Kurgan-Telecom Ru | Информационные технологии

Привет, Друзья!

Хотел написать короткий пост по мотивам одного казалось бы простого ПР-а, который мы недавно получили в рамках Axelix: Open Core продукта для решения основных известных болей при разработке Spring Boot приложений (кстати, give us a star!).

В общем, контрибьютор пришёл к нам и исправил с виду совершенно безобидную проблему, которую мы упустили. Но на деле, эта проблема со временем могла привести к другим багам, которые дебажить было бы крайне тяжело. И я посчитал, что это стоит небольшой статьи, потому что сам помню проблемы в Spring Data, которые возникали из-за подобных просчётов.

Я не буду погружать вас в детали того, что мы делали, просто покажу на абстрактном примере.

Давайте с места в карьер. Посмотрите на этот код:

Когда-то я учил английские слова по обычной тетради: записывал слово, транскрипцию и перевод, а потом проходил весь список с самого начала. Пока слов было несколько десятков, это работало. Но когда их стало около тысячи, повторение превратилось в отдельную работу: большая часть времени уходила на слова, которые я и так давно помнил.

Тогда я начал разбираться, почему мы забываем новую информацию, как устроены интервальные повторения и по какому принципу Anki выбирает дату следующего показа карточки. В статье расскажу о кривой забывания, системе Лейтнера и алгоритме FSRS, а также покажу, как я реализовал собственную систему повторений в приложении VibeLing — без необходимости каждый раз выбирать между Hard, Good и Easy.

UI-kit, которым пользуются несколько продуктовых команд, нельзя просто отправить в будущее и переписать под новый дизайн. За ним тянется прошлое: старые CSS-переменные, публичный API, кастомизации у потребителей и независимые релизные циклы. При этом бренд уже меняется, дизайнеры приносят новую палитру, типографику, motion, скругления и тёмную тему и всё это нужно аккуратно посадить на компоненты, которые продолжают работать в продакшене.

Привет, Хабр! Меня зовут Амир, я Senior Vue.js Frontend Developer в экосистеме Лукоморье. Уже шесть лет я развиваю фронтенд большой внутренней ERP-платформы, в том числе внутренний UI-kit: около 50 компонентов на Vue 3 и TypeScript, которыми пользуются несколько продуктовых команд в Ростелекоме.

В этой статье расскажу, как мы устроили для UI-kit такое «назад в будущее»: в одной долгоживущей ветке sova провели редизайн поверх работающих компонентов, сохранили публичный API для команд-потребителей и перевели визуальный слой на новую архитектуру. Мы внедрили 3-tier-систему дизайн-токенов, собрали pipeline на Style Dictionary и Tokens Studio for Figma, оставили старые CSS-переменные через legacy-алиасы, а заодно закрыли несколько долгов библиотеки: типизацию шаблонов, встроенный SVG-спрайт на 816 иконок, утилиту темизации и вынос runtime-зависимостей с сокращением бандла с 940 до 150 КБ.

Материал будет полезен инженерам дизайн-систем, фронтенд-архитекторам и тимлидам, которые поддерживают UI-kit для нескольких продуктовых команд и думают, как провести редизайн без поломки потребителей. Внутри — код, архитектурные решения, компромиссы и честные выводы по итогам миграции.

BGPLite — open-source BGP route-server на C# и .NET 10. Он принимает BGP-сессии, динамически загружает префиксы через RIPE Stat и управляется через HTTP API. В статье разберём архитектуру проекта и реализацию собственного BGP-сервера с нуля.

Пожалуй одним из самых массовых и известных смартфонов от Nokia был легендарный N70 и его удешевленный собрат в лице N72. Будучи выпущенным в далёком 2005 году, этот миниатюрный кнопочник скрывал в себе функционал полноценного компьютера с достаточно мощным железом, многозадачной операционной системой, поддержкой нормального Web'а и функционалом мультимедийного комбайна. Но немногие знают о том, что у этого смартфона было сразу два процессора...

