Kurgan-Telecom Ru | Информационные технологии

Наша команда разрабатывает платформу безопасной разработки CodeScoring, в задачи которой входит автоматическая проверка критериев лицензионной чистоты анализируемого ПО на основании экспертной базы знаний. В статье рассматривается частный, но показательный случай: когда вендорское решение основано на известном открытом проекте, распространяющемся на условиях копилефт-лицензий. Материал сопровождается примером и набором правил для самопроверки, которые позволят увереннее контролировать юридические риски и риски безопасности в цепочке поставок ПО.

Рассмотрим ситуацию, когда продукт, построенный на открытом решении, складывается из работы двух команд. Первая развивает исходный проект, вторая берёт его за основу, добавляет свою функциональность и сопровождает заказчика. Пока релизы открытого проекта выходят регулярно, это разделение обычно всех устраивает. Вендор переносит исправления, заказчик получает обновления, и вопрос о том, кто на самом деле отвечает за основу проекта, задается нечасто.

Между тем ответ на этот вопрос существует, и записан он в лицензии исходного проекта. Вендора в ней обычно интересует первая часть, где сказано, что код можно использовать, менять и распространять. Однако у лицензий с копилефтом есть и вторая часть, где перечислены обязанности того, кто распространяет код дальше. Она определяет, что вендор обязан раскрыть, на каких условиях он может распространять собственные модули и кто отвечает перед заказчиком за продукт, если к нему предъявят претензии, притом что сам исходный проект от гарантий и ответственности отказывается. Именно эта часть и превращает сопровождение чужого кода в ответственность вендора. Помнят о ней не все и не всегда, потому что повод появляется обычно тогда, когда исходный проект меняет лицензию.

LMArena помогает сравнивать нейросети по результатам реальных пользовательских голосований — в рейтинге можно посмотреть, какие модели лучше справляются с текстом, кодом, изображениями, поиском и другими задачами. Проблема в том, что общий Rank сам по себе мало что говорит: модель из топа Overall вполне может уступать конкурентам именно в вашем сценарии.

Чтобы нормально пользоваться LMArena, нужно разобраться в интерфейсе, категориях рейтинга и дополнительных показателях, иначе легко выбрать модель по красивой цифре в общей таблице и получить посредственный результат.

В этой статье разберём LMArena по шагам: что показывает каждый раздел, как читать рейтинг и позиции моделей, зачем переключать категории и как в итоге выбрать нейросеть под конкретную задачу.

Торговая стратегия на исторических данных показывает фантастический коэффициент Шарпа 1.8 и ровную линию доходности под 45 градусов. Вы подключаете исполнение на реальной бирже — и через пару месяцев Шарп падает до 0.4, просадка вдвое превышает расчетную, а алгоритм стабильно теряет деньги.

Первая реакция разработчика — «сменился рыночный режим» или «нейросеть переобучилась на шуме». Однако в 40–60% случаев проблема кроется глубже: бэктест тестировался на «грязных» данных, в которые разработчик сам, не осознавая этого, заложил заглядывание в будущее (look-ahead bias) и систематические искажения.

Под катом подробный инженерный разбор 7 скрытых дефектов рыночных данных: от ошибки выжившего и неявного знания о сплитах акций за три года до их проведения до фантомной доходности на застрявших котировках (stale prices) и рассинхрона часовых поясов. С формулами, оценкой влияния каждого искажения на финансовые метрики и рабочим кодом на Python / Polars для построения строгого Point-in-Time пайплайна с битемпоральной валидацией.

Если вы меня читаете, то знаете, что где-то полгода назад я проектировала, обучала и, в общем, создавала своего агента для проверки ТЗ. А сейчас у меня появилась новая идея по захвату мира: протестировать ML. И да, я не Data Scientist, но когда это меня останавливало?

В итоге вместо пары экспериментов получился отдельный QA framework, который берёт готовую ML-модель, собирает её контракт и сам решает, какие проверки можно запустить и почему результат должен считаться PASS, FAIL, WARN или SKIP.

Как и ожидалось, после августовского затишья ИИ-лаборатории устроили нам целый хит-парад релизов. Глаза разбегаются от обилия версий, цифр и апдейтов, которыми компании пытаются перебить инфоповоды друг друга. От OpenAI мы получили разрывающую бенчмарки GPT-6 Astra, Sol аж в двух версиях и целую пачку обновлений с прошедшего DevDay. Anthropic выставили в ответ тяжелую артиллерию в лице Claude Fable 5.1 и семейства Claude 5.5 в неполном составе. Google же продолжают штамповать Flash-версии Gemini и, видимо, копят ульту под какой-то мощный будущий релиз.

