Kurgan-Telecom Ru | Информационные технологии

Гибкие печатные платы ценятся за способность изгибаться и принимать нужную форму внутри корпуса устройства. Но эта же гибкость становится недостатком в тех местах, где плата должна оставаться жёсткой — например, в зоне установки компонентов или подключения разъёма. Для решения этой задачи применяются платы жесткости (stiffener).

В этой статье разберём, что такое stiffener, зачем он нужен, из каких материалов изготавливается и как крепится к гибкой плате.

Привет, Хабр! Меня зовут Денис Корбаков, я технический директор «Смарт-Софт». Мы разрабатываем NGFW и регулярно разбираем, какие сетевые события можно использовать для независимого контроля автоматизированных систем. Последний год эта задача резко усложнилась. В инфраструктуре массово появился новый операционный тип машинного субъекта: автономный агент, который сам выбирает инструменты, меняет контекст и делегирует полномочия.

Zero Trust никогда не ограничивался только людьми. NIST SP 800-207 прямо включает в модель non-person entities: сервисы, приложения, автоматизированное ПО, и обсуждает их ещё с версии 2020 года. Субъект как класс не новый, новыми являются масштаб, автономность и модель поведения. Большинство корпоративных реализаций IAM на практике заточены либо под человека с интерактивной сессией, либо под стабильный сервисный аккаунт, который работает годами с предсказуемым поведением. ИИ-агент находится между этими моделями: не человек, способный самостоятельно оценить допустимый объём своих полномочий, и не полностью статичный сервис с неизменным поведением. Как отмечает исследование Cloud Security Alliance, проведённое при поддержке Aembit, существующие подходы к IAM испытывают нагрузку, на которую изначально не проектировались.

Человек уже решил записать еду. Но вместо ввода приложение предлагает поиск, штрихкод, фото, AI, рецепт, избранное — и ещё несколько дверей. Я сравнил девять трекеров и проверил на моём обеде, где появляется лишнее состояние.

Программисты 1C не любят типовые конфигурации.

Объясню на одном примере и станет понятно, что 1C не заботится о тех, кто использует ее код в своих решениях.

Пагинация ломается не только внутри запроса к базе. Это цепочка: бэкенд определяет порядок и границу страницы, фронт хранит курсор и объединяет ответы, а пользователь меняет фильтры, повторяет запросы и возвращается на экран. Разберём шесть ситуаций, в которых локальные проверки зелёные, а список целиком работает неправильно.

В июле OpenAI выпустила новую линейку моделей, в конце месяца дважды поменяла цены, а на осень назначила отключение Assistants API, Videos API и всего поколения GPT-4. Мы переподключали под эти изменения свои сервисы и по ходу сверяли каждый шаг с документацией. Заодно посмотрели, сколько русскоязычных руководств успело устареть — оказалось, почти все, включая августовские.

Вводное.
Открываешь статью с многообещающим заголовком. Читаешь пять минут. Потом десять. И вдруг осознаешь, что потратил время впустую: перед тобой либо пересказ Википедии, либо философские размышления автора на тему «как же тяжело жить», либо кривой перевод чьей-то субъективной заметки с Medium, в которой нет ни строчки кода, ни одной метрики, ни архитектурной схемы.
Соотношение сигнала и шума на Хабре неуклонно падает. Инженеры приходят сюда за опытом, паттернами и разбором полетов, а получают информационный фастфуд.
Недавно в ленте мелькнул перевод заметки от именитых вице-президентов Microsoft о том, что «ИИ убивает карьеру джунов». Потратив время на чтение, я обнаружил, что это классическое управленческое эссе. В нем ноль фундаментальных механизмов, ноль алгоритмов, ноль метрик производительности и ноль конфигураций. Это просто мнение, замаскированное под техническую аналитику. Когда автор берет такой «мусор», решает, что он полезен, и тащит его на Хабр, он не делится опытом. Он крадет время тысяч инженеров. Теоретические статьи и исторические экскурсы имеют право на существование. Но они должны содержать оригинальное исследование, глубокий анализ или систематизацию фактов. Если статья просто пересказывает общеизвестные факты без новой аналитики — это перепост Википедии, которому место в личном блоге, а не в профильных хабах.

Всё началось с анализа статей для другого разбора, в итоге вылилось в решение автоматизации.
а конкретно, спасибо вот этой статье.

