому нужно искать какой-то усредненный, да еще и удобный инструмент для ведения процессов компании: что-то, что сохраняет простой табличный подход, но дает возможность в ней же собирать полноценные рабочие процессы. И такое решение я, кажется, нашел.

Короткая версия: за несколько месяцев на одной домашней видеокарте у крымскотатарского языка появились работающее распознавание речи (WER 0.3463 → 0.1701) и синтез, который прочитал вслух целую книгу — шестнадцать глав, 1 час 58 минут звучания. На обучение моделей из этого ушли часы. Всё остальное время съели данные, проверки и выяснение того, какие из моих собственных измерений врут.

Вот про эту вторую часть я и хочу рассказать, потому что она переносится на любой язык, а первая — нет.

Сразу оговорка про то, чего в статье не будет: конкретных источников аудио, договорённостей с правообладателями, точных рецептов пайплайна и внутренних скриптов. Будут метрики, порядки величин, методология проверки и грабли. Грабель много.

Я сейчас дам инструкцию. Постарайтесь выполнять каждый шаг, прежде чем перейти к следующему.

Поехали. Шаг первый: прочитайте слово в кавычках один раз: «Ворота». Шаг второй: прочитайте следующее слово два раза: «Синхронный». Шаг третий: прочитайте слово три раза: «Разочарование». Шаг четвёртый: посмотрите влево, затем вправо, затем вверх, затем вниз. Шаг пятый: закройте глаза и прочитайте про себя любое четверостишие, которое знаете.

Что сейчас произошло? Ничего особенного, просто аудитория была сегментирована по степени внушаемости. Но есть и хорошие новости — только вы знаете, в какую категорию попали.

За последние два года я поймал себя на странной вещи: я почти перестал писать код руками. При этом программного обеспечения создаю, кажется, больше, чем раньше.

Теперь значительную часть работы делают Codex, Claude Code, Gemini и другие ИИ-агенты, а моя работа всё больше похожа на проектирование среды, в которой они могут безопасно работать.

Я попробовал пойти дальше и перестроить под ИИ саму архитектуру кодовой базы: ограничить пространство решений, превратить файловую систему почти в систему типов и запустить несколько агентов параллельно.

Расскажу, что из этого получилось, зачем появилась SAMO и почему главный вопрос AI-разработки, возможно, уже не «насколько хорошо ИИ пишет код», а «какую систему мы должны построить вокруг него».

Личный опыт ручной поддержки: цена человеческой ошибки, постоянных переключений и внутренних инструментов, которые не успевают за продуктом.

Привет, сегодня решила поделиться переводом от Маттео Бизи на вечнозеленую (как оказалось) тему — Shadow AI.

В материале про то, почему ИИ-агентов нужно моделировать как угрозу, а не просто как инструмент продуктивности.

В споре о рекламной рассылке копии согласия может оказаться недостаточно. На двух делах ФАС разбираем, что нужно восстановить: текст и действие человека, основание конкретной отправки и исполнение отзыва. В конце — проверка, которую можно провести вместе с DPO, аналитиком и разработчиком.

Контринтуитивные события окружают нас повсюду. Взять, например, парадокс дней рождений: каждый раз, когда оказываешься в небольшой группе и узнаёшь, что у двух участников группы праздник в один и тот же день, то думаешь: какое удивительное совпадение, ведь кажется, что событие редкое. Но вот уже при детальном рассмотрении оказывается, что вероятность такого события достаточно высокая (например, если группа 23 человека, то вероятность составит 50%, для группы в 57 человек — 99%). Примеров контринтуитивных событий много и они удивительны тем, что их разоблачение позволяет нам менять своё мировосприятие. 

Вот и мы с друзьями затеяли спор об одном таком событии, связанным с игрой Мир танков. Суть спора: двое из нас считают один сервер «несчастливым», потому что при нашей средней статистике в 50%, именно на этом сервере происходят частые поражения. Третий друг считает, что не может быть такого, чтоб сервер был «несчастливым» и тем более, невозможно, чтобы средний процент побед всех игроков на нём был меньше 50%. 

Юристам дали ИИ-помощника для подготовки патентов. Более ста человек из одиннадцати фирм три месяца писали документы, правили заявки клиентов, ну и все такое.

Ученые в это время смотрели, насколько поумнеют люди с ИИ.

В конце срока подбили метрику.

