Про 2 типа корпоративных культур.

Уже какое то время в беседах о эффективности и подходах к решению задач противопоставляю культуру из Y культуре из С. (Ну вы поняли про компании, да?)

Типа вот там-то в Y - там "ООО!"
А тут в С оно воооон как! Потому оно и оно.

Но оказалось, что это и внутри компании меняется - в разных подразделениях разная культура.

Лучше сформулировать получится, если представить себя руководителем и сказать одно и то же, но в разных культурах:
1. Вот есть задача, вот есть срок, да его мало, но делайте как хотите, но чтобы всё вовремя!
2. Вот есть задача, вот есть срок, я знаю процесс и понимаю, что если в этом месте поднажмем, тут начнем в параллель, итог синхронизируем - точно получится в срок.

Видно разницу? Сказано же одно и то же - сделать задачу в срок.

Погружаясь в новый проект инвестирую время в понимание деталей производственного процесса чтобы точно знать «до молекул» как работают команды, где можно поднажать, где отполировать процессы и коммуникации, чтобы выстроить культуру по 2 типу.
Удовольствие это конечно дорогое, но на мой взгляд того стоит.

Вам какая формулировка ближе?
А какую слышите чаще?

Обнаружил себя в состоянии, лишенном желания писать новые посты.🙈
Триггеров к тому было несколько: во первых - хорошо проведенный цифровой детокс в новогодние каникулы, а во вторых - ИИ сломало моё желание.⛓️‍💥
Я был весьма очарован и воодушевлен возможностями LLM по проверке, стилистическим правкам текста. Ну правда же хорошо помогают.🧨🧨🧨
Посидел, собрал промпты, дававшие хорошие результаты в улучшении читабельности постов. Но чуть позже я заметил - не нравится. Текст и смыслы стали размываться, как фотографии прогнанные сквозь Барби-фильтр.🤡
Скорее инструмент не виноват - еще дам ему шанс.

А вы как? Доверяете ИИчнице безоглядно?

Комментарии к прошлому посту напомнили мне зачем веду этот блог и пишу в Telegram.

Моя цель - развивать навык ясного изложения информации. Написание постов и статей - это моя регулярная практика, своего рода упражнение.

Чтобы прогрессировать, я активно использую нейросети. Мой алгоритм прост: я передаю ИИ свой текст с просьбой оценить его, дать рекомендации и предложить улучшения. Через такие итерации я оттачиваю свое умение доносить мысли.

Почему это так важно? Представьте себе теплоизоляцию. Ее задача - минимизировать потери тепла по пути к батарее в вашей комнате. Так и с коммуникацией: понятность изложения резко повышает «КПД общения» и снижает общие издержки. Время - ценный ресурс, и эффективная коммуникация его экономит.

Где еще критически важна понятность?
Прямо сейчас я участвую в одном из таких ресурсоемких процессов - подготовке презентаций для руководителей высокого уровня. Здесь инвестируется огромное количество дорогого времени руководителей.

Работа над презентацией похожа на работу над текстом, но добавляется ещё и визуальный слой. Часто стремление "вложить" в слайды как можно больше приводит к обратному эффекту: информация перестает быть понятной и доступной.

К чему я всё это говорю?
Прокачка навыка создания понятных и эффективных презентаций - одна из моих целей на 2026 год.

Думаю как максимально полезно применить инструменты искусственного интеллекта и в этой сфере.

Восстановление прав администратора WordPress

Обновлений выходит множество.

Я уже много писал про то, что чтобы что-то сделать в проекте или на сайте — сначала делаешь резервные копии и ставишь обновления.

Одно из таких обновлений WordPress лишило мои учетные записи прав администратора.

Как вернуть?

Вариант 1 (спойлер — не сработал)

Подключившись к базе данных WordPress делаем:

SELECT * FROM wp_users WHERE user_login=’admin’;

SELECT * FROM wp_usermeta WHERE user_id=1 AND meta_key=’wp_capabilities’;

UPDATE wp_usermeta SET meta_value=’a:1:{s:13:»administrator»;b:1;}’ WHERE umeta_id=NN LIMIT 1;

У меня и так эти значения были.

Создание новой учетки и добавление и ей прав по этому алгоритму тоже не помогло.

Вот еще несколько неработающих методов: https://sinyavsky.com/vosstanavlivaem-dostup-wordpress/…

https://iostech.ru/2026/01/восстановление-прав-администратора-wordp/

Вчера я захотел себе новый домашний ноут.
Мощный! Мощнейший! Мне было надо много мощи! Нужна вся мощь!!!

А зачем?

После перехода Apple на свои процессоры и того, что Parallels desktop для работы мне не нужен вопрос мощности ноутбука вообще не стоял, но в ходе изучения материалов по n8n нашел прекрасную докер-сборку, прекрасную как швейцарский нож для начинающего.

https://github.com/n8n-io/self-hosted-ai-starter-kit

Если внимательно сделать настройки по инструкции - получите готовую к работе среду n8n, векторную базу данных и локальную установку llama,интегрированную и готовую к работе между собой.
Но вот ресурсов для локально запускаемой LLM,работающей на CPU надо побольше.

Думаю теперь... инвестировать в железо для экспериментов или переключаться на облачные LLM и работать по API.

Сборку рекомендую на попробовать.
Для образовательных целей прям огонь!

Установили и запустили мы локальную LLM, работает она с сервисами и агентами по API.

Но хочется же большего?

Поговорить хочется. (Не будем обсуждать причины возникновения желания разговаривать с неодушевленным предметом)

А давайте прикрутим Open WebUI - интерфейс для общения с
Нейросеткой - Ollama в нашем случае.