Полтора года назад я написал о своём подходе к структуре FastAPI-приложений. С тех пор два крупных проекта, production и несколько архитектурных граблей заставили меня многое пересмотреть. В этой статье расскажу, что изменилось и какие решения действительно упростили мне разработку.

Современные жилые комплексы сложно представить без умных цифровых решений. Но по состоянию на 2026 год многие цифровые системы в новостройках перестают полноценно работать уже через несколько лет после ввода дома в эксплуатацию. Часть функций отключается, отдельные сервисы становятся недоступны, данные перестают обновляться. 

Собрал причины, по которым система умного дома начинает буксовать вскоре после ввода в эксплуатацию. Расскажу, как на это влияет маркетинг строительных объектов и почему бытовые гаджеты с AliExpress и других маркетплейсов не заменяют промышленные решения. А также предложу свой взгляд с точки зрения эксперта-практика, принимавшего участие в реализации 50+ проектов умного дома,  как добиться от системы  такой устойчивости, чтобы и через 10-20 лет все работало, как в первый день. 

Перегрузка Span.Sort с компаратором-структурой должна была работать быстрее обычной. Замер показал обратное: памяти она расходует больше всех, а времени тратит больше, чем компаратор-класс — на .NET 8, 9 и 10.

В .NET 11 результат меняется, но не везде.

Почему PLM-системы не понимают ЕСКД: от проблемы совместимости к проектированию собственной модели данных

Сегодня HR-службам не позавидуешь. Часто именно они оказываются в центре скандалов, обвинений и объекты «раздачи слонов». И везде есть своя правда. Компании оказались не готовы к происходящему, HR-службы заваленными резюме, а понимания какова должна быть идеальная структура компания в новых условиях (а какие они?) и как должен выглядеть идеальный сотрудник нет. Руководство компаний часто идет на ощупь, пытаясь рефлекторно отвечать на вызовы – по мере поступления проблем. А тут еще ИИ, не только в качестве проблемы ATS-фильтров, но и как новый «член команды». Не говоря уже о требовании к кандидатам слиться с ИИ-помощником в едином экстазе и порыве…

В связи с чем попалась очередная любопытная статья на РБК В статье описана проблема взаимодействия людей и ИИ-агентов. В погоне за инновационностью и для того, чтобы выглядеть более прогрессивно, менеджеры компаний начинают ИИ-агентов объявлять «членами» команды, наделять ИИ-агентов реальными должностными полномочиями. В результате чего ИИ вытесняет людей из процесса принятия решения, а люди начинают сваливать на ИИ свои провалы. Мне эта ситуация показалась интересна с двух точек зрения: с точки зрения науки менеджмента и философской науки.

С точки зрения науки менеджмента. Что такое «команда», откуда это взялось и почему именно эта, командная парадигма, и стала проблемой.

Анализируя историю последних 30 лет, можно заметить тенденцию к переосмыслению понятия «предприятие» с организационной точки зрения. Если до 90-х годов XX века, предприятие понималась скорее как механизм, имеющий жесткие правила (впрочем, не лишенный гибкости),более-менее стройную иерархическую структуру управления и подчиненную вполне понятной цели – получения прибыли, то потом все поменялось.

Разработчики описывают изменения кодом, инфраструктура — декларативными манифестами, а архитектура до сих пор часто живёт в draw.io и PNG. Почему диаграмма без модели быстро устаревает и как собрать архитектурный control plane из знакомых деталей: API server, графа, CMDB, diff/review и operator pattern? А может нам нужно решение с ResourceDefinition, типизированными связями, Temporal workflows и change sets.

Если вся вторая половина века XX‑го и начало XXI‑го веков проходили под знаком глобализации, то теперь, если верить Хантингтону (я имею ввиду его работу «Столкновение цивилизаций»), нас ждет многополярный мир, разделенный на несколько цивилизаций. Несмотря на то, что книга написана в далеком уже 1996 году, события последних лет говорят о том, что она не только не устарела, но стала еще более актуальной.

Кроме того, внутри одних общностей иммиграция стала создавать значительные локальности иных по отношению к принимающей, неохотно смешиваемых, культур.

Еще один фактор — это обосабливание некогда общих культур. Если основной тенденцией эпохи однополярного мира после холодной войны и нацеленности на создание единой глобальной экономики и повсеместной вестернизации, было стирание границ, то сегодня нас ждет обратный процесс. Более того, по мысли Хантингтона он не прекращался и в более или менее скрытом виде наблюдается уже с 80–90-х годов прошлого века.

