Kurgan-Telecom Ru | Информационные технологии

Что заставляет человека добровольно уходить на несколько часов в лес, болота или горные тропы — и возвращаться оттуда уставшим, но счастливым?

Для кого-то пробежка — это способ зарядиться с утра энергией или размяться после рабочего дня. Для Алексея Зимина, руководителя портфеля проектов «Синимекс», длинная дистанция постепенно превратилась в способ исследовать собственные возможности.

Когда-то Алексей поставил себе цель пробежать марафон. После финиша обнаружил, что останавливаться на 42 километрах совсем не хочется. Так начался поиск собственного предела: трейлы, многочасовые забеги, дистанции вдали от цивилизации и всё более сложные спортивные задачи.

ИИ всё чаще упирается не в качество промпта, а в то, что происходит дальше: как встроить модель в рабочий процесс, наблюдать за агентом, контролировать качество и понимать стоимость эксплуатации. В этой подборке собраны открытые уроки про LLM, ИИ-агентов, MLOps, Data Drift и другие практические задачи, с которыми сталкиваются разработчики и команды, когда AI выходит за пределы экспериментов.

Всем привет! Меня зовут Ярослав Хныков, я DS Tech Lead в Авито. Наша команда отвечает за рекомендации на главной странице Авито.

В статье расскажу, как мы шли от CatBoost к нейросетевому ранжированию: какие данные брали, почему первые АБ-тесты уходили в минус и что дало резкий прирост качества.

Будет полезно ML-инженерам и тимлидам, которые работают с ранжированием и рекомендательными системами.

По многочисленным просьбам обозреваем ещё семерку — по количеству спектральных цветов, — известных в позднем СССР и раннем СНГ спектрумовских клонов.

В настройках клиента базы стоял statement_timeout в одну секунду, а запрос выполнялся больше сорока. Таймаут выглядел включённым и не действовал. У этой поломки нашлись четыре родственницы. Пулер в тексте ошибки назвала только одна. Остальные выглядели как пропавшая таблица, недоступная база и простой после выката.

Мы в Яндекс Рекламе регулярно проводим исследования рынка и анализируем обратную связь от специалистов. Сейчас много обсуждают нейросети — и возникает ощущение, что ИИ в рекламе появился недавно, на волне популярности больших языковых моделей. На самом деле нейросети используются в управлении рекламой уже много лет.

Давайте разберём на примере Яндекс Директа, как именно работают ИИ в рекламе сегодня, какие бизнес-задачи они решают и как использовать нейросети в маркетинге с пользой для бизнеса. В этом нам поможет Маша Семенова, продуктовый маркетолог Яндекс Директа.

Новости информационной безопасности за неделю с 30 сентября по 6 октября, в одну строку с ссылками на источник. Темы: ИИ, Уязвимости, Атаки и утечки, Исследования, Рынок, Регулирование, Медиа

В какой-то момент поиска работы мне позвонили и предложили довольно любопытную вакансию. Не совсем вакансию даже. Собственник торгово-производственной компании искал кризис-менеджера. Бизнес был в тяжелом состоянии и, судя по описанию, находился где-то между надо срочно выручать и проще уже продать.

В предыдущей статье «Как я собирал ERP-контур из 5 продуктов для строительной компании» я рассказывал об автоматизации учёта и взаимодействия систем. Однако за любыми данными в ERP стоит физический объект: монолит, конструкции, инженерные сети и выполненные работы. Каким образом связать то, что происходит на стройплощадке, с тем, что мы видим в документах и информационных системах ?

От Железа к собственным VST плагинам

Я музыкант без навыков программирования. Продал свой железный сетап, не нашёл плагинов для живой игры и начал делать их сам с Claude Code. Рассказываю, как появились собственные синтезаторы и графовый движок и почему главным в работе с ИИ оказались правила, а не промпты.