В сегодняшней статье мы с вами проведем полный анализ схемотехники N70/N72, подробно узнаем о том, за что отвечает каждый чип на плате устройства и как они все вместе работают, какие неисправности преследовали смартфоны Nokia тех лет, а также изучим особенности ОС Symbian. Любите настоящие гиковские Хабратортные статьи, а не ИИ-жвачку, успешный успех и прочий оффтопик? Тогда жду вас под катом!

Интернет-магазины, работающие одновременно через собственный сайт, маркетплейсы и несколько складов, часто сталкиваются с проблемой синхронизации данных между разными системами. Особенно это заметно, когда учет ведется в 1С, а товары продаются сразу через несколько каналов. В таких условиях ошибки в резервировании и обновлении остатков могут приводить к пересорту, отменам заказов и дополнительным затратам на обработку.

С подобной задачей столкнулся интернет-магазин Kamatyres. Компания продает шины и диски через собственный сайт, активно работает с маркетплейсами и использует несколько складов, а учет заказов и остатков ведется в 1С.

Бизнес нацелился делать свой собственный AI. Все задают вопрос: «Какая модель мне нужна?» Но никто не задумывается, на каких мощностях модель будет работать. 

Мы тоже сначала не задумывались. Разработали корпоративного AI-агента, прокачали ИТ-команду, чтобы двигаться дальше — и споткнулись о «железный порог». Так родилась идея AI ready модуля. В статье рассказали, что это такое и почему AI начинается не с модели, а с инфраструктуры. 

Сразу честно, чтобы вы понимали, с кем имеете дело: я из тех душнил, которые закатывают глаза, когда в сотый раз слышат «а давайте это все сделает нейросеть». Я видел слишком много красивых демок, где ИИ за минуту генерит сотню тест-кейсов – из которых добрая половина про кнопки, которых в продукте нет, а вторая половина дублирует друг друга разными словами, не говоря уже о глубине тестирования бизнес-логики.

Поэтому когда у нас возникла задача как следует протестировать внутренний калькулятор трудозатрат, и я взялся ее решать, то открыл инструмент, проскроллил его вниз… и понял, что мне предстоит либо несколько недель монотонного ада, либо надо что-то придумывать. 

Спойлер: придумал. ИИ реально помог, но не так, как обещают на конференциях. Ниже – подробный разбор: какие инструменты и модели я использовал, какие промпты сработали, как рисовалась матрица покрытия и, самое главное, как побороть галлюцинации в расчётах. Ведь в калькуляторе это не смешная оплошность, а неправильное число, на котором кто‑то потом посчитает стоимость проекта.

С код-ревью есть такой парадокс: все согласны, что он важен, но времени на него обычно ни у кого нет. В результате ревью часто превращается в формальность. Очевидные баги при этом ловятся, а мелкие, вроде пропуска в условиях, перепутанные знаки, забытые edge cases и т.д., могут спокойно уехать в мердж и вернуться уже в виде задач в багтрекере. 

В Content AI мы активно внедряем ИИ в разработку, и одна из задач, которую мы решали в этом году, — автоматизация код-ревью. В этой статье рассказываем, как одна из наших команд собрала ИИ-ревьюера, встроенного в Pull Request, и что мы поняли спустя месяц использования. 

Я собрал четыре модели в один батч — две Gemma, DeepSeek V4 Flash и Qwen3-235B — потому что не поверил кросс-сессионным данным: выходило, что маленькая Gemma обошла большую. В честной очной ставке сюрприз развеялся, обе Gemma оказались вровень. Зато всплыло другое. DeepSeek V4 Flash, который у меня числился на 83, выдал 89 — был недооценён на 6 баллов. А Qwen3-235B-A22B-2507 — модель, вышедшая 21 июля 2025 года, — снова взяла первое место по цене/качеству. Почти год прошёл: Gemini прыгнул с 57 до 97, DeepSeek я перетестировал трижды, MiniMax все хвалят как ровню Opus. А этот июльский чекпойнт просто держит трон, и я уже почти обижаюсь за прогресс. В статье: разбор очной ставки, хронология ретестов одной модели за год, новый критерий — скорость генерации, ещё восемь моделей июня, непопулярное мнение про раскрутку MiniMax и две новые колонки на лидерборде.