За пределами релизов развернулись сюжеты не менее интересные. OpenAI торжественно объявили о решении задачи Навье-Стокса силами своих агентов, но вместо оваций получили обвинения в краже данных и гнев научного сообщества. Лидер Anthropic тоже получил свою долю хейта, только уже от политиков, за призывы замедлить ИИ-гонку. Дженсен Хуанг тем временем продолжает укреплять свою монополию, на этот раз через покупку Hugging Face.

В конце выпуска вас ждет наша традиционная сводка полезных инструментов и выжимка свежих научных исследований. Присоединяйтесь, впереди много интересного!

Продолжаем обзор мартовского коммитфеста 19-й версии. Во второй статье серии рассмотрим изменения, относящиеся к материалам курсов DBA1 и DBA2.

Напоминаю план статей о последнем коммитфесте 19-й версии:

Часть 5.1 (QPT)

Часть 5.2 (DBA1, DBA2) – мы здесь

Массачусетский Технологический Институт (MIT) выпустил тут доклад об использовании ИИ в их практике, описывающий текущее состояние и некоторые планы на будущее. Это единственный известный мне взвешенный документ на тему внедрения ИИ, который не впадает ни в чрезвычайный оптимизм, ни в фатализм.

Хотя MIT не является IT-компанией, это довольно крупная (~13.000 человек) технологическая организация. Полагаю, большинство читателей Хабра работают примерно в таких же. Так что многие изложенные принципы применимы ко многим из нас.

Роутеры с Wi-Fi 7 за последний год подешевели настолько, что вопрос, брать или нет, перестал быть праздным. Если раньше это были в основном коммерческие приборы за 40 тысяч с антеннами как клешни у камчатского краба, то сейчас они представляют собой вполне себе одомашненные устройства за 10к рублей. То есть берут их уже просто потому, что пришло время менять старый роутер. Однако дальше происходит вот что. На коробке написано 46 Гбит/с, в описании – про одновременную работу в трех диапазонах, в обзорах – про революцию в задержках. Человек приносит роутер домой, подключается и видит ровно то же самое, что было на Wi-Fi 6. И знаете, что самое интересное? Так и должно быть.

Привет, Хабр! Мы выложили в открытый доступ библиотеку FAIRouter, которая выбирает LLM-исполнителя под задачу, а после ответа принимает у него работу.

В мире, где количество больших языковых моделей (LLM) растет в геометрической прогрессии, а их возможности и стоимость сильно варьируются, встает вопрос: как выбрать именно ту модель, которая идеально подойдет для конкретной задачи, обеспечит наилучшее качество и при этом будет экономически эффективной? Для решение вышеописанной проблемы мы разработали обучаемую систему автоматической маршрутизации запросов FAIRouter.

Около полугода назад проект Репка выпустил и вывел на рынок пятую версию — Repka Pi 5, сравним производительности Raspberry Pi 5 и Repka Pi 5.
Насколько Repka Pi оказалась быстрая? Если совсем кратко, то вот так:
— производительность процессора в 1,5 раза выше;
— скорость работы с ОЗУ выше более чем в 2 раза;
— производительность графической подсистемы выше в 1,9 раз.

Вам в наследство досталось руководство пользователя МИС на 1160 страниц в формате .docx, тысячи повторяющихся скриншотов, процесс обновления вызывает глубокую грусть. Что с этим «добром» делать?

В этой статье я расскажу о своём проекте по переводу такой документации на рельсы docs-as-code: переосмысление структуры, укрощение размера скриншотов, борьба с кириллицей в Asciidoctor, настройка автоматической сборки HTML и PDF через GitLab CI/CD.

Привет, Хабр! На связи Егор Сапун, руководитель направления сертификации инфраструктуры Рег.облака.

Кибератаки касаются не только крупного бизнеса. За последний год с киберинцидентами столкнулись 82% российских компаний малого и среднего бизнеса. По данным Positive Technologies, в 2025 году 75% успешных атак на веб-приложения российских организаций приводили к нарушению их деятельности.

От части атак на сайты, веб-приложения и API защищает WAF. Но для многих компаний это все еще enterprise-решение: классический WAF необходимо развернуть в своей или арендованной инфраструктуре, встроить в путь трафика. Для этого нужны вычислительные ресурсы а также компетенции по настройке и сопровождению. У небольших компаний таких ресурсов может и не быть.

Один из способов снизить порог входа и упростить эксплуатацию — использовать облачный WAF, инфраструктурой которого занимается провайдер. 

Рассказываю, нужен ли для облачного WAF отдельный специалист, можно ли настроить защиту один раз и больше к ней не возвращаться и как выглядит весь путь подключения. А еще покажу, как бесплатно протестировать облачный WAF и объясню, почему это не панацея.

