Вайб-кодинг: практика, о которой почему-то не говорят (Рубрика #AI)

Интересная статья о том, как вайб-кодинг меняет подход к написанию приложений, в которой рассматриваются вопросы
- Какие языки лучше подходят для вайб-кодинга
- Как выглядит эффективный формат работы
- Как это повлияет на рынок инженеров

В принципе, я почти ничего нового не узнал, так как про вайб-кодинг как раз активно говорят, несмотря на подзаголовок статьи. Но сама статья достаточно качественно написана, сопровождается примерами и ее просто и приятно читать. Кстати, про вайб-кодинг даже я уже несколько раз вспоминал
- Разбор обсуждения Y Combinator в выпуске "Vibe Coding Is The Future"
- Interview with Vibe Coder in 2025

#AI #Engineering #Software #ML

Надежность и безопасность — это дополнительные опции или фундамент для современных ИТ-систем? (Рубрика #Architecture)

В мае я выступлю на конференции Positive Hack Days в Лужниках, где практикующий технический директор я расскажу:
- как оценить стоимость атрибутов качества и обосновать ее бизнесу через модель рисков;
- почему нельзя внедрить их позднее (объясню эмерджентные свойства систем);
- какие принципы создания надежных и безопасных систем применяют западные big-tech-компании;
- как внедрять эти принципы через паттерны проектирования и интеграцию в процессы разработки (shift left everything и secure by design).
Все это будет сопровождаться примерами из практики Т-Банка.

Приходите на конференцию послушать и пообщаться - там будет интересно:)

#SRE #SystemDesign #Software #Architecture #Metrics #SoftwareArchitecture #Engineering

[1/2] 100 Principles of Game Design (100 принципов гейм-дизайна. Универсальные принципы разработки и решения проблем) (Рубрика #Design)

Эта книга 100 принципов геймдизайна вышла на английском в 2012 году, а была переведена в Бомборе в 2024. Она представляет собой калейдоскоп статей на важные темы из мира геймдизайна. Она написана 10+ авторами, а редактором выступила Венди Деспейн – опытный гейм-дизайнер и педагог. Книга представляет собой своего рода практическое руководство для разработчиков игр, объединяя в себе универсальные принципы. Я взал ее почитать из-за того, что мой старший сын учится на геймдизайнера, поэтому эта тема для меня интересна. Кроме того, геймдизайн мне напоминает проектирование и дизайн обычных цифровых продуктов, а это очень близко к моей рабочей деятельности.

Логическая организация изложения основана на делении материала на четыре основные части: «Инновация», «Создание», «Баланс» и «Решение проблем». Первая часть посвящена генерации идей и поиску нестандартных подходов, вторая – методам и инструментам проектирования, третья – обеспечению справедливости и равновесия в игровом процессе, а четвертая – практическим рекомендациям по устранению возникших трудностей. Такая структура позволяет систематизировать знания и применять их в реальных проектах. Правда, каждый из принципов описан букально на одной-двух страницах, за которыми часто стоят целые книги или научные работы, что упоминают авторы - это приводит к тому, что по настоящему разобраться в теме по этой книге не получится. Но зато вы узнаете или вспомните многие ключевые принципы дизайна и проектирования

