Можно ли засудить клиента за негативный отзыв о компании?
Если кратко, то да, можно. Но, как всегда, есть нюансы. Кому интересно, можете прочесть в статье по ссылке https://clck.ru/3TxjDD
Если кратко, то да, можно. Но, как всегда, есть нюансы. Кому интересно, можете прочесть в статье по ссылке https://clck.ru/3TxjDD
ИТ-пенсионеры и где они обитают https://habr.com/ru/articles/851624/
Хабр
ИТ-пенсионеры и где они обитают
Я не социолог, но наблюдаю, как мне кажется интересное явление. Хочу поделиться своими наблюдениями и, возможно, предложить тему для обсуждения. Source: Freepik Мне кажется, что на наших глазах...
👍1
Forwarded from Linux Academy
В MIT учат операционным системам так: дают живое ядро Unix и просят его сломать
В большинстве вузов операционные системы изучают по слайдам.
Студент слушает про процессы, виртуальную память и планировщик, рисует схемы на экзамене и в итоге так и не видит, как это работает внутри. В MIT пошли другим путём. Там студенту выдают полностью рабочее ядро в духе Unix и предлагают самому в нём ковыряться, ломать и переписывать.
Это ядро называется xv6. По сути это переосмысление шестой версии Unix 1975 года, переписанное на современном C под многопроцессорные системы RISC-V. Оригинальный Unix V6 был отличным учебным материалом, но устарел и опирался на железо, которого давно нет. xv6 сохраняет идеи оригинала, но запускается на современной архитектуре и читается куда легче.
Главное, что подкупает, это размер. Всё ядро занимает около шести тысяч строк. Это объём, который реально прочитать целиком за разумное время, а не абстрактная гора кода, в которой теряешься на первой неделе. Здесь на месте процессы, системные вызовы, виртуальная память, файловые дескрипторы, каналы и планировщик. Всё это можно открыть, прочитать и тут же поэкспериментировать.
Хорошо видно это на примере каналов. Реализация чтения из pipe в файле kernel/pipe.c укладывается примерно в пятнадцать строк. Если канал пуст, читатель засыпает и ждёт. Как только писатель добавляет данные, читателя будят. Блокировка, засыпание и пробуждение согласованы всего в паре десятков строк, и этот кусок кода объясняет про синхронизацию больше, чем целая лекция про мьютексы и условные переменные.
Именно так и стоит разбираться в операционных системах, когда хочешь понять, как они работают на самом деле, а не как это описывают на высоком уровне. Отличная новость в том, что всё это выложено в открытый доступ и бесплатно. Книга и исходники лежат на сайте курса MIT 6.828, и любой желающий может пройти тот же путь, что и студенты.
https://pdos.csail.mit.edu/6.828/2025/xv6/book-riscv-rev5.pdf
В большинстве вузов операционные системы изучают по слайдам.
Студент слушает про процессы, виртуальную память и планировщик, рисует схемы на экзамене и в итоге так и не видит, как это работает внутри. В MIT пошли другим путём. Там студенту выдают полностью рабочее ядро в духе Unix и предлагают самому в нём ковыряться, ломать и переписывать.
Это ядро называется xv6. По сути это переосмысление шестой версии Unix 1975 года, переписанное на современном C под многопроцессорные системы RISC-V. Оригинальный Unix V6 был отличным учебным материалом, но устарел и опирался на железо, которого давно нет. xv6 сохраняет идеи оригинала, но запускается на современной архитектуре и читается куда легче.
Главное, что подкупает, это размер. Всё ядро занимает около шести тысяч строк. Это объём, который реально прочитать целиком за разумное время, а не абстрактная гора кода, в которой теряешься на первой неделе. Здесь на месте процессы, системные вызовы, виртуальная память, файловые дескрипторы, каналы и планировщик. Всё это можно открыть, прочитать и тут же поэкспериментировать.
Хорошо видно это на примере каналов. Реализация чтения из pipe в файле kernel/pipe.c укладывается примерно в пятнадцать строк. Если канал пуст, читатель засыпает и ждёт. Как только писатель добавляет данные, читателя будят. Блокировка, засыпание и пробуждение согласованы всего в паре десятков строк, и этот кусок кода объясняет про синхронизацию больше, чем целая лекция про мьютексы и условные переменные.