В этой статье разберем, как релятивистские поправки могут влиять на точность геолокации по GPS-спутникам. Для наших тестов будем использовать симулятор сигнала спутников gps-sdr-sim и утилиту gnss-sdr для геолокации.

Устанавливаем утилиту gnss-sdr:

Решил попробовать нашумевший дистрибутив Omarchy Linux и понять — за что же его все так хвалят.

И сразу столкнулся с тем, что поддержки русского языка в полной мере нет в интерфейсе. Да, локаль можно перевести и доустановить нужное, но сами меню, плагины — не имеют переключения интерфейса на русский язык.

Поэтому сначала я начал доустанавливать всё руками, а потом собрал всё в скрипты.

Привет, Хабр! Меня зовут Антон Алексеев, я ML Ops-инженер в Авито.

В этой статье я разберу, почему существующий PaaS — отличный инструмент для веб-сервисов, но плохо подходит для ML/LLM-Inference, и с какими похожими проблемами сталкиваются крупные компании, у которых те же задачи.

Также расскажу, почему было принято решение не дорабатывать PaaS под Inference, а строить отдельную Inference-платформу на базе готового open-source ядра, и почему этот путь оказался предпочтительнее.

AI-ревьюер для GitLab, который проверяет не отдельный merge request, а всю задачу сразу, во всех сервисах, которые она задела. И почему для этого понадобился агент, а не анализ diff через API.

Знаете ли вы игру в «Точки»? Это игра на тетрадном листе в клетку. Двое игроков ставят точки разных цветов на пересечениях клеток и стараются окружить точки соперника. В школе я сыграл в неё немало партий, часто выигрывал и радовался, когда попадался сильный противник.

После универа я начал работать разработчиком и хотел запрограммировать алгоритм для игры в «Точки», но у меня не получилось. Тогда стал смотреть в сторону обучения нейросети, но не знал, с чего начать. Я понимал, что для обучения нейросети нужно огромное количество сыгранных партий, и не понимал, где мне их взять.

Потом я узнал про нейросети для игры в Го, которые генерируют данные для обучения, играя множество партий сами с собой. Решил попробовать такой же подход для «Точек». Обучил нейросеть и сделал небольшое приложение, в котором с ней можно сыграть. Теперь на поле 20×20 она меня обыгрывает.

Когда понял, что нейросеть уже неплохо играет, подумал: почему бы не выложить игру в Steam? И выложил — Just Dots. Я ещё не сделал всё запланированное, но уже можно скачать демо (бесплатно), поиграть и попробовать победить ИИ.

Здесь расскажу, как я учил ИИ-соперника, как после одного из улучшений бот стал играть сильнее, а нейросеть на его партиях — учиться хуже, и почему сделать простого соперника оказалось не так-то просто.

Я делаю Dungeon Cult — игру про строительство и управление подземельем. Механически она растёт из Dungeon Keeper, а визуально уходит в Лавкрафта: культисты, глубоководные, щупальца, живая архитектура и всё такое. Начинался проект как игра на веб‑странице, а затем переехал в Unreal Engine 5. Расскажу, как попытка сделать одного рабочего гуля превратилась в конвейер 3D‑персонажей с ИИ‑агентами.

Привет, Хабр!

Меня зовут Илья, я работаю в Группе Rubytech в департаменте информационной безопасности, и в этой статье расскажу, как мы сильно упростили себе жизнь, сделав сброс пароля мультиплатформенным. Если вы вдруг в вашей компании планируете что-то подобное — вам пригодится. А если просто интересно, как все это устроено — добро пожаловать под кат.

Год назад мы с другом делали интернет‑магазин для его девушки. Она модель, и у неё была совместная линейка одежды с одним брендом. Нужны были каталог, лукбук, страница о ней и промо‑баннеры под каждую новую коллекцию. Каталог сделали на WooCommerce, а главную, лукбук и баннеры я сверстал в Elementor. Чтобы было быстрее, вставил вёрстку в HTML‑виджеты, подогнал стили, и всё выглядело ровно так, как задумывали. Передал доступы и забыл.

Через пару недель она пишет: «кажется, я сломала сайт». Выходила новая коллекция, она хотела поменять текст на баннере, открыла виджет, увидела там кучу div‑ов и аккуратно поправила пару строк. Заодно случайно стёрла один закрывающий тег. Половина главной съехала, подвал оказался посреди лукбука.

Винить её не за что. Elementor мы и выбрали для того, чтобы она меняла баннеры и тексты сама, мышкой, без нас. А я отдал ей конструктор, внутри которого лежит обычный HTML. Формально это Elementor, а по сути та же ручная вёрстка.