Вот примеры важных принципов, о которых говорится в игре
1. A/Симметрия геймплея и синхронность
Данный принцип строится на гармоничном взаимодействии всех элементов игры, что обеспечивает равновесный и предсказуемый игровой процесс. Симметрия может проявляться в различных аспектах игры – от расположения игроков на карте до распределения ресурсов и возможностей. Синхронность же касается временных аспектов игрового процесса, определяя, действуют ли игроки одновременно или по очереди. Правильно спроектированное сочетание этих элементов создает ощущение справедливости и сбалансированности, что критически важно для поддержания интереса игроков.
2. Типы игроков по Бартлу
Понимание различных категорий игроков помогает адаптировать игровую механику под индивидуальные предпочтения и мотивы аудитории. Ричард Бартл предложил классификацию игроков, разделив их на основные типы в зависимости от их мотивации и стиля игры. Знание этой теории позволяет разработчикам создавать игры, которые будут интересны различным категориям игроков, предлагая разнообразный контент и механики, удовлетворяющие различные психологические потребности аудитории. Это особенно важно для многопользовательских игр с широкой целевой аудиторией.
3. Кооперация и противостояние
Принцип раскрывает баланс между коллективной работой и индивидуальной борьбой за лидирующие позиции, способствуя развитию как командного духа, так и здоровой конкуренции. Разработчики могут использовать различные механики для поощрения сотрудничества или конкуренции в зависимости от целей игры. Правильное сочетание этих элементов создает динамичный геймплей, где игроки могут выбирать стратегии в зависимости от ситуации, что увеличивает реиграбельность и вариативность игрового опыта.
4. Правило 80/20
Данный принцип акцентирует внимание на том, что основная ценность игры сосредоточена в небольшом числе ключевых элементов, что позволяет оптимизировать игровые ресурсы. Это правило, известное также как принцип Парето, применяется в гейм-дизайне для определения приоритетов разработки. Оно подразумевает, что 80% удовольствия игроков происходит от 20% контента игры. Понимание этого помогает разработчикам сконцентрироваться на наиболее значимых аспектах игры, оптимизируя время и ресурсы на разработку.

Прододжение обзора этой книги в следующем посте.

#Games #Design #Architecture #Economics #Engineering

[2/2] 100 Principles of Game Design (100 принципов гейм-дизайна. Универсальные принципы разработки и решения проблем) (Рубрика #Design)

Продолжая рассказ про эту книгу с принципами дизайна (1 и 2), покажу еще примеры принципов и расскажу об источниках дополнительных знаний, на которые ссылаются авторы. Но начнем с принципов

1. Циклы обратной связи
Регулярный анализ и корректировка игровых процессов позволяют поддерживать баланс и динамичность игрового опыта. Циклы обратной связи могут быть положительными (усиливающими определенное поведение) или отрицательными (сдерживающими). Правильно спроектированные циклы обратной связи помогают поддерживать напряжение в игре, предотвращая как слишком быстрое доминирование сильных игроков, так и безнадежное отставание слабых. Понимание этих механизмов критически важно для создания справедливой и увлекательной игровой динамики.
2. Основной геймплейный цикл
Повторяемость и структурированность базовых игровых этапов создают фундамент для устойчивости и вовлеченности игрока. Основной геймплейный цикл определяет ключевые действия, которые игрок выполняет снова и снова в процессе игры. Хорошо спроектированный цикл должен быть достаточно простым для быстрого освоения, но при этом глубоким для длительного интереса. Он служит основой всего игрового процесса, и его качество напрямую влияет на общее впечатление от игры.
3. Дизайн опыта
Данный принцип фокусируется на создании уникальных и запоминающихся эмоций через продуманные визуальные и звуковые эффекты. Вместо простого набора механик и правил, современный гейм-дизайн рассматривает игру как целостный опыт, который должен вызывать определенные эмоции и состояния у игрока. Этот подход требует интеграции всех аспектов игры – от сюжета и визуального стиля до звукового сопровождения и игровых механик – для создания цельного и эмоционально насыщенного игрового опыта.
4. Повествование через окружение
Использование окружающей среды для передачи сюжетной информации позволяет создать глубину и атмосферность без излишней экспозиции. Этот принцип предлагает альтернативный подход к повествованию, отличный от традиционных диалогов и катсцен. Через тщательно спроектированные игровые локации, детали интерьера, записки, аудиозаписи и другие элементы окружения игроки могут самостоятельно собирать фрагменты истории, что повышает их вовлеченность и поощряет исследование игрового мира.

