Kurgan-Telecom Ru | Информационные технологии

Салют, Хабр!

Я Иван, HW TPM Умного дома Сбер. В прошлом году мы разработали линейку электроустановочных изделий AtlasDesign Smart. И это отличные устройства. Но… не все пользователи, которым понравился умный выключатель из линейки, могут установить его. Потому что для него обязательна нейтраль, она же ноль.  

Сегодня мы добавили в линейку более универсальное устройство — умный выключатель с опциональной нейтралью. Эта разработка оказалась сложнее. В статье рассказываю о новых захватывающих проблемах, с которыми столкнулись. Сколько лампочек нужно, чтобы одна команда разработала выключатель? Как обучить устройство незаметно воровать электроэнергию? Как выстроить прошивку для Zigbee-устройства, которое может быть и роутером, и спящим (и почему через три месяца мы немного расстроились)?

Спойлер: мы по-прежнему топим за нейтраль. Если есть техническая возможность, лучше подключать с ней или даже проложить её с нуля квартире.

В начале девяностых инженеры, трудившиеся в совершенно разных IT-компаниях, вынашивали одну и ту же идею: что люди в ближайшем будущем откажутся от клавиатур и будут просто писать на экране как на бумаге — рукой или стилусом. Под эти проекты венчурные инвесторы выделяли миллионы долларов, а в Кремниевой долине собирались звёздные команды разработчиков, которые проектировали удивительные футуристичные устройства. Часть из них так и осталась на стадии прототипов, некоторые девайсы вышли на массовый рынок, но по разным причинам так и не снискали популярности.

В своей прошлой статье я рассказал об истории появления промышленных планшетов Kalidor, сегодня же хочу поведать о компании GO Corporation и её операционной системе PenPoint OS. Эта без преувеличения инновационная платформа, появившаяся в 1991 году, была объектно-ориентированной до мозга костей, документы жили не в файловой системе, а в иерархии «тетрадей», а графический интерфейс создавался с расчётом на то, что компьютер держат в руках, а не ставят на стол. Почему же проект PenPoint не получил развития?

Пока инфо-бизнесмены продают очередные курсы по промпт-инжинирингу, в индустрии пересобирают саму архитектуру ИИ-систем. Главные вызовы сегодня лежат в плоскости ML-инфраструктуры: как запустить автономных агентов на проде, снизить latency и не обанкротиться на обучении моделей с нуля. 

В майском выпуске разбираем свежие архитектурные подходы, новое железо и софт, которые меняют экономику современных нейросетей.

SAP, Oracle, Palantir, Celonis, Alibaba и Yonyou всё активнее строят вокруг корпоративного ИИ семантические слои: knowledge graph, ontology, process intelligence, business data cloud, agent memory и агентные платформы.

Зачем им это, если языковая модель уже умеет читать документы, таблицы и API?

Потому что корпоративному ИИ нужен не только доступ к данным. Ему нужен смысловой слой предприятия: термины, объекты, экземпляры, статусы, источники, связи и правила качества.

Именно здесь начинается переход от отдельных ИИ-функций к системам, которые способны собирать комплексную управленческую позицию для действия.

За последние годы большинство AI-проектов в компаниях стартуют одинаково: сначала делают чат-бота, затем добавляют агентов, автоматизируют отдельные процессы и ожидают роста эффективности.

На практике такие проекты часто не дают устойчивого результата. Модель может корректно генерировать текст, демонстрации выглядят убедительно, но в реальной работе ответы оказываются нестабильными, противоречивыми и не связанными с внутренними стандартами компании.

Основная причина — отсутствие единого слоя знаний.

В проекте для ресторанной группы с 10+ заведениями и историей более 15 лет мы сознательно начали не с агентов и не с интерфейсов, а с построения корпоративной RAG-инфраструктуры. Этот слой стал основой всей последующей AI-архитектуры.

Персонализация: как мы подстроились под каждого — и сделали хуже всем. Кейс о том, как хорошая гипотеза ломает базовый UX, обещание продукта и бьёт по выручке.

Привет, Хабр! Меня зовут Кристина, скрам-мастер в МТС Web Services. Два года назад я попала в трайб, который резко начал масштабироваться и быстро вырос с двух до девяти команд — продуктовых и сервисных. Процессы за этим ростом не успевали: коммуникации начали сыпаться, терялись зависимости и регулярно ехали сроки. Кроме того, конфликты между командами приходилось лично разруливать C-level. А главной сложностью было то, что каждое планирование начиналось с чистого листа.

Мне предстояло во всем разобраться и наладить процессы. Вот только для команд я выглядела как засланец от бизнеса, который просто наблюдает, как все работают, а затем доложит руководству. А для топ-менеджмента — как сомнительная инвестиция, которая еще должна доказать свою полезность.