Если с первыми двумя факторами более‑менее все понятно, по крайней мере в отношении их культурного и лингвистического анализа, то с последним не все так просто. Так, в случае «простого» смешения и/или пересечении семантических полей изначально обособленных общностей, наше понимание упрощается несколькими факторами.

Во‑первых, семантическое ядро изначально изолированных культур имеет четкие границы, что значительно упрощает применение, например, таких инструментов как TF‑IDF и BM25.

Во‑вторых, эти культуры существуют достаточно давно и на протяжении истории возникло довольно большое количество исследований.

Одна из основных задач игры внутри продукта — превратить игрока в активного пользователя. Для этого игровая система предлагает ему совершать целевые действия: сделать покупку, воспользоваться новой функцией, подключить подписку. В награду игрок получает очки, преимущество в розыгрыше призов или доступ к новому контенту.

Одна из ключевых метрик таких проектов – конверсия в выполнение продуктовых заданий. На неё влияет группа игровых показателей: Retention (удержание), DAU (уникальные пользователи), вовлечённость в отдельные механики.

Ещё одной метрике часто уделяют меньше внимания — средней продолжительности активной сессии, или Average Active Session Duration. Чем дольше игрок осмысленно взаимодействует с игрой, тем больше у системы возможностей вовлечь его в механики и подвести к целевому действию.

В этой статье вы узнаете:

Какие бизнес-задачи помогает решать более продолжительная игровая сессия

За какими связанными показателями нужно следить

Какие игровые механики способны её увеличить.

Сегодня имеем лавинообразный рост статей о нарастании проблем в ИИ, таких как:

1. нехватка энергии для дата-центров;

2. нехватка аппаратных средств и видеокарт, в частности;

3. нехватка удовлетворенности степенью интеллектуальности существующих ИИ-систем, а попросту говоря нехватка логики, непонимание семантики и неспособности к производству нового знания (не путать с «простой» проблемой получения обобщений на основе статистики);

4. нехватка теплоты человеческого общения на фоне засилья чат-ботов;

5. нехватка бюджетов уже просто на эксплуатацию уже внедренных ИИ-решений (на фоне все возрастающей прожорливости компаний-поставщиков ИИ-решений).

И причин этому тоже несколько:

1. Желание не тратить время на глубокий анализ проблемы и желание переложить их на другие плечи, например, на ИИ-плечи. Об этом тоже много написано под вывеской «автоматизированный бардак – все равно бардак». Надо отметить, что люди вообще не склонны быстро отказываться от своих привычек и любимых мозолей. Наши проблемы греют нам душу и поддерживают ощущение стабильности. Да, мы стремимся к новому, но чаще не в попытке отказаться от старых догм и проблем, а скорее в поисках новых, когда старые начинают немного приедаться.

2. Получить простую возможность выглядеть лучше, не затрачивая усилия, за счет использования разного рода ChatGPT и т.д.

3. Сэкономить время и получить быстрый ответ в случаях, когда или нет времени или нет причин и желания тратить на это свою энергию.

Наверное, у каждого такое было: приходишь на работу, а под дверями твоего кабинета уже стоит хмурый работяга - начальник участка и взволнованная девушка менеджер. "Он должен был сдать отчёт и не сдал, у меня сырья не хватает - детали в базе не собираются" - говорит она. "Я что мальчик какой-то по десять раз бумажки переписывать, я все вчера ей на стол положил" - ворчит он. "Да он постоянно забывает и ошибается ещё" ... "Да она всегда все теряет, и переписать с бумажки не может". Полчаса взаимных упрёков и испорченное на весь день настроение. Я хочу рассказать, как помирить производство и офис внедрением простого микросервиса.

Крупные компании начинают не просто привлекать, а брать в штат философов, культурологов. Цукерберг и Безос начинают ходить на благотворительные ужины и скупать произведения искусства…

И видя такие новости, у меня возникает ощущение того, что история движется кругами. И если заменить слово «ИИ» на «парадигма мышления», то мы увидим множество совпадений в ретроспективе последних 3000 лет.

Основной посыл можно свести к вопросам осмысленности ответов ИИ. При этом не имеет значение факт наличия или отсутствия сознания у ИИ. Пользователи хотят видеть те ответы, которые ожидают. Вне зависимости от того, сформированы они с участием человека или без. Кроме того, они хотят быть уверенными, что эти ответы остаются в пространстве культурных кодов той или иной цивилизационной парадигмы. Ответы должны быть согласованы с теми нормами, принципами и знаниями, которые составляют картину мира пользователя. Без этого на них нельзя встроить в наши, человеческие, цепочки рассуждений. Ни со смысловой, ни с этической, ни с эстетической, ни с правовой точки зрения. Это приводит к росту внутренней напряженности пользователей ввиду фонового недоверия: никогда не знаешь в какой момент ИИ-система выдаст какую-то «дичь».