А вот упоминаемые в книге источники, оказавшие влияние на формирование принципов современного гейм-дизайна
1. Книга "A Theory of Fun for Game Design»", Раф Костер, 2004 год - основополагающий труд, объясняющий природу удовольствия от игрового процесса через призму когнитивной психологии и нейробиологии.
2. Книга "Frames of Mind: The Theory of Multiple Intelligences", Говард Гарднер, 1983 год - теория множественного интеллекта, адаптированная для понимания разнообразия игровых предпочтений аудитории.
3. Статья "Hearts, Clubs, Diamonds, Spades: Players Who Suit MUDs", Ричард Бартл, 1996 год и книга "Designing Virtual Worlds", Ричард Бартл, 2003 год - классификация игроков по Бартлу
4. Доклад "Why We Play Games: 4 Keys to More Emotion", Николь Лаццаро, 2004 год - модель "4 Keys 2 Fun"
5. Книга "The Art of Game Design: A Book of Lenses", Джесси Шелл, 2008 год - работа, повлиявшая на методы анализа игровых механик.
6. Концепция "The Laws of Occult Game Design", Дэвид Говард - без отдельной публикации
7. Книга "Homo Ludens", Йохан Хёйзинга, 1938 год - философское исследование игры как культурного феномена

#Games #Design #Architecture #Economics #Engineering

Postgres против MySQL: что решает выбор базы данных | Петр Зайцев (Рубрика #Engineering)

Посмотрел интересное двухчасовое интервью Петра Зайцева, создателя компании Percona. Такое ощущение, что вернулся в начало карьеры, когда особо еще не было облаков и все хвастались тем, как они свой Mysql готовят к высоким нагрузукам:) Ну а если серьезно, то Кирилл Мокевнин, автор подкаста, и Петр Зайцев за 2 часа успели обсудить кучу тем, среди которых

1. Эволюция и история развития баз данных и компаний
Ребята вспоминали истории Percona, MySQL, PostgreSQL, MariaDB, а также влияние крупных игроков (Oracle, Sun) на рынок и развитие экосистемы баз данных.
2. Бизнес-модели и монетизация open-source
Обсудили особенности бизнес-моделей Percona, MySQL, вопросы монетизации open-source-проектов, проблемы коммерциализации и поддержка клиентов.
3. Технические отличия и сравнение MySQL и PostgreSQL
Базово сравненили архитектуры, производительности, типов данных, масштабируемости, соответствия стандартам SQL, особенностей работы с большими данными и сложными запросами.
4. Влияние облачных технологий
Обсудили роль облаков (Amazon, Google Cloud, Яндекс.Облако), опыт миграций, плюсы и минусы облачных решений, вопросы доверия и безопасности, влияние санкций и переход на европейские облака.
5. Миграция между СУБД и связанные сложности
Привели примеры перехода с Oracle на PostgreSQL, сложности миграции крупных проектов, зависимость от типа приложения, риски и опыт успешных/неудачных миграций.
6. Рынок, конкуренция и экосистема баз данных
Описали рост рынка, появление новых игроков (Redis, MongoDB, InfluxDB), конкуренция между решениями, роль форков и коммерческих версий, а также поддержка множества СУБД для удовлетворения разных потребностей.
7. Роль и влияние крупных компаний и специалистов
Поговорили про влияние Oracle, Amazon, Google на рынок, формирование профессиональной элиты, обучение специалистов, создание монополий и альтернативных решений.
8. Технические аспекты и особенности работы с СУБД
Поговорили про движки баз данных, вспомнили MyISAM, а также InnoDB, а также как на этом поднялась Percona Server. Поговорили про особенности работы с транзакциями, блокировками, индексами, поддержка расширенных типов данных и языков программирования.
9. Проблемы безопасности, управления и надежности
Вспомнили примеры сбоев, хакерских атак, важность резервного копирования, меры по обеспечению безопасности и управления данными в облаке и on-premise.
10. Будущее рынка и тенденции развития
Обсудили темы разнообразия баз данных, появление специализированных решений (Vector Search, Redis), влияние разработчиков и облаков на выбор технологий, перспективы развития PostgreSQL и других СУБД.

