Kurgan-Telecom Ru | Информационные технологии

Мы наблюдаем массовое строительство дата-центров (ЦОД). Так, Глава BlackRock Ларри Финк заявил, что в будущем может появиться новый класс активов — “фьючерсы на вычислительные мощности (compute), потому что миру уже сейчас не хватает вычислительных ресурсов для развития ИИ. В Совет по инвестициям Таиланда (BOI) недавно одобрил шесть крупных проектов общей стоимостью 958 миллиардов бат (29 миллиардов долларов), ключевым элементом которых является масштабное расширение инфраструктуры обработки данных местным подразделением гиганта социальных сетей TikTok.

В России на 50% выросли мощности для хранения и обработки данных. За пять лет вложили 38 млрд рублей, построив новые центры в регионах. В 2025 году новый центр запустили в Нижнем Новгороде, дополнительные мощности — в Удомле (Тверская область). Также развиваются хабы в Екатеринбурге и готовится проект в Санкт-Петербурге. В итоге создана распределённая сеть, которая позволяет размещать данные ближе к пользователям. В частности, РТК-ЦОД (дочка Ростелекома) управляет сетью из 26 дата-центров совокупной мощностью 235 МВт. 

Из-за боевых действий у нас и на Ближнем Востоке стали учащаться нештатные ситуации в энергетике, в том числе в электропитании центров обработки данных. Так что вопрос резервного питания ЦОДов стоит сейчас как никогда остро. Посмотрим, какие решения предлагаются в охранных документах в России и мире.

В прошлых статьях я писал про то, что нейросеть ускоряет конвейер, но не несёт ответственности. Что лояльность дирижёра — единственный мультипликатор. Что уравнение мотивации сломалось.

Сегодня — про вторую невидимую дыру в конвейере, которую все упорно не хотят замечать. Про то, что нейросеть не просто не несёт ответственности. Она активно врёт вам в лицо, когда не справляется. И делает это не из злого умысла — а потому что её так обучили.

И недавно появились прямые доказательства, что это случайность и не галлюцинация, а математика моделей.

Привет! На связи Анна Астахова, директор по развитию ИТ-интегратора «Белый код». Недавно мы внедрили аналитику для сети аптек «Лаки Фарма», в которой более 300 точек. В результате BI помог компании быстрее получать точную информацию, а также анализировать данные. 

Меня зовут Даниил, я Android-разработчик в «БКС Мир инвестиций».

В первой статье мой коллега рассказывал, как мы использовали Kotlin IR Compiler Plugin, чтобы автоматически добавлять testTag и semantics в Compose-компоненты: Kotlin IR Compiler Plugin в дизайн-системе: автотесты с Compose без ручной разметки.

Эта статья — следующий шаг: как мы начали использовать информацию о структуре дизайн-системы, чтобы понимать область влияния изменения.

Если кто-то уверенно называет одну лучшую нейросеть, он либо продает подписку, либо давно не открывал ничего кроме этого чат-бота. Авторитетные медиа перестали смотреть на ИИ как на один общий рейтинг. TechRadar пишет, что доминирование ChatGPT в AI-chatbot рынке снижается, а Gemini, Perplexity, Copilot и Claude забирают часть аудитории. Люди начали пользоваться несколькими нейросетями под разные задачи, а не одной моделью на всё.

Artificial Analysis сравнивает популярные нейросети не только по «умности», но и по цене, скорости, контексту и другим параметрам. Arena Leaderboard показывает модели отдельно по тексту, изображениями и другим направлениям. 

Ниже — подборка нейросетей 2026 года, которые чаще всего закрывают рабочие сценарии: от текста и кода до исследований, визуалов и быстрых реакций на инфоповоды.

Руководитель видит простую картину: внедрили ИИ, купили лицензию на модный инструмент, а эффективность команды почти не изменилась. Ощущение такое, что «люди не тянут»: ошибки продолжают всплывать, задачи тормозятся на согласованиях, «огонь в глазах» у новичков тухнет через три года. На этом месте часто рождается самый вредный управленческий миф — миф о нерадивом сотруднике.