С ИИ юристы работали лучше. Причем новички рванули выше остальных. ИИ-помогатор подтянул их рабочие скиллы если не до уровня ветеранов патентных войн, то хотя бы заметно сократил разрыв.

Казалось бы, еще одна вау-история внедрения.

Что помогает не бросить Data Science, когда мотивация закончилась, формулы пугают, а мозг просит пощады? Делюсь пятью приемами, которые сработали у меня за десять месяцев учебы: от сна и странных мнемоник до Хайнлайна и дозированных истерик.

Привет, Хабр и хабровчане!

Пока корпорации (в том числе Canonical) закручивают гайки простым смертным, превращая Ubuntu в аналог Windows своей телеметрией, скрытыми пингами на Ubuntu Pro и тяжелым Snap-пакетами, я решил, что терпеть это больше не могу.

Я по крупицам собрал свой многолетний опыт харднинга Debian-подобных систем, раскидал его по главам и написал полноценную книгу.

Проект задумывался для обычных людей: врачей, журналистов, юристов — тех, для кого приватность критически важна. Весь проект (книга, конфиги, скрипты, бэкпорт PSI+ 1.5 под Ubuntu 26.04) полностью бесплатный и живет под лицензией GNU GPLv3 на GitHub.

Буду потихоньку выкатывать сюда сочные куски, которые оценят как энтузиасты, так и люди, вообще не относящиеся к IT-сфере. Пока мануал доступен на английском и русском (предусмотрел я 17 языков, буду пополнять по мере изучения остальных 15, ха-ха, шутка).

https://github.com/EugeXo

Пролог.

Пусть например N = 253 с точки зрения факторизации это прямоугольник p*q. Построим прямоугольник близкий к p*q.Посмотрим изнутри N =11*23 берем 2 слоя короткой стороны и присоединяем их к длинной стороне получаем получаем прямоугольник N1 = 12*21 =252 очень близкий к N . Смотря извне предполагаем что N1 = N -1 очень близкий к N , N1 = N -1 = 253-1 = 2*2*3*3*7 т.е. возникло множество вариантов N1. И комбинаторика не проблема т.к. скорость роста вариантов гораздо медленнее роста N. Перебором получаем один из вариантов (2*2*3)*(3*7) = 12*21 т.е. N = 11*23 = 253 похож на 12*21+1=12*22 ,как вариант. Пока числа маленькие в этом методе нет смысла.

Обратимся к историческому факту.

Аббат Мерсенн, как то в ходе переписки, предложил Ферма выяснить является ли простым число 100895598169. Ферма быстро дал ответ, данное число является произведением простых чисел 898423 на 112303. И опять на предложение поделиться методикой… Ну, вы поняли. Речь о Марене Мерсенн (Marin Mersenne, 1588–1648). Координатор научной жизни. В ту эпоху не было научных журналов, и Мерсенн был организатором обмена знаниями в Европе. Он вёл обширную переписку. Среди его корреспондентов были Декарт, Галилей, Паскаль, Ферма, Гюйгенс, Торричелли и другие.

Факторизовать число N=100895598169 вручную не простая задача.

Ферма давно покинул лучший из миров и тайну забрал с собой.Не знаю как действовал Ферма.Я факторизую так - N - 1 , N - 3 и на пятом шаге N - 9. Далее N1 = 100895598169 - 9 = 100895598160 , N1 = 100895598160 = 2*2*2*2*5*7*7*19*193*7019 , N = 2*2*2*2*5*7*7*19*193*7019 + 9 с помощью не сложной ручной комбинаторики получаем N = (5*7*7*19*193+9)*(2*2*2*2*7019) Voila! получилось ! N = 898424*112304 а хотелось получить N = 898423*112303 И ДА. В этой бочке мёда ложка дёгтя в этом случае q нацело делится на p потому и всё просто.Факторизовать RSA-155 похоже сложнее ,пока у меня не получается.

Каждый вечер мне нужно ответить на один вопрос: на какие бумаги из примерно тринадцати тысяч имеет смысл потратить время сегодня. Не «какие вырастут» — этого никто не знает, — а на каких стоит нарисовать уровень и поставить заявку.

Год назад я написал под эту задачу программу и с тех пор работаю только через неё. Ниже — её устройство: как читаются 14,5 миллиона баров, как считается ранг относительной силы, как устроена воронка фильтров, какой из них год работал неправильно и почему, чем разбирается исход сделки и чем я проверяю, что отбор вообще чего-то стоит. Кода будет много: половина статьи именно про то, где решения оказались не такими, как выглядели на бумаге.

