Kurgan-Telecom Ru | Информационные технологии

ИИ в «Финаме» — это не история про «подключили ChatGPT и всё заработало».
Это путь от личного эксперимента с GPT-3.5 до корпоративной платформы, которой ежедневно пользуются тысячи сотрудников.

За этим стоят не только модели и API, но и лимиты, логирование, безопасность, работа с документами, RAG, локальные модели и постоянные компромиссы между качеством, скоростью и стоимостью.

Мы прошли этот путь без готовых рецептов: сначала через эксперименты, затем — через масштабирование и переосмысление архитектуры. Какие решения сработали, а какие пришлось пересобрать на ходу — рассказываю честно и без иллюзий.

Эта статья — про реальный опыт внедрения ИИ в крупной компании и про то, почему технологии оказались лишь половиной задачи, а самые интересные сложности начались дальше.

Привет! Мы — команда блога Цифрового СИБУРа. Мы вместе с коллегами из разных подразделений рассказываем в блоге, какие решаем задачи и боли производства, как создаем свои цифровые продукты и как вообще у нас работается.

В декабре на Хабре мы выпустили статью с результатами исследования: почему айтишники идут в BigTech или в промышленное ИТ. Затем мы провели опрос среди хабровчан. А потом под конец года топ Хабра взорвала статья коллеги по цеху, где он рассказал о своём опыте работы в промышленности.

По этим статьям прилетело прилетело 622 комментария от 220 разных людей. Многие делились ожиданиями, своим опытом и мнением — как о работе в промышленности, так и в Big Tech.

По обсуждению хорошо видно, что компании даже в одной отрасли могут сильно отличаться по культуре, процессам и подходам — будь то промышленность, финтех или любая другая сфера.

Поэтому мы подумали, что и мы хотим поделиться, как устроена работа у нас Цифровом СИБУРе. 

Отталкиваемся от поднятых тем. Все комментарии мы разложили по категориям. Получилось шесть основных тем. Проценты — это доля людей, которых волнует конкретная проблема. Один человек мог писать про несколько тем сразу.

Давайте по порядку.

Как Kimi K2.5 от Moonshot AI доказывает, что алгоритмическая изобретательность бьет грубую силу.

Буквально несколько дней назад произошло событие, которое может переписать мировую иерархию искусственного интеллекта.

Китайский стартап стоимостью $4,8 миллиарда только что опубликовал открытую модель, которая обходит GPT-5 на самых сложных тестах планеты.

А самая поразительная часть? Эта модель может создавать собственную армию ИИ‑агентов и координировать их в реальном времени.

Это взрывное возвращение Kimi K2.5. Если вы давно следите за ИИ, то знаете: каждый раз, когда Moonshot AI что‑то объявляет, все замирают. Если нет — сейчас поймете почему.

В статье представлен подробный разбор разработки высокопроизводительного 3D-движка для оптимизации загрузки транспортных средств. Мы прошли путь от простого полочного алгоритма с КПД 58% до комплексной системы, обеспечивающей плотность упаковки до 90%. Автор делится уникальным опытом решения критических проблем: от устранения коллизий и соблюдения границ трюма до внедрения динамической балансировки веса и строгой очередности выгрузки по городам (LIFO). Особое внимание уделено оптимизации алгоритма Subset Sum, позволившего достичь скорости обработки в 14 000 объектов в секунду, и верификации логики через систему из 12 Unit-тестов. Внутри — чистый код на Python, математические выкладки и эффектная визуализация процесса упаковки

В подкасте «Битовые Маски» ведущие Лена Лепилкина и Антон Афанасьев обсуждают с экспертами системное программирование и разработку «железа». В 25-м выпуске гостем стал Михаил Коробков — создатель сообщества FPGA-Systems и одноименного журнала, ПЛИСовод-энтузиаст и по совместительству старший инженер по разработке СнК в YADRO. 

Мы выбрали несколько интересных историй нашего героя. Больше — в полной версии подкаста.

Глава Anthropic заявил, что ИИ заменит инженеров через 6–12 месяцев. Звучит страшно, пока не попросишь нейросеть поправить конфиг nginx в реальном проекте. В статье — мой «дневник косяков» AI, разбор отличий бенчмарков от продакшена и мысли о том, почему вайбкодинг не спасет от ответственности.

По оценкам iKS-Consulting, в 2018 году платформу VMware использовали 78,8% компаний, которые применяют виртуализацию. Весной 2025 года в аналогичном исследовании указано, что доля отечественных решений в ПО виртуализации достигла 60,2%, а доля VMware оценивается в ~39% (оценка по данным анализа 19 крупнейших российских облачных провайдеров). То есть VMware-решения все еще заметны, но уже не доминируют так, как несколькими годами ранее

За несколько лет VMware в России прошла путь от «платформы по умолчанию» среди тех, кто виртуализирует, до одной из заметных, но уже не ведущих опций. Рынок быстро перераспределяется в пользу отечественных платформ — ради доступности поддержки и обновлений, управляемости процессов и соответствия требованиям в российских контурах.