Знакомая работает в IT-департаменте организации с 16 филиалами и ~5000 единиц оргтехники на балансе. Попросила: “Сделай сервис, чтобы загрузить фотку шильдика, и он сказал, у кого эта железка стоит”. Звучит просто. На практике это вылилось в production-сервис с распознаванием по фото через Claude vision, ETL из бухгалтерских .xls (привет, xlrd 1.2), нормализацией грязных инвентарных номеров и автопушем в Google Sheets. Рассказываю про все грабли — от deadlock pandas vs xlrd до бага, который считал две разные железки одной

В России не хватает 180 000 складских работников. Компании поднимают зарплаты, нанимают рекрутеров, запускают реферальные программы — и всё равно не могут закрыть вакансии. Потому что проблема не в том, что людей мало. Проблема в том, что склад требует их слишком много.

Меня зовут Игорь Симаков, работаю engineering manager’ом и руковожу командами разработки

На одном из наших сервисов, который работает с XLSX-файлами, прилетел production-алерт на высокое потребление памяти. Стандартный P3, обычно решается рестартом. Пошёл смотреть поды и нашёл проблему, к памяти отношения не имеющую, но представляющую больший риск, чем сам алерт. Об этом и расскажу ниже: чем «утечка диска» отличается от «утечки памяти», как мы наткнулись на грабли в Apache POI и как закрыли их на уровне архитектуры

Практически в каждой свой статье, в которой прямо или косвенно идёт речь о важности соблюдения Закона о персональных данных, я упоминаю риск получения административного штрафа по ст. 13.11 КоАП РФ. Теперь давайте поговорим не про «очередные страшилки для бизнеса», а про реальную судебную практику.

Распространенная ситуация — циклы развития запускаются, индивидуальные планы создаются, встречи проводятся, а роста нужных навыков в команде не происходит. Я сам часто сталкивался с этой проблемой, когда управлял командой и выстраивал процесс развития на всю компанию как Head of L&D.

По моим наблюдениям, ИПР и цикл развития превращаются в формальный HR-ритуал по следующим причинам ...

Привет, Хабр!

Меня зовут Ольга, я финансовый директор и руководитель продукта Аспро.Финансы. За несколько лет работы с компаниями разного масштаба я раз за разом вижу одно и то же: открываете отчет — вот ПиУ, вот ДДС, дашборды зеленые. Красота. Но через неделю компании не хватает денег на зарплату. А месяц был прибыльным. Как так?

Загрязнение окружающей среды является одной из самых насущных проблем человечества. А поиски решения этой проблемы охватывают самые разные науки, от математики и химии, до биологии и машинного обучения. Одним из самых «молодых», но уже весьма обсуждаемых элементом проблемы экологии является микропластик. Миллионы тонн неразлагаемого пластика попадает в окружающую среды ежегодно, что несет серьезную угрозу как природным средам и их обитателям, так и самим людям. Ученые из университета Миссури (Колумбия, Миссури, США) создали новый тип водорослей, который способен очищать водоемы от микропластика. В чем особенности этих водорослей, как именно они борются с пластиком, и какова перспектива их повсеместного использования? Ответы на эти вопросы мы найдем в докладе ученых.

Это продолжение цикла статей о масштабировании тренировки и инференса LLM.

Предыдущая статья

А теперь перейдем к чему-то более практическому, а именно к тому, сколько нужно FLOPs и байт для работы трансформера. Подразумевается, что у вас уже есть представление о том, что такое архитектура трансформера, как работает механизм внимания и т.д.

Давайте начнем с векторов x, y и матриц A, B, имеющих вот такие размеры, допустим один элемент занимает при этом один байт.

На прошлой неделе на State of Brand вышел материал по следам статьи, опубликованной всего несколькими днями ранее.

Тогда авторы утверждали: любая ИИ‑подписка — это бомба замедленного действия для бизнеса. Просто никто не ожидал, что фитиль уже почти догорел.

В исходной статье речь шла о том, что рынок ИИ продаёт вычислительные мощности значительно ниже их реальной себестоимости. Многие компании успели выстроить критически важные процессы вокруг этих субсидируемых тарифов. Авторы предупреждали: когда начнётся неизбежная коррекция, последствия окажутся шокирующими.