Одними из первых в России выпустили патчи безопасности в SELECTOS и закрыли уязвимости в ядре Linux. Расширили список моделей в FMC, чтобы вы могли автоматизировать больше задач. Больше деталей — под катом.

Несколько месяцев назад к нам пришёл клиент из недвижимости с простым запросом: «Почему CPL вырос в два раза, хотя мы ничего не меняли?» Мы проверили кабинет. Пиксель не был настроен. Цель стояла «Трафик» вместо «Конверсии». Аудитории холодная и горячая были смешаны в одной группе. При этом специалист был опытным — просто переехал в новый кабинет с логикой старого.

Это не единичный случай. После полного перехода на ads.vk.com я вижу один и тот же паттерн: люди настраивают VK Рекламу как настраивали ВКонтакте PRO — и платят за это высоким CPL. Разбираю, что именно изменилось и где чаще всего теряются деньги.

Еще несколько лет назад маркетинговая воронка выглядела довольно понятно. Медийная реклама отвечала за узнаваемость. Ее задача была максимально широкой: рассказать о бренде как можно большему числу людей. Перформанс-инструменты работали на нижних этапах воронки. Они должны были приводить заявки, продажи и другие измеримые результаты. Такое разделение долго оставалось удобным. Маркетологи планировали бюджеты по принципу: одна часть — на формирование спроса, другая — на его конвертацию. Но сегодня тенденция меняется.

Мы в Авито Рекламе совместно с AdIndex опросили 300 представителей из 226 компаний из 44 отраслей и обнаружили интересную тенденцию: рекламодатели всё реже противопоставляют медийную рекламу и перформанс. Вместо этого они ищут способы решать обе задачи одновременно. Разберемся, почему это происходит.

Привет, Хабр! Я Иван Лягаев, Staff Scala Developer в Т-Банке. Живу и работаю в Иннополисе — самом молодом городе России, — рядом с Казанью.

Моя статья — часть проекта к 20-летию Т-Банка «20 в 20», в котором мы рассказываем об ИТ-хабах в разных городах и о людях, которые живут в этих инженерных сообществах.

Казань и Иннополис для нас — важная точка на ИТ-карте. В регионе сильная образовательная база: Университет Иннополис, КФУ, ИТИС, ИВМиИТ и другие технические школы. Здесь сформировался конкурентный рынок, работают крупные ИТ-компании, а вокруг развивается активное профессиональное сообщество.

Для меня этот регион стал не просто местом работы. Здесь я поступил в университет, выбрал Scala, пришел в Т-Банк, поучаствовал в переписывании сложной банковской системы с нуля и перешел в техническую команду, которая делает инструменты для разработчиков внутри Т-Бизнеса.

В статье рассказываю, как так получилось.

Сегодня искусственный интеллект кардинально меняет как подходы к защите, так и методы атак. С развитием технологий ИИ-модели могут обрабатывать и анализировать огромные объемы данных в реальном времени. Это активно использует не только бизнес, но и злоумышленники.

В статье рассмотрим современные методы атак на AI и ML-системы, расскажем про практическое применение MITRE ATLAS для моделирования угроз и выстраивания защиты через четыре системных элемента: AI Среда, AI Платформа, AI Модель и AI Данные.

Приветствую, Хабр! Сегодня я хотел бы обсудить одну очень важную для меня, да и для всего книжного сообщества тему. Тему юридических коллизий Пользовательского Соглашения LiveLib и законодательства об авторском праве.