Отсюда следует несколько проблем:

1. Проблема common sense или проблема предела рациональности мышления

Не секрет, что одними из основных претензий к ИИ сегодня это тот самый common sense, понимаемый как обобщенное и общепринятое мнение. С точки зрения LLM/ML — это усредненное значение, полученное в результате статистической обработки как можно больших массивов данных. Это не лучшее, это именно наиболее ожидаемое. И здесь нет творчества. Даже GenAI не больше, чем вероятностная машина, обеспечивающая выдачу наиболее частотного слова или даже фразы. Рисование картинок ИИ – все таже комбинаторика.

Всем привет! Меня зовут Миша Шумовский, я работаю главредом в медиа про нейросети и маркетологом в клубе по нейросетям. А еще веду несколько каналов по нейронкам и активно развиваю разные личные пет-проекты. 

95% всех задач я решаю нейронками и меня дико бесило, что каждая новая задачка начиналась одинаково. Заводишь папку, складываешь туда материалы и заново объясняешь нейронке, кто ты такой, что за проект и как мы тут работаем. Что редполитика лежит вот в этом файле и читать ее надо до начала работы. Что такой формат мы уже пробовали и он не зашел. Что на прод я выкатываюсь только через GitHub. 

«Но ведь нужно просто нормально проектные и глобальные Agents.md и Claude.md прописать, и не будет у тебя проблем».

Ожидаю такие комменты. И сразу отвечаю — нет. Глобально задачи хоть и одинаковые, но решать их в рамках одного проекта не получается. 

Например, для онлайн-клуба я создал себе конвейер по производству текстов разных форматов: гайдов, кейсов и даже постов в Телегу. Но раз в месяц мне нужно писать продающие посты для рекламы клуба — а для этого выгружать весь чат за месяц, анализировать его и продумывать заходы для 30 постов. А еще нужно писать десяток постов для рекламы интенсивов, курсов, и параллельно делать обычный контент. 

Подобные задачи есть и по медиа. Из-за этого сделать нормальный и компактный Claude.md нельзя — столько информации в него не поместится, и агент начнет путаться.

Плюс по одному и тому же проекту я могу не только писать текст, но и что-то вайб-кодить, а потом к этому делу писать тексты. Поэтому мне хотелось собрать систему, чтобы я в любом чате мог написать «разработай мне сайт и напиши текст для него» — а агент разрабатывал его по моей методологии и по другой моей методологии писал текст.

Мне недавно попалась очень интересная беседа Кирилла Меньшова (Сбер), Дмитрия Иванова (Яндекс) и Никитой Соболевым (разработчик OpenSource) о перспективах задекларированной Андреем Карпатым Software 3.0 или концепцией о том, что сегодня (или в скором будущем) «программный код» = «Промпт на естественном языке».

Разговор оказался на редкость взвешенным и спокойным, в противовес тому хайпу, который наблюдается вокруг GenAI. И мне захотелось добавить к этому философский слой, который мог бы способствовать пониманию проблематики.

В 2017 году Карпатый написал, что сегодня мы находимся на этапе Software 2.0, где «Программное обеспечение 2.0 написано на гораздо более абстрактном, недружественном к человеку языке, таком как веса нейронной сети. В написании этого кода не участвует человек, потому что весов много (в типичных сетях их могут быть миллионы), а кодирование непосредственно с весами довольно сложно (я пробовал).»

Однако, нас ждет следующий виток развития - Software 3.0. Вот его некоторые тезисы относительно Software 3.0:

1. Сегодня наступает эра разработки интеллектуального программного обеспечения, где промпт на естественном языке заменяет непосредственную разработку кода инженером-программистом.

2. Любой, кто способен сформулировать задачу способен написать код с помощью GenAI

3. «Самый горячий язык программирования сегодня — английский»

Основной посыл такой парадигмы заключается в переходе от языков программирования к перспективе общения с машиной на все более естественном языке. Однако, хотя все это выглядит очень оптимистично, в действительности связано с рядом фундаментальных философских проблем. Причем большинство из них имеет довольно давнюю историю.