Но несмотря на все сложности, за год мы выстроили квартальное планирование на базе адаптированного SAFe: специалисты научились проводить его сами, зависимости сократились до минимума, а руководители перестали тратить управленческое время на выяснение, кто за что отвечает. Расскажу, как мы к этому шли, какие подходы сработали и какие уроки я для себя вынесла.

TL;DR: ИИ не заменяет инженерный контроль, но меняет базовую планку разработки. С ним проще удерживать скоуп, тесты, техническое качество и в режиме дедлайна. Главный риск — потерять ownership, поэтому уровень автономности должен зависеть от проекта, стадии и зрелости инженерного процесса.

У меня есть один личный проект, где я полностью автоматизировал разработку и перестал читать код. Всё идёт практически без моего участия: я просто описываю в телеграмме своему боту что нужно сделать, что я хочу получить, а он выполняет, проверяет в цикле, коммитит, деплоит и сам проверяет логи. Единственное, заниматься своим проектом времени мало, потому движение всё равно медленное и хоть бот может сам брать тикеты из гитхаба и выполнять их, я всё же не разрешаю ему пушить код — хочу всё же в конце понимать что он сделал. Но проект я изначально писал сам, и только потом начал изучать как сделать работу автономной.

Всё работает настолько хорошо, что я даже задумался: а не запустить ли новый проект вообще без моего участия? Описать только PRD, проверить сгенерированную документацию и список задач, а на выходе просто принимать готовые фичи. Я даже пробовал запускать так несколько личных проектов (один из них — простенькая игра): формировал всю документацию через ИИ, но на определенных этапах допускал ошибки в планировании и в итоге терял контроль.

Эта статья про мои эксперименты с языковыми моделями, в которых не используется машинное обучение и аппаратное ускорение. Чтобы избежать недопонимания поясню, что я имею ввиду под языковой моделью (ЯМ).

ЯМ это совокупность алгоритмов, структур данных и собственно данных для генерации связного текста в ответ на запрос. Каким образом ЯМ генерирует ответы определяется способом её реализации. В канонической реализации ЯМ используются методы машинного обучения и мощные аппаратные ускорители. В моей реализации ЯМ я хочу получать связный текст в ответ на запрос без машинного обучения и без аппаратного ускорения.

Если свериться с Википедией на английском и на русском языках, или с многочисленными публикациями про (Large/Small) Language Models, то мои определение и понимание… несколько неканонические. Поскольку я экспериментирую для себя (я сам себе работодатель), то заранее соглашусь с любыми мнениями о неканоничности моего определения ЯМ.

Буду благодарен комментариям - если окажется, что подобное изложенному в этой статье уже было на просторах интернета. Как минимум такие подсказки избавят меня от хождения по тупикам. А как максимум, я надеюсь, позволят сделать мои дальнейшие эксперименты более успешными.

Последующий текст состоит из нескольких небольших частей. Сначала расскажу о своих мыслях, из которых возникли мои идеи для экспериментов. Далее, о своём текущем подходе к реализации ЯМ. Пока он совсем прост. Чем-то напоминает классический подходы Markov chains и n-grams, но без статистических и вероятностных методов.

У продуктов Клеверенса (например, «Магазин 15», «Склад 15») есть возможность обмениваться данными между учетной системой (например, «1С: Предприятие») и удаленными ТСД через сеть. Это так называемый обмен через Интернет, который решает вопрос работы с удаленными устройствами без сложных и длительных настроек ПО и оборудования (например, проброс портов на роутере).

Ограничения ППР и почему переход к прогнозной модели становится необходимым

Планово-предупредительные ремонты (ППР) — стандарт для большинства промышленных предприятий. Логика проста: замена узлов или материалов через фиксированный интервал времени или наработки. Однако на практике этот подход всё чаще приводит к трём проблемам:

С 27 мая вступило в силу требование Минпромторга об исключении из перечня параллельного импорта компьютеров, ноутбуков и запоминающих устройств ряда крупных брендов.

В соцсетих можно встретить посты в духе: «Asus и Dell больше не купить» и «техника исчезнет с полок».

Кто-то даже говорит, что теперь ввоз иностранной техники запрещён.

Давайте разберёмся, что реально произошло.

Примечание:

Я юрист, специализируюсь на банкротстве и корпоративных спорах — с таможенным правом работаю не каждый день. Но когда сегодня лента переполнилась заголовками про «запрет» техники, захотелось разобраться по существу, а именно: открыть нормы и посмотреть, что реально изменилось. Это моя первая статья на Хабре и пишу для тех, кому важно понять правовую механику, а не читать пересказы заголовков.

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.