Меня зовут Антон Богун, я старший разработчик ПО в Axenix. В прошлой статье мы говорили о Doc as Code как об инженерной практике: документация живет в Git, проходит review, проверяется автоматически и становится частью процесса разработки. Это важная база, но сегодня у нее появляется следующий уровень применения.

Разработчик подключает ИИ-агента уже не к абстрактной документации, а к собственному проекту: к кодовой базе, OpenAPI спецификациям, Markdown страницам, release notes, задачам в трекере и интеграционным схемам. От агента ждут не пересказа документации, а понимания текущего поведения системы.

Именно здесь возникает новая проблема. Метод API может называться так же, путь может остаться прежним, request body может почти не измениться, но поведение системы уже стало другим. Например, заказ больше не создается сразу в финальном статусе, часть заказов уходит на дополнительную проверку, после создания публикуется событие, а обработка продолжается в другом сервисе через брокер сообщений.

Для человека такие изменения часто понятны из задачи, pull request, обсуждения или кода. Для ИИ-агента это неочевидно, если код, спецификация, документация и задачи не связаны между собой.

Doc as Code отвечает на вопрос: как хранить и проверять документацию. Но для ИИ-агента важнее следующий вопрос: как понять, что изменилось в поведении системы и где это отражено.

ИИ-агенту нужен контекст проекта, а не просто набор файлов

Когда мы говорим «дадим ИИ-документацию», часто подразумевается, что достаточно открыть агенту доступ к репозиторию, где лежат openapi.yaml, README и несколько Markdown страниц. Но в реальном проекте этого мало.

Ну что, я думаю все, кто реально здесь занимается разработкой, продуктами и реальными проектами, а не наводит инфо шума в интернете, чтобы продать курсы, уже подустали от упоминаний AI. Я тоже устал и меня даже подташнивает от слов вайбкодинт.

Но я хочу без магии, а на реальном кейсе без упоминаний проекта, показать как я запускал продукт для заказчика, с чем столкнулся, от чего кайфанул и как это метчится с классическим подходом к разработке.

У вас есть модель, API к ней и идея продукта с агентом. Кажется, осталось написать цикл: отправить запрос, получить tool call, выполнить его и отправить результат обратно. Можно приступать к интерфейсу?

Я тоже успел так подумать. Потом написал много кода, который писать не следовало, и познакомился с подводными камнями, о существовании которых по простому демо не догадаешься. В этой статье разберу, из каких частей на самом деле складывается агентная система, почему каждая из них превращается в отдельный проект и где стоит приложить собственные усилия.

Привет, Хабр! Меня зовут Игорь Цупко. Этот текст вырос из моего доклада о внутреннем устройстве агентных систем. Я буду сознательно упрощать детали: реализации у Codex, Claude Code, OpenCode и других различаются, но основные инженерные задачи удивительно похожи. Мой главный совет звучит резко: не начинайте с разработки собственного ядра агента. Ближе к концу объясню, что делать вместо этого и когда исключение всё-таки оправдано.

Всем привет!

Привет, Хабр! Я руководитель группы экспериментальных клиентов Kokoc Performance (входит в Kokoc Group). Мы в Kokoc Group занимаемся продвижением в генеративных поисковых системах. Хочу поделиться кейсом B2B-клиента из рынка корпоративного обучения. Расскажу подробно о замерах, кластеризации, смысловых профилях бренда, внешних площадках и специфике статей-рейтингов и, конечно, о результатах. Кейс будет полезен тем, кто занимается SEO, контентом, B2B-маркетингом, GEO и AEO. 

6 октября пользователи заметили русский язык в настройках профиля. После переключения на русский отображаются основные элементы меню и подсказки.

На 7 октября настройка доступна лишь части пользователей: обновление появляется постепенно. Anthropic официально о русском языке пока не объявляла, а в справочном центре компании он не указан. Поэтому пока можно опираться на сообщения пользователей, а детали обновления остаются неизвестными.