В этой статье разберемся, как выбрать платформу виртуализации. Для этого вспомним краткую историю VMware и сравним подходы и классы платформ (On-Prem и у провайдера) с точки зрения эксплуатации, безопасности и миграции. В конце вас ждет чек-лист требований (включая ИБ/комплаенс) и таблица выбора по сценариям, чтобы быстро отсеять неподходящие варианты и собрать план перехода без сюрпризов на согласованиях с ИБ.

Ваша команда полгода сравнивает таблицы, но не может выбрать софт? Это не поиск решения, это организационный кризис. История о том, как «табличный синдром» и внутреннее сопротивление тормозят внедрение любых технологий — от CRM до BIM. Основано на исследовании с цифрами.

Как мы уже обсудили в предыдущей части, роль фазы предпроектного исследования заключается в обосновании целесообразности создания целевой Информационной системы (ИС). Таким образом в результате стадии должно сложиться понимание о совокупности трех базовых составляющих производства ИТ-продукта:

1)  Потребность в его создании. Кому-то он действительно нужен, кто-то получит разумные выгоды от его использования.

2)  Возможность его создания. Кто-то может его реализовать, в обозримые сроки, используя определенные технологии.

3)  Возможность финансирования его создания. Кто-то сможет оплатить все стадии производства.

При этом проведение самой фазы Инициации и анализа чаще всего является инвестицией, которая окупится (иногда с лихвой) в случае не наступления высоковероятных рисков неблагоприятных исходов производства (организационных, технических, неактуальных требований, сроков, обеспечения качества и безопасности, финансовых и прочих). Другими словами, стадия направлена на снижение уровня неопределенности результата производства и избегания необходимости внесения изменений уже в ходе реализации и внедрения.

Распознавание речи решает многие проблемы. Например, улучшает обслуживание клиентов за счёт автоматизированного анализа работы службы поддержки, ускоряет приём пациентов за счет заполнения документов голосом, решает проблемы управления и контроля. В целом распознавание речи облегчает общение между человеком и компьютером.

Если вам нужно распознавать речь, записанную в звуковых файлах или поступающую в реальном времени с микрофона или радиоприёмника, для этого есть готовые коммерческие сервисы. Однако им можно доверить не всё, например, по соображениям конфиденциальности, из-за отсутствия нужных вам возможностей или по другим причинам, о которых я напишу ниже.

Из этой статьи вы узнаете, как самостоятельно сделать автоматические системы распознавания речи ASR (Automatic Speech Recognition) с применением современных нейросетей и программ на Python. Эти системы смогут выделять спикеров при обработке звуковых файлов, а также распознавать речь в потоке, поступающую, например, от микрофона или радиоприёмника.

И на какие вопросы должна отвечать концепция развития продукта (Strategy Product Vision), чтобы закрыть разрыв между корпоративной стратегией и операционным управлением.

Я переодически посещала психологов с 18 лет. Всегда рассматривала это как инструмент улучшения жизни. При этом никогда не копала глубоко в методы, которые психологи используют в работе, а при подборе психолога всегда смотрела, чтобы было высшее образование, постоянно повышение квалификации и опыт работы. К тому же самый распространенный совет на сайтах по подбору психолога - метод якобы не так важен, а важен контакт с психологом.

После 1,5 года посещения сеансов с психоаналитиком и изучения дополнительной информации по этому вопросу, я пришла к мнению:

Психоанализ не только может потратить ваше время и деньги неэффективно, но и навредить вам.

Почему? Рассказываю в этой статье.

Термином soulslike называют игры, похожие на творения знаменитой японской студии FromSoftware. Жанр уже практически добил классические слэшеры, а его элементы проникли во многие современные action-RPG и даже jRPG вроде нашумевшей в прошлом году Expedition 33.

Проблема в том, что большинство популярных «сосаликов» слишком уж похожи друг на друга не только формулой с «кострами», возрождающимися врагами и фармом мистической валюты, но часто и визуальной эстетикой, и даже нарративом. Очередной обреченный герой снова ищет свое место в дистопичном мире, попутно уничтожая нечисть и споря с высшими силами…

Специально для этой подборки мы подобрали 7 актуальных игр жанра, которые воспринимаются довольно свежо.

Количество участников в команде влияет на статистику, но не определяет эффективность процесса. Ключевой фактор успеха — не численность, а чёткое распределение зон ответственности и поддержка траектории профессионального роста каждого коллеги.