В общем, я выпуск посмотрел с удовольствием:)

#Database #Engineering #Architecture #Management #Software #Data

Exclusive: the most-cited papers of the twenty-first century (Рубрика #Science)

Интересная статья от Nature, в которой авторы попробовали подсчитать самые цитируемые статьи 21 века. Точно подсчитать было довольно сложно, так как существует целая пачка ресурсов, что считают цитирования по своему, но авторы взяли взвешенный подход. Кроме того, в области computer science и ML довольно часто авторы сначала публикуют препринты, а потом эти же статьи публикуются по итогам конференций, в итоге, часто ссылки на препринт версии не учитываются при расчетах цитируемости основной статьи.

Из интересного можно отметить, что в 25 лучших статей попало много ML статей, вот их список с занимаемыми ими местами
1. Deep Residual Learning for Image Recognition (ResNet), (2016), He, K., Zhang, X., Ren, S., & Sun, J.
Эта статья описывает архитектуру ResNet, которая описывает архитектуру нейросетей с примерно 150 слоями - примерно в 5 раз больше, чем было принято ранее. Эта архитектура позволила преодолеть проблему затухания сигнала при увеличении числа слоев, что стало прорывом для развития глубокого обучения и последующих достижений в ИИ, таких как AlphaGo, AlphaFold и ChatGPT.
6. Random forests ,(2001), Leo Breiman
Эта работа представляет алгоритм машинного обучения, который существенно улучшил предыдущие методы ансамблей деревьев решений. В этой работе описан новый способ построения ансамбля: множество независимых деревьев решений обучаются на случайных подвыборках данных и случайных подмножествах признаков, а итоговое решение принимается большинством голосов (для классификации) или усреднением (для регрессии)
7. Attention Is All You Need, (2017), Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin
В этой статье исследователи из Google представили архитектуру Transformer, которая произвела революцию в обработке естественного языка и других последовательных данных. Главной инновацией стал отказ от рекуррентных нейронных сетей в пользу механизма self-attention (самовнимания), позволяющего модели определять важность каждого элемента последовательности относительно других и учитывать контекст на любом расстоянии.
8. ImageNet Classification with Deep Convolutional Neural Networks (2012), Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton
В этой статье описывалась архитектура AlexNet - глубокая сверточная нейронная сеть (CNN), которая совершила прорыв в компьютерном зрении, победив в конкурсе ILSVRC-2012 с ошибкой top-5 в 15.3% против 26.2% у ближайшего конкурента. AlexNet продемонстрировал, что глубокие CNN, обученные на больших данных, способны распознавать объекты с высокой точностью даже без ручной настройки признаков, заложив основы современного глубокого обучения
12. U-Net: Convolutional Networks for Biomedical Image Segmentation (2015), Olaf Ronneberger, Philipp Fischer, Thomas Brox
Эта статья представила революционную архитектуру для сегментации биомедицинских изображений, сочетающую кодирующий путь (свёрточные слои для извлечения признаков) и симметричный декодирующий путь (транспонированные свёртки для восстановления разрешения), соединённые skip-связями для сохранения пространственной информаци
16. Deep learning (2015), Yann LeCun, Yoshua Bengio, Geoffrey Hinton
Обзорная статья про глубокое обучение от корифеев этой темы
24. ImageNet: A large-scale hierarchical image database (2009), Jia Deng; Wei Dong; Richard Socher; Li-Jia Li; Kai Li; Li Fei-Fei
Статья описывает создание масштабной базы данных изображений ImageNet, организованной по иерархии WordNet. Цель проекта - собрать для большинства из 80 000 синсетов WordNet по 500–1000 полноразмерных и тщательно размеченных изображений, что обеспечивает десятки миллионов аннотированных примеров. Интересно, что в 8 статье AlexNet показывала свои топ-результаты как раз обучаясь на ImageNet.