Именно так и стоит разбираться в операционных системах, когда хочешь понять, как они работают на самом деле, а не как это описывают на высоком уровне. Отличная новость в том, что всё это выложено в открытый доступ и бесплатно. Книга и исходники лежат на сайте курса MIT 6.828, и любой желающий может пройти тот же путь, что и студенты.
https://pdos.csail.mit.edu/6.828/2025/xv6/book-riscv-rev5.pdf
👍1💯1
А вы в курсе что РКН теперь присылает уведомления о найденных уязвимостях на ваших ресурсах и требуют устранения в обозначенный срок.
Нам сегодня с утра прислали, это что-то новенькое в их работе.
Нам сегодня с утра прислали, это что-то новенькое в их работе.
😱1
Сейчас из всех щелей обсуждают, как ИИ убьет ту или иную профессию. Я же предлагаю посмотреть на экономические дизбалансы в теме ИИ, которые и делают его пузырём. На канале https://t.me/spydell_finance/9786 вышел подробный анализ. Вы прочтёте его сами, если интересно, я же изложу коротенечко своё понимание.
Начнем с причин, почему многие ИИ-проекты обречены?
ИИ-экономика сталкивается с серьезной проблемой: стоимость создания ИИ растет быстрее, чем способность эту стоимость монетизировать. Это приводит к структурным проблемам, особенно в тех проектах, которые пытаются продавать ИИ как самостоятельный продукт (например, OpenAI и Anthropic).
Основные причины
- Гонка за доминированием: Стоимость доминирования в ИИ определяется действиями конкурентов. Это создает положительную обратную связь, толкающую расходы вверх.
- Обесценивание актива: Обученные модели имеют ограниченный срок конкурентной годности, что превращает создание стоимости в бесконечную гонку.
- Конкуренция: Высокая чистая маржинальность возможна только до появления аналогов. Как только несколько моделей становятся "достаточно хорошими", цена падает.
- Борьба за рынок: Агрессивная борьба за рынок приводит к утечке стоимости.
Есть два основных подхода к монетизации ИИ
1) ИИ как продукт: Интеллект продается сам по себе (подписки, токены API).
2) ИИ как обёртка: Интеллект встраивается в существующие продукты и сервисы, повышая их ценность.
Будущее ИИ-рынка
Независимые ИИ-провайдеры сталкиваются с высоким риском банкротства из-за расхождения кривой создания ИИ и кривой монетизации. В долгосрочной перспективе рынок ИИ может быть монополизирован крупными игроками, такими как Microsoft, Google, Amazon и Apple.
Китайская стратегия
Китай активно развивает трансграничную интеграцию своих ИИ-моделей, что способствует их распространению на внешних рынках. Для Китая коммерческая окупаемость не является приоритетом; важнее экспансия и создание зависимости от китайских технологий.
Структурные проблемы ИИ-экономики, такие как гонка за доминированием и высокая конкуренция, делают многие проекты обреченными на провал. В долгосрочной перспективе рынок может быть монополизирован, а Китай продолжит играть ключевую роль в глобальной ИИ-стратегии.
Начнем с причин, почему многие ИИ-проекты обречены?
ИИ-экономика сталкивается с серьезной проблемой: стоимость создания ИИ растет быстрее, чем способность эту стоимость монетизировать. Это приводит к структурным проблемам, особенно в тех проектах, которые пытаются продавать ИИ как самостоятельный продукт (например, OpenAI и Anthropic).
Основные причины
- Гонка за доминированием: Стоимость доминирования в ИИ определяется действиями конкурентов. Это создает положительную обратную связь, толкающую расходы вверх.
- Обесценивание актива: Обученные модели имеют ограниченный срок конкурентной годности, что превращает создание стоимости в бесконечную гонку.
- Конкуренция: Высокая чистая маржинальность возможна только до появления аналогов. Как только несколько моделей становятся "достаточно хорошими", цена падает.
- Борьба за рынок: Агрессивная борьба за рынок приводит к утечке стоимости.
Есть два основных подхода к монетизации ИИ
1) ИИ как продукт: Интеллект продается сам по себе (подписки, токены API).
2) ИИ как обёртка: Интеллект встраивается в существующие продукты и сервисы, повышая их ценность.