Моя основная профессиональная деятельность — машиностроение и она, как и люди в ней работающие, как правило, очень далеки от мира IT. Поэтому когда кто‑то, в моей отросли, говорит про программирование, а особенно, что «занимает программированием», то часто можно услышать это...

Странный вопрос, не правда ли? У AI-агентов, конечно, есть разные проблемы, но вряд ли их можно обвинить в медлительности. Спросите, как говорится, любого, какие у него ощущения от AI, и первое, что вы услышите, будет что-то вроде: «AI за 3 часа сгенерировал мне 100 тысяч строк кода». Разве это можно назвать медлительностью?

На этом месте можно было бы и разойтись: 100 тысяч за 3 часа. Покажите мне человека, который способен хотя бы в половину этого, — и «я съем свою шляпу». Но я по‑прежнему утверждаю, что AI-агенты слишком медленные. Не верите? Добро пожаловать под кат…

Первое упоминание компьютерной программе было сделано практически век назад и датировано еще далеким 1833 годом. С тем пор были изобретены множество языков программирования, начиная от машинных и до современных C++, Java, Python. Постепенно понимание и сложность компьютерных программ менялось: если ранее максимальное внимание уделялось алгоритму, то сейчас в комплексных программных приложениях, акцент смещается в сторону данных. Изобретены множество прикладных методов внедрения информационных систем, которые по существу являются производными от трех классических моделей имплементации. Однако, неоспоримым является тот факт, что любая программа в первую очередь должна покрывать исходные потребности пользователей. Данная истина зачастую теряется рутинных активностях разработки приложений и их внедрения.

Множество литературных источников описывают подходы и методы анализа бизнес-требований [1-3], забывая то, что они не могут «жить» независимо. Требования являются важным элементом жизненного цикла программного обеспечения, именно с их формулирования начинается проработка концепции будущего программного продукта. Механизмы теории дизайн-мышления помогают сформулировать требования, если изначально пользователи не могут их озвучить. Получается, что требования – отправная точка разработки любого софтверного продукта, чем качественнее ведется их обработка, тем более управляемым становится проект реализации приложения.

Цель данной работы состоит в анализе жизненного цикла требований к программным продуктам для обеспечения эффективного внедрения коробочных ERP-решений в приемлемые сроки, с заданным уровнем качества и фиксированными затратами. Достижение указанной цели потребует реализации следующих задач:

Формальные обязанности тимлида описаны в бесчисленных гайдах: расстановка приоритетов, планирование, технический надзор, развитие команды. Однако за этим фасадом скрывается пласт невидимой, но крайне энергозатратной работы – управление эмоциональным климатом. Эта нагрузка редко становится темой для обсуждения, но именно она часто определяет, останется ли команда эффективной или начнет распадаться. (Когда-то на TeaamLead Conf я даже сравнивала работу тимлида с работой психолога).

Невидимая работа: менеджмент ожиданий и смысла

Помимо управления задачами, тимлид управляет контекстом. Это постоянная работа на двух уровнях:

/tl;dr

Бизнесу нужны рубли и проценты, а не слова про «выявление требований». Аналитик не кодит и не продаёт — как доказать, что он вообще что-то даёт? Цифрами.

Минимум метрик: трудозатраты на требования, доработки после релиза, конверсия, средний чек, время отклика бизнеса, ROI аналитики. Начните с двух–трёх — трудозатраты, баги, конверсия. Остальное добавите позже.

Сравнивать только «было» и «стало»: один и тот же функционал до и после переделки с аналитиком (например, при смене API). Иначе «задачи разные», «сезон другой» — и ваши цифры списывают на совпадение.

Зафиксируйте базовый период, нормализуйте цифры (на релизы, команду, сложность), постройте тренд и переведите эффект в рубли. Один график «до/после» сильнее десяти слайдов про «мы поработали хорошо».

ИИ и инструменты тоже измеримы: путь от требований до ТЗ сократился вдвое — считайте экономию в часах и рублях на фичу. Подставьте свои цифры — получите конкретный финансовый эффект.

Метрики — не способ оправдаться, а способ показать вклад аналитика и улучшать процессы. Сначала измеряй, потом убеждай.

Когда запускаешь pytest --cov код выполняется как обычно, но в конце появляется отчёт о покрытии. Как pytest узнаёт, какие строки выполнились? Ответ в sys.settrace, это низкоуровневый хук, который позволяет перехватывать каждый шаг интерпретатора.

На этом механизме построены coverage.py, pdb, PyCharm debugger, hunters, и десятки других инструментов. Разберём, как это работает изнутри и почему трассировка устроена именно так.