P.S.
Кстати, если посмотреть на остальные топ-статьи, то там много статей про медицину в общем и рак в частности, а также про софт, который использовался для ведения исследований.

#Science #ML #AI #Software #Engineering

[1/3] BitsAI-CR: Automated Code Review via LLM in Practice (Рубрика #AI)

Интересная научная статья от ByteDance, создателя TikTok на тему автоматизированного code review с использованием GenAI. Интересно, что чуть раньше я уже разбирал как Google подходит к этому вопросу при разборе "Resolving Code Review Comments with Machine Learning" в трех частях: 1, 2 и 3. Но у ребят из ByteDance немного другой подход - они сделали систему, в которой LLM пишет на MR (merge requests) комментарии в code review, а у ребят из Google сам комментарий писал инженер, а LLM делало code suggest, который предлагал фикс, что соответствует этому комментарию. Но давайте посмотрим какие проблемы авторы из ByteDance пытались решить, создавая BitsAI-CR:
- Избавиться от трудоемкого узкого места в виде традиционного code review
- Устранить ошибки и непоследовательности в комментариях при code review

Вообще, тема использования LLM для code review плодотворна, но там есть проблемки, которые авторы учли и попробовали устранить (кстати, в списке ссылок больше 50 других научных статей, десяток из которых про code review)
1. Низкая точность и надёжность: многие LLM-решения генерируют неточные или нерелевантные комментарии, тратя время разработчиков.
2. Недостаточная практичность: текущие системы часто не дают полезной обратной связи, которую реально используют разработчики.
3. Отсутствие механизма постоянного улучшения: большинство решений не учатся на обратной связи пользователей и не эволюционируют со временем.

Для решения этих проблем авторы придумали архитектуру из двух частей, что сочетает высокоточный pipeline генерации комментариев к review и механизм data flywheel. Такой подход не только выявляет потенциальные проблемы в коде с высокой точностью, но и запускает цикл постоянного улучшения на основе реальной обратной связи от разработчиков. Интересно, что для генерации комментариев используется таксономия правил code review, где есть категории security vulnerability, code defect, maintainability and readability, performance issue.

Давайте заглянем в то, как устроен каждый из двух компонентов модели

Review Comment Generation Pipeline
Pipeline работает в четыре последовательных этапа:
1. Context Preparation: на этом этапе входные изменения кода структурируются для дальнейшего анализа. Изменения разбиваются на сегменты по header hunks, добавляются полные определения функций - это даёт LLM достаточно контекста для качественного анализа.
2. RuleChecker: это дообученная LLM, обученная на широкой таксономии из 219 правил review. RuleChecker выявляет потенциальные проблемы в каждом сегменте кода, классифицируя ошибки по типам: уязвимости, проблемы производительности, нарушения стандартов кодирования и др. На выходе - первоначальные комментарии к review.
3. ReviewFilter: этот слой верификации - ключевой механизм контроля качества, который фильтрует ложные срабатывания и галлюцинации RuleChecker. ReviewFilter - тоже дообученная LLM, использующая три паттерна рассуждений: Direct Conclusion, Reasoning-First, Conclusion-First. После тестов наиболее эффективным оказался Conclusion-First - он лучше всего балансирует точность и производительность.
4. Comment Aggregation: на этом этапе схожие комментарии группируются с помощью cosine similarity, чтобы не перегружать разработчиков дублирующей обратной связью. В каждой группе сохраняется один представитель.

Вторую часть модели, а также подход к обучению и результаты внедрения мы рассмотрим в следующем посте.