Будущее ИИ-рынка
Независимые ИИ-провайдеры сталкиваются с высоким риском банкротства из-за расхождения кривой создания ИИ и кривой монетизации. В долгосрочной перспективе рынок ИИ может быть монополизирован крупными игроками, такими как Microsoft, Google, Amazon и Apple.
Китайская стратегия
Китай активно развивает трансграничную интеграцию своих ИИ-моделей, что способствует их распространению на внешних рынках. Для Китая коммерческая окупаемость не является приоритетом; важнее экспансия и создание зависимости от китайских технологий.
Структурные проблемы ИИ-экономики, такие как гонка за доминированием и высокая конкуренция, делают многие проекты обреченными на провал. В долгосрочной перспективе рынок может быть монополизирован, а Китай продолжит играть ключевую роль в глобальной ИИ-стратегии.
Telegram
Spydell_finance
Почему многие ИИ проекты обречены?
Экономический механизм практически любой технологии имеет три ключевые итерации: создание стоимости (создание продукта, сервиса) → присвоение (распределение продукта через предельную способность к монетизации) → реинвестирование…
Экономический механизм практически любой технологии имеет три ключевые итерации: создание стоимости (создание продукта, сервиса) → присвоение (распределение продукта через предельную способность к монетизации) → реинвестирование…
👍1
Один из самых дорогих багов в истории Debian начался с «невинной» правки.
В OpenSSL были строки, которые выглядели странно: код подмешивал в генератор случайных чисел неинициализированную память.
Статические анализаторы и Valgrind ругались на это как на ошибку.
Мейнтейнер решил убрать предупреждение и удалил две строки.
На вид - чистка мусора.
По факту - генератор случайных чисел потерял важный источник энтропии.
И почти два года Debian OpenSSL выпускал предсказуемые ключи.
Пострадали SSL-сертификаты, SSH-ключи, VPN, серверы и всё, что зависело от нормальной криптографической случайности.
Урок жёсткий: в security-коде странная строка не всегда мусор.
Иногда это защита, которую нельзя трогать без понимания всей модели угроз.
В OpenSSL были строки, которые выглядели странно: код подмешивал в генератор случайных чисел неинициализированную память.
Статические анализаторы и Valgrind ругались на это как на ошибку.
Мейнтейнер решил убрать предупреждение и удалил две строки.
На вид - чистка мусора.
По факту - генератор случайных чисел потерял важный источник энтропии.
И почти два года Debian OpenSSL выпускал предсказуемые ключи.
Пострадали SSL-сертификаты, SSH-ключи, VPN, серверы и всё, что зависело от нормальной криптографической случайности.
Урок жёсткий: в security-коде странная строка не всегда мусор.
Иногда это защита, которую нельзя трогать без понимания всей модели угроз.
Задумывались ли вы когда-нибудь о природе нашего мышления? Я часто размышляю об этом и прихожу к некоторым выводам. Эволюция создала наш мозг не для решения сложных бизнес-задач или анализа противоречивых данных. Его основная цель — обеспечить выживание в условиях дикой природы, где требовалась быстрая реакция на опасность. В таких условиях энергия была ограничена, поэтому мозг научился оптимизировать свои процессы:
* Он не перебирает все возможные варианты, а выбирает первое подходящее решение.
* Он не проверяет факты, а доверяет информации, полученной от знакомых.
* Он избегает риска, если это возможно.
Эти алгоритмы продолжают действовать и сегодня. Рассмотрим несколько примеров:
* «Я так и знал». Когда происходит что-то неожиданное, мозг убеждает нас, что мы предвидели это заранее. «Я же говорил тебе!». Нет, вы не говорили. Вы просто задним числом додумали эту уверенность. Это мешает учиться на ошибках, поскольку кажется, что мы уже всё знали.
* «Это мне знакомо». Любая информация, услышанная повторно (даже если она ложная), воспринимается как более достоверная, чем новая. Повторение работает на нас. Именно поэтому ложь, повторенная сто раз, может стать «общеизвестным фактом».
* «Лучше синица в руках». Наш мозг склонен переоценивать потери, из-за чего люди часто держатся за что-то знакомое, например, за убыточные проекты, плохих сотрудников, опасаясь потерять то, что уже имеют.