И вот 14 мая — всего через три дня после публикации — и Anthropic, и OpenAI сделали шаги, превратившие переоценку AI‑услуг из теории в реальность. Причём сделали это публично, агрессивно и так, словно сами понимают: текущая модель может не дожить до конца года.

В предыдущей части мы обсудили паровые фабрики и транспорт, катавшийся по рельсам. Во второй части паровых двигателей мы узнаем, как они жили без рельс, почему паровые автомобили не такой уж тупиковый путь эволюции и что такое «Закон о красном флаге», который привел к… Впрочем, сейчас сами все узнаете. Чух-чух-чух, поехали.

С момента публикации статьи на Хабре «Импортозамещаем numpy, pandas, scipy и sklearn» прошло почти три года. В течение этого времени я приостановил работу над проектом из-за нехватки времени, ресурсов и сил. К тому же, меня расстроило, что не смог выполнить просьбу пользователя @N-Cube, который активно интересовался моей библиотекой и хотел ускорить работу своего Jupyter Notebook.

В самый критический момент на помощь пришел волшебный AI, который, хоть и иногда проявлял недостаток гибкости, с готовностью исполнял все пожелания своего хозяина. Благодаря этому проект начал продвигаться вперед.

За это время в библиотеки были добавлены поддержка CUDA, множество ручных SIMD-оптимизаций с динамическим выбором SIMD, несколько реализаций линейной регрессии и многое другое.

Давайте рассмотрим, что на сегодняшний день позволяет сделать моя библиотека.

Я представлю несколько тестовых примеров в двух вариантах: с использованием AVX-2 на процессоре Intel® Core™ i7-4790K и AVX-512 на Intel® Xeon. Также покажу результаты замеров для каждого из них. Все тесты проводились без использования GPU, исключительно на процессоре. Это позволяет сравнивать производительность Python и моей библиотеки на равных условиях. Операционная система – Ubuntu 24.04, компилятор – GNU 13.3.0.

Пятница, 23:47. PagerDuty: “Платёж AmEx, провайдер вернул 5xx три раза подряд, билеты не зарезервированы.” Открываю логи – действительно три ответа провайдера 5xx, ни одной успешной транзакции по нашей базе. Закрываю как временный сбой на стороне провайдера, пишу короткую сводку в дежурный чат и иду досматривать. Через 40 минут второй алерт – уже от ночной поддержки: клиент прислал скрин выписки, 3 списания подряд за одну бронь. У клиента рейс через 6 часов, ему нужна действующая бронь и подтверждение, что он завтра нормально улетит, а не тикет в поддержку.

Мы делали B2B-платформу для деловых поездок: бронь авиа, отели, трансфер, страховка, в финале – оплата корпоративной картой через платежный шлюз. С этой ночи началась история, которая закончилась переписыванием всего платёжного слоя нашего booking-сервиса. По дороге мы поймали 5 граблей.

Вы когда-нибудь заполняли json-конфигов на 20 000 - 25 0000 строк вручную перед выпуском релиза? А боль в глазах геймдизайнеров от этого процесса видели?

Вы TechLead/Менеджер и к вам часто подходят дизайнеры с просьбой написать парсер данных, а свободных рук нет? А после изменений в фиче приходится выделять человека для правок схемы парсинга под новую разметку?

Возможно, пора начать использовать тулзу по экспорту данных, которую смогут настроить сами геймдизайнеры? Нам этот инструмент сократил время настройки игровых конфигов с 4 дней до 15 минут, после предварительной настройки.

Привет! Меня зовут Игорь, я занимаюсь разработкой на Unity c 2018 года. В статье рассказываю о тулзе, с помощью которой можно выгружать данные из Google Sheets и Excel в json без привлечения программистов.

P.S. в конце статьи есть видосик с процессом настройки и экспорта одной фичи.

Работа с ИИ-изображениями больше не требует подбора сложных технических терминов. Нейросеть Nano Banana от Google AI предлагает другой подход, где на первом месте стоят интуитивность, творчество и коммерческая польза. 

Этот инструмент отлично справляется с созданием фотореалистичных сцен, сложных текстур и корректной работой с текстом. При этом вы получаете не просто генератор картинок с нуля, а полноценную систему редактирования, где можно гибко менять отдельные детали изображения без потери общего стиля.