#Software #AI #Engineering #Process #DevEx

[2/3] BitsAI-CR: Automated Code Review via LLM in Practice (Рубрика #AI)

Продолжаем рассмотрение интересного whitepaper о code review со второй части модели, а именно механизму data flywheel

Data flywheel — это системный подход к постоянному улучшению за счёт:
1. Annotation Feedback Integration: BitsAI-CR собирает и использует обратную связь пользователей для дообучения и улучшения датасетов.
2. Outdated Rate Measurement: введён новый метрик — Outdated Rate, который измеряет процент строк кода, изменённых после того, как BitsAI-CR их пометил. Это даёт объективную оценку того, насколько часто разработчики реально принимают предложения системы.
3. Dynamic Rule Adjustment: cистема постоянно корректирует правила review на основе точности и Outdated Rate, убирая те, что генерируют малоценные комментарии (низкий Outdated Rate при высокой точности).
Вместе эти компоненты создают цикл обратной связи, который шаг за шагом повышает качество code review на основе реального поведения разработчиков.

Авторы применили продвинутую стратегию обучения и оптимизации BitsAI-CR, включающую несколько ключевых элементов:
- В качестве базовой модели выбран Doubao-Pro-32K-0828 (собственная LLM ByteDance), что обусловлено требованиями безопасности и приватности данных. Размер последовательности выбран 8192 токена, так как 99% примеров review укладываются в этот лимит.
- Для дообучения RuleChecker и ReviewFilter использовалась техника LoRA (Low-Rank Adaptation)
- Также они учились на основе подробной таксономии правил code review, что дало
-- Структурированную основу для выявления и классификации проблем в коде
-- Системный сбор и разметку данных для обучения
-- Чёткие критерии для оценки качества системы
- Такой подход показал себя эффективным: BitsAI-CR, обученный на таксономии, достиг точности 57.03%, тогда как версия без таксономии (на случайных человеческих review) — лишь 16.83%.

Для оценки модели авторы новую метрику - Outdated Rate, измеряющий долю строк кода, изменённых после комментариев BitsAI-CR. Это позволяет:
1. Автоматически оценивать реальное влияние комментариев на практике
2. Понимать, насколько предложения системы действительно внедряются разработчиками
Такой подход закрывает недостатки традиционных метрик точности, которые требуют ручной разметки и не отражают реальную пользу для бизнеса.

При внедрении в production система показала впечатляющие технические результаты
1. Точность (Precision): Без таксономии и двухступенчатой архитектуры точность была около 25%. После внедрения этих элементов точность RuleChecker выросла с 27.9% до 62.6%, а ReviewFilter — с 35.6% до 75.0%. Это доказывает эффективность двухступенчатой архитектуры в снижении ложных срабатываний.
2. Outdated Rate: Для языка Go (основного в ByteDance) Outdated Rate вырос до 26.7% через 18 недель оптимизации. Для сравнения, у людей этот показатель колеблется между 35-46%. Постепенное приближение к человеческому уровню — свидетельство практической ценности BitsAI-CR.

Кроме того, BitsAI-CR быстро стал частью процесса разработки:
1. Аудитория: Более 12 000 Weekly Active Users (WAU), свыше 210 000 Weekly Page Views (WPV) — система интегрирована в рабочий процесс.
2. Retention: Retention на второй неделе — 61.64%, через восемь недель — около 48%. Это первый опубликованный бенчмарк retention для подобных инструментов code intelligence.
3. Оценка пользователей: В опросе (N=137) и интервью с экспертами (N=12) 74.5% (102/137) пользователей подтвердили пользу и эффективность BitsAI-CR.
Все эксперты отметили пользу BitsAI-CR, указав на пожелания по скорости, кастомизации и поддержке языков.

Авторы обозначили чёткие планы по развитию BitsAI-CR:
1) Расширение языковой поддержки до всех языков программирования, а не только пяти основных.
2) Улучшение контекстного понимания. Сейчас BitsAI-CR анализирует код на уровне функций с ограниченным контекстом. В планах — кросс-файловый анализ (cross-file review), чтобы находить проблемы, связанные с архитектурой и зависимостями между файлами.
3) Постоянное развитие и доработки системы

#Software #AI #Engineering #Process #DevEx