Такова особенность нашего мозга. Ведущиеся сейчас информационные войны, дезинформация и социальная инженерия используют этих «тараканов» в своих целях. Кто-то другой тренирует их в своих интересах, а мы либо осознаем это, либо нет.
* Он не перебирает все возможные варианты, а выбирает первое подходящее решение.
* Он не проверяет факты, а доверяет информации, полученной от знакомых.
* Он избегает риска, если это возможно.
Эти алгоритмы продолжают действовать и сегодня. Рассмотрим несколько примеров:
* «Я так и знал». Когда происходит что-то неожиданное, мозг убеждает нас, что мы предвидели это заранее. «Я же говорил тебе!». Нет, вы не говорили. Вы просто задним числом додумали эту уверенность. Это мешает учиться на ошибках, поскольку кажется, что мы уже всё знали.
* «Это мне знакомо». Любая информация, услышанная повторно (даже если она ложная), воспринимается как более достоверная, чем новая. Повторение работает на нас. Именно поэтому ложь, повторенная сто раз, может стать «общеизвестным фактом».
* «Лучше синица в руках». Наш мозг склонен переоценивать потери, из-за чего люди часто держатся за что-то знакомое, например, за убыточные проекты, плохих сотрудников, опасаясь потерять то, что уже имеют.
Такова особенность нашего мозга. Ведущиеся сейчас информационные войны, дезинформация и социальная инженерия используют этих «тараканов» в своих целях. Кто-то другой тренирует их в своих интересах, а мы либо осознаем это, либо нет.
🤔1💯1
Forwarded from Организованное программирование | Кирилл Мокевнин
T-shaped снова в моде?
Подняли тут вопрос, о том что мы снова движемся от специализации в T-shaped специалистов. Компании планируют сокращать персонал и одновременно с тем надеятся на усиление текущих специалистов за счет ИИ. В некоторых случаях это потребует замены текущих команд или как минимум отдельных людей, на агентно-ориентированных.
В обиход входит слово tiny teams. По представлениям сбера (это их инициатива), это компактные команды в несколько человек с большой степенью автономности находящиеся внутри ai sdlc, где все процессы изменены, где все знания доступны агентам и так далее. В общем ai native организации, вместо (зачеркни ненужное) бирюзовых, agile и других слов.
Пару мыслей про это от меня и других ребят, с которыми мы кулуарно общались. Во-первых сама тенденция возврата к фулстек режиму, во многом определяется не тем что у нас появился ИИ, а тем что идет общий экономический спад и компании сжимаются. А в таких случаях обязанности перераспределяются среди оставшихся. И наоборот, когда все активно развивается, происходит дробление обязанностей так как людей становится все больше и процессы становятся все сложнее.
Сейчас же ИИ действительно позволяет увеличить производительность, что само по себе приводит к укрупнению зон ответственности, но это явление временное. Когда агенты станут такой же обыденностью как персональные компьютеры (представьте разницу между теми у кого они были и у кого их не было в 80 годы), то для увеличения производительности труда снова придется дробить ответственности и брать больше людей.
Во-вторых, есть серьезные опасения, что сильных спецов в принципе всегда было мало, а тут мы как будто бы хотим лучших их лучших. Откуда их брать? И насколько людей действительно хватит? Мы не можем бесконечно масштабироваться, ИИ очень быстро уперся в ограничения кожанных. А комфотная работа для многих превратилась в изматывающий марафон на скорости стометровки.
Через 5 лет мы будем оглядываться назад и говорить о том, как все было очевидно, вот это работает, а вот это бы не заработало никогда. Как говорится, знал бы прикуп жил бы в Омске
Telegram | YouTube | AI Клуб
Подняли тут вопрос, о том что мы снова движемся от специализации в T-shaped специалистов. Компании планируют сокращать персонал и одновременно с тем надеятся на усиление текущих специалистов за счет ИИ. В некоторых случаях это потребует замены текущих команд или как минимум отдельных людей, на агентно-ориентированных.
В обиход входит слово tiny teams. По представлениям сбера (это их инициатива), это компактные команды в несколько человек с большой степенью автономности находящиеся внутри ai sdlc, где все процессы изменены, где все знания доступны агентам и так далее. В общем ai native организации, вместо (зачеркни ненужное) бирюзовых, agile и других слов.