Несмотря на то, что Пользовательское Соглашение LiveLib (далее – ПС LiveLib) содержит стандартные для крупных цифровых платформ условия передачи прав на пользовательский контент всё же некоторые из его пунктов, на мой взгляд, балансируют на грани ущемления авторских прав и выявляют юридические коллизии с Гражданским кодексом РФ (далее – ГК РФ). В частности,

1.       Безвозмездная исключительная лицензия на коммерческое использование.

Согласно ПС LiveLib размещая любой контент (текст, рецензии, статьи, иные произведения авторского права) в открытом доступе на LiveLib, пользователь безвозмездно предоставляет сервису исключительную лицензию на его использование. Сюда входит право на воспроизведение, переработку, распространение и сублицензирование третьим лицам, в том числе в коммерческих целях.

Подобная формулировка нарушает статью 1286 ГК РФ (Лицензионный договор). По закону исключительная лицензия означает, что сам автор теряет право предоставлять аналогичные лицензии кому-то ещё.

Таким образом, автоматический, безвозмездный и безусловный отъём исключительных прав через принятие пользователем публичной оферты сервиса ущемляет права авторов. Особенно в тех случаях, если платформа монетизирует их авторский контент (например, использует его в рекламных целях на сторонних ресурсах или продаёт издательствам для обложек книг).

Я работаю в компании GlowByte, а в целом в ИТ – более 20 лет. В последние годы в основном занимаюсь проектами и решениями в области AI, аналитики, больших данных, но приходилось иметь дело с большим списком разнообразных ИТ-услуг и форм взаимодействия заказчиков и подрядчиков. По роду деятельности мне приходится много заниматься подготовкой, оценкой, запуском ИТ-проектов. Очень часто нормально проведенное предпроектное обследование становится залогом успешного проекта, поэтому решил, что мои мысли про предпроект, его цели и подводные камни могут быть интересны аудитории. 

После выхода первой части прошло 2 месяца, и наши многоуважаемые американские партнёры из Anthropic и Google что-то подхимичили, и новые версии Claude Code и Antigravity перестали работать.

А так хочется попробовать новые чудо-модели типа Fable 5 и Opus 4.8! Поэтому нам придётся осваивать новые хитрости для настройки VPS, чтобы быть на острие прогресса.

Каждый инженер рано или поздно сталкивается с вопросом: как выкатить новую версию приложения так, чтобы пользователи ничего не заметили, а команда не получила ночной звонок от дежурного.

На первый взгляд выглядит все довольно просто: собрал новую версию, загрузил на сервер и перезапустил сервис. Но как только система начинает обслуживать реальных пользователей, появляются новые требования — минимизировать простой, быстро откатывать неудачные релизы, снижать риски и выпускать изменения как можно чаще.

Именно для этого существуют Deployment Strategies — набор подходов, которые определяют, каким образом новая версия приложения попадает в продакшен. В этой статье разберём самые популярные стратегии деплоя: Recreate, Rolling Update, Blue-Green, Canary и Shadow, посмотрим их плюсы и минусы, а также выясним, в каких сценариях каждая из них действительно полезна.

ИИ фотосессия по фото — задача, которая на бумаге решена давно: загружаешь несколько селфи, модель обучается на лице и генерирует портреты в заданных образах. На практике всё упирается в детали: сохранение идентичности, работа со светом, доступность сервиса из России без VPN и зарубежных карт. Также мы протестировали ТОП самых актуальных нейросетей для фото — Nano Banana Pro, GPT Image 2, Higgsfield Soul, Seedream 5.0, Nano Banana 2 и FLUX — и показали на реальных примерах, где каждый ИИ-генератор фото выдаёт максимум качества, а где спотыкается. Все тесты проводили через агрегатор Study, который работает в России без VPN — так что создать фото через ИИ или сгенерировать картинку нейросетью онлайн сможет буквально каждый.

В статье — итоги тестов с примерами генераций, разбор сильных и слабых сторон каждой нейросети, рабочие промпты и ответ на главный вопрос: можно ли сделать нейрофотосессию почти бесплатно и не получить пластикового двойника.