Стек, чтобы дальше не отвлекаться: .NET 10, C#, WinForms для окна, SQLite (Microsoft.Data.Sqlite) вместо сервера, ScottPlot для графиков, xUnit — 867 тестов на три проекта. Ни одного внешнего сервиса, кроме поставщика котировок, ключ к которому вводит пользователь.

Когда речь заходит об ORM, большинство C# разработчиков сразу вспоминают мощный Entity Framework Core или же легковесный Dapper. Но что насчёт RepoDB и SqlSugar? Несмотря на меньшую известность, эти ORM активно используются в реальных проектах и продолжают развиваться. Давайте посмотрим, какие проблемы удастся обнаружить в их исходном коде с помощью статического анализатора.

Изучать язык читая книги в оригинале полезно и увлекательно. Можно загрузить очень интересную книгу, запретить себе читать ее на русском и получится отличная мотивация для чтения и запоминания слов. Это может дать хорошее понимание языка в текстовом виде, но не поможет, когда в отпуске вам захочется что‑либо выяснить или просто поговорить в баре с англоговорящими. Для того требуется тренировать навык построения предложений и разговорной речи. И тут к нашим услугам либо живой репетитор, либо duolingo‑содержащий продукт с бесконечными синтетическими заданиями вроде составления the cat is on the mat перетаскиванием слов. Кому это вообще может быть интересно? Впрочем, выход есть.

Хабр, привет!

На связи Алина Байрамова, аналитик-исследователь угроз кибербезопасности R-Vision. 

Появление новой уязвимости с рабочим публичным PoC обычно запускает привычный процесс: специалисты определяют затронутые системы, проверяют наличие обновлений и планируют установку патчей. Но до тех пор, пока инфраструктура не обновлена, необходимо понять, можно ли заметить попытку эксплуатации по доступной телеметрии.

С этим не всегда все очевидно. Описание CVE и публичный PoC позволяют понять, как работает уязвимость, но сами по себе не дают готового сценария обнаружения. Эксплойт может использовать штатные механизмы операционной системы, а отдельные действия, которые он выполняет, встречаются и в легитимной активности.

В этой статье разберем три публичных PoC для Dirty Frag: два варианта эксплуатации CVE-2026-43284  через ESP/XFRM и один для CVE-2026-43500 через RxRPC.

Посмотрим, какие системные вызовы выполняют эксплойты, какие следы остаются в событиях Linux и какие признаки можно использовать для обнаружения эксплуатации. В результате соберем детекты для разных вариантов Dirty Frag и сравним, какие признаки остаются стабильными между реализациями PoC.

Запрос получил 202, автотест прошёл, а через несколько дней выясняется, что часть операций так и не завершилась успешно. Такая ситуация возникает, когда проверяется только ответ HTTP‑обработчика, а сама асинхронная цепочка остаётся без контроля. Разберём, как построить тест для API с polling: от запуска операции и проверки статуса до валидации итогового результата и безопасного повторного запроса.

В первом квартале 2026 года 17,7% проданных серверных процессоров были на ARM. AWS уже выпускает пятое поколение Graviton, Google предлагает Axion не только в виртуалках, но и на bare metal, Microsoft разворачивает Cobalt 200, а Oracle использует AmpereOne. При этом индустрия уже дважды хоронила эту архитектуру — в 2013 и в 2018 году. Под катом расскажу, кто лежит на кладбище ARM, почему третий заход оказался успешнее и готов ли ваш стек к переезду.

ИИ всё лучше справляется с текстом, кодом и другими типовыми задачами, а компании переходят от экспериментов к промышленному внедрению. Нынешняя волна автоматизации кажется уникальной, но похожие технологические сдвиги уже происходили раньше. В первой части серии статей посмотрим, как менялись задачи и роли специалистов и почему развитие самого ИИ тоже идёт циклами.

Что, если два небольших автоматизированных процесса возвращают компании больше 160 рабочих часов в месяц?

В одном из проектов я связал внутреннюю Excel-систему компании с маркетплейсами и добавил AI-черновики ответов на обращения покупателей — при этом финальное решение всегда остаётся за сотрудником.

Разобрал, где именно терялось время, что автоматизировал и почему эффект получился примерно на 100 тысяч рублей рабочего времени в месяц на 5 сотрудников.

В статье — цифры, архитектура и экономика внедрения.