Пару мыслей про это от меня и других ребят, с которыми мы кулуарно общались. Во-первых сама тенденция возврата к фулстек режиму, во многом определяется не тем что у нас появился ИИ, а тем что идет общий экономический спад и компании сжимаются. А в таких случаях обязанности перераспределяются среди оставшихся. И наоборот, когда все активно развивается, происходит дробление обязанностей так как людей становится все больше и процессы становятся все сложнее.
Сейчас же ИИ действительно позволяет увеличить производительность, что само по себе приводит к укрупнению зон ответственности, но это явление временное. Когда агенты станут такой же обыденностью как персональные компьютеры (представьте разницу между теми у кого они были и у кого их не было в 80 годы), то для увеличения производительности труда снова придется дробить ответственности и брать больше людей.
Во-вторых, есть серьезные опасения, что сильных спецов в принципе всегда было мало, а тут мы как будто бы хотим лучших их лучших. Откуда их брать? И насколько людей действительно хватит? Мы не можем бесконечно масштабироваться, ИИ очень быстро уперся в ограничения кожанных. А комфотная работа для многих превратилась в изматывающий марафон на скорости стометровки.
Через 5 лет мы будем оглядываться назад и говорить о том, как все было очевидно, вот это работает, а вот это бы не заработало никогда. Как говорится, знал бы прикуп жил бы в Омске
Telegram | YouTube | AI Клуб
Telegram
Хекслет
Программы обучения - https://ru.hexlet.io/courses
Сообщество @hexletcommunity AI Клуб @hexletclub
Поддержка @hexlet_help_bot
Сообщество @hexletcommunity AI Клуб @hexletclub
Поддержка @hexlet_help_bot
👍1
Кирилл Макевнин из Хекслет ввел термин «преждевременная спецификация». Он описывает ситуацию, когда агенту сразу дают технические детали и указывают, как решать задачу. Это делается вместо того, чтобы изучить контекст, собрать информацию и задать открытые вопросы, такие как «Как обычно решают подобные задачи?» или «Какие есть лучшие практики?»
А вы какой подход используете?
А вы какой подход используете?
👍1
Нейросети начинают вести себя как люди: одна модель доносит на конкурентов, другая предлагает создать картель.
Стартап Andon Labs, занимающийся исследованием искусственного интеллекта, провёл эксперимент с участием трёх версий ChatGPT 5.6 — Sol, Terra и Luna.
В рамках эксперимента агенты нейросетей управляли собственными вендинговыми аппаратами. Вот основные детали:
1. Sol регулярно подавал ложные жалобы на конкурентов, что стало неожиданностью для исследователей. Они никогда ранее не сталкивались с таким поведением у людей.
2. Terra предложила Sol организовать картель, чтобы договориться о ценах и удерживать их на одном уровне. После того как Sol согласился, Terra донесла на него и потребовала дисквалификации.
3. При этом Terra утверждала, что именно Sol был инициатором создания картеля, хотя на самом деле это она его предложила.
4. Также Terra ложно обвинила Sol в мошенничестве, которого на самом деле не было. Однако она признала, что у неё нет веских доказательств.
Нейросети последовательно эволюционируют. А, с другой стороны, с чего им быть другими, ведь люди их обучают по своему образу и подобию. 😎
Стартап Andon Labs, занимающийся исследованием искусственного интеллекта, провёл эксперимент с участием трёх версий ChatGPT 5.6 — Sol, Terra и Luna.
В рамках эксперимента агенты нейросетей управляли собственными вендинговыми аппаратами. Вот основные детали:
1. Sol регулярно подавал ложные жалобы на конкурентов, что стало неожиданностью для исследователей. Они никогда ранее не сталкивались с таким поведением у людей.
2. Terra предложила Sol организовать картель, чтобы договориться о ценах и удерживать их на одном уровне. После того как Sol согласился, Terra донесла на него и потребовала дисквалификации.
3. При этом Terra утверждала, что именно Sol был инициатором создания картеля, хотя на самом деле это она его предложила.
4. Также Terra ложно обвинила Sol в мошенничестве, которого на самом деле не было. Однако она признала, что у неё нет веских доказательств.
Нейросети последовательно эволюционируют. А, с другой стороны, с чего им быть другими, ведь люди их обучают по своему образу и подобию. 😎
😁1