Сама модель и раньше отвечала на русском. Она понимает русскоязычные запросы независимо от языка интерфейса. Перевод меню ничего не говорит о качестве ответов, генерации кода или выполнении инструкций.

В прошлой статье («Тестируем программы для вскрытия биткойн-головоломок») я сравнивал программы, которые ищут перебором ключ по адресу. Но у части головоломок (номера, кратные пяти: 135, 140, 145, …) публичный ключ уже раскрыт в блокчейне, и для них работают совсем другие алгоритмы: алгоритм кенгуру Полларда и BSGS. Поговорим об этих алгоритмах и программах, их реализующих.

В замере Red Hat два балансировщика распределяли один и тот же чат-трафик между четырьмя GPU NVIDIA L4. По числу обработанных запросов в секунду результаты почти совпали: 0,52 у обычного round-robin и 0,49 у маршрутизации с учётом префиксов. Но p95 времени до первого токена различался в 2,7 раза: 745 мс у round-robin против 272 мс у prefix-aware routing.

GPU, модель и нагрузка в обоих прогонах были одинаковыми, менялся только способ выбора реплики. Счётчик RPS этого не показывает: он учитывает обращения, но не работу, которую под выполняет для конкретного запроса. Если нужный префикс уже лежит в KV-cache, модель начинает генерацию быстрее. Если запрос попадает в соседнюю реплику без этого состояния, ей приходится заново считать всю голову запроса.

Этот разбор посвящён выбору реплики для self-hosted LLM-инференса в Kubernetes. Он пригодится инженерам, которые запускают модели на нескольких GPU, и владельцам платформ, оценивающим нагрузку по загрузке карт и числу запросов. Для контуров с одной репликой вопрос маршрутизации не возникает; порог применимости разобран отдельно.

Все примеры основаны на публичных замерах разных команд. Я рассматриваю задачу со стороны инфраструктуры: как маршрутизация влияет на использование GPU, задержки и требования к Kubernetes-контуру. VK Tech предоставляет GPU-ноды и vGPU для развёртывания таких систем.

В замере Red Hat два балансировщика распределяли один и тот же чат-трафик между четырьмя GPU NVIDIA L4. По числу обработанных запросов в секунду результаты почти совпали: 0,52 у обычного round-robin и 0,49 у маршрутизации с учётом префиксов. Но p95 времени до первого токена различался в 2,7 раза: 745 мс у round-robin против 272 мс у prefix-aware routing.

GPU, модель и нагрузка в обоих прогонах были одинаковыми, менялся только способ выбора реплики. Счётчик RPS этого не показывает: он учитывает обращения, но не работу, которую под выполняет для конкретного запроса. Если нужный префикс уже лежит в KV-cache, модель начинает генерацию быстрее. Если запрос попадает в соседнюю реплику без этого состояния, ей приходится заново считать всю голову запроса.

Этот разбор посвящён выбору реплики для self-hosted LLM-инференса в Kubernetes. Он пригодится инженерам, которые запускают модели на нескольких GPU, и владельцам платформ, оценивающим нагрузку по загрузке карт и числу запросов. Для контуров с одной репликой вопрос маршрутизации не возникает; порог применимости разобран отдельно.

Все примеры основаны на публичных замерах разных команд. Я рассматриваю задачу со стороны инфраструктуры: как маршрутизация влияет на использование GPU, задержки и требования к Kubernetes-контуру. VK Tech предоставляет GPU-ноды и vGPU для развёртывания таких систем.

Всем привет! Меня зовут Андрей, я копирайтер и журналист. В этой серии постов я расскажу свою кривую карьерную историю — как я безуспешно искал и ищу работу, как получил жирный проект, который длился 4 года и принес около 4 млн рублей, как прошел несколько обучений и потратил кучу денег на «рост». Это будет не «история взлета», а «американские горки», в которых эйфория сменяется депрессией и обратно. Пристегивайте ремни!