Просто дорабатываем docker-compose.yml

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    volumes:
      - ollama:/root/.ollama
    ports:
      - 11434:11434
    restart: unless-stopped

  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    volumes:
      - open-webui:/app/backend/data
    ports:
      - 3000:8080
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    depends_on:
      - ollama
    restart: unless-stopped

И на адресе //localhost:3000 у вас заведется ваша LLM.
Выбирайте версию модели и пробуйте.

Вот так я себе план на выходные накидал - разобраться с этим получше. И вы попробуйте!

Как развиваться в условиях сложного рынка труда для всех, и для ИТ профессионалов в частности?
Качаться!
Тренд требований к навыкам неумолимо сместился от T-shaped специалистов к M-shaped. При том "почитать что-то" про смежные инструменты уже не выйдет.

Пример требований (набросали на салфетке)

- Jenkins - разработка автоматизированных пайплайнов 
- k8s - умение подготовить приложение и оркестратор к автоматическому разворачиванию
- программирование (умеет сам писать код без шпаргалки на любом языке - баш питон)
- использование ИИ инструментов для разработки, автоматизации (курсор, и аналоги) 
- разработка дешбордов в графане 
- …еще … логи, монитоинг, Кафка, нжинкс, …

К каждому требованию - градация навыков. Не только в уровне знаний, но и опыте использования.

Вот и тренд - качаться и собирать "летные часы" и портфолио реализованных проектов.

Пока мы с коллегами пробуем и внедряем в работу AI инструменты, Агентную разработку и всячески обсуждаем пути сокращения издержек на написание кода и создание продукта с помощью инструментов из 21 века, приходят такие вот сообщения из века прошлого:

Добрый день! Меня зовут XXX, it компания S----ft. Рабочий вопрос:  вы привлекает внешних IT специалистов на проекты? 

Подберем сотрудника под требования компании и передадим на аутстаф. 

У нас свыше 1700 сотрудников (бэк/фронт, тестировщики, аналитики, архитекторы, дизайнеры, DevOps, QA специалисты … и др).

Такой формат рабочий?😉

И второй формат взаимодействия - это разработка программного обеспечения. За 20 лет мы реализовали свыше 1500 проектов, если есть идеи 💡 - обращайтесь.

Милочка, если у меня будут идеи - я пойду вайбкодить прототип, и это у меня займет времени меньше чем я буду объяснять вам что я хочу.
Ну ок, может я и экстремальный случай, но я правда вижу отрасль ИТ аутсорсинга отмирающей, точнее замещаемой ИИ существенно повышающим эффективность работы.
Даже любопытно чем аутсорсеры могут ответить? Вымрут?

Думскроллинг бывает разный, я вакансии листал.
Собирал требования к вакансиям по интересующему меня направлению.
Собрал и обработал больше 20 требований к вакансиям, получилось вот что:

1. Опыт и образование (Hard Requirements)

- Образование: Высшее техническое (IT, прикладная математика, физика, Data Science).
- Опыт в IT: 5+ лет коммерческой разработки.
- Опыт в AI/ML: 3+ года практической работы, включая не менее 1-2 лет с фокусом на NLP/LLM.
- Опыт лидерства: От 1 года в роли Tech Lead, Team Lead, Архитектора или ведущего разработчика с менторскими обязанностями. Опыт формального управления командой (3+ человека) -- сильный плюс или требование для части вакансий.
-**Обязательный** опыт проектирования, разработки и, что критично, вывода в production сложных ML/AI-систем. Опыт работы в строго регламентированных областях (банки, финтех) 
2. Техническая экспертиза в AI/ML (Core)

- Глубокие знания в NLP/LLM:

    - Понимание архитектур (Transformer, GPT, BERT) и современных моделей (GPT-4, Llama, Mistral, Qwen).

    - Практический опыт построения RAG-систем (data ingestion, chunking, embeddings, векторный и гибридный поиск, re-ranking).

    - Практический опыт разработки AI-агентов (LangChain, LangGraph, OpenAI Assistants) с использованием tool/function calling, управлением состоянием (state management).

    - Понимание и опыт применения методов оптимизации: промпт-инжиниринг, тонкая настройка (fine-tuning), включая параметро-эффективные методы (**LoRA, QLoRA**).
- Классический ML: (классификация, регрессия, кластеризация, scikit-learn, XGBoost).
- Фреймворки и библиотеки: PyTorch и/или TensorFlow, Hugging Face ecosystem.

3. Инженерия, Архитектура и DevOps/MLOps (Delivery)

- Язык программирования: Python. для построения веб-сервисов (FastAPI, Flask)
- Backend и API:, опыт проектирования REST, gRPC, GraphQL API. webhooks
    - Обязательно: Docker, Kubernetes (K8s).

    - Работа с брокерами сообщений: Kafka (или RabbitMQ, Redis) - MLOps (критически важно):

    - CI/CD для ML-систем.

    - MLFlow (или Weights & Biases).

    -  ELK-стек для отслеживания метрик инфраструктуры и качества моделей в реальном времени
- Облачные платформы: (**AWS, GCP, Azure, Yandex Cloud**) и их AI-сервисами.

4. Data Engineering (Fundamentals)

- Базы данных: Уверенное знание SQL  Опыт работы с векторными БД (Pinecone, Weaviate, Qdrant, pgvector) и традиционными (PostgreSQL, ClickHouse).
- Управление данными: Опыт построения ETL/ELT**-пайплайнов. Опыт с **Airflow/Prefect.
- Архитектура данных: Data Warehouse, Data Lake, Data Mesh 
- Качество данных (DQ):

5. Софт-скиллы и Лидерство (Leadership)

- Коммуникация: Четкая коммуникация с техническими и нетехническими стейкхолдерами. Работа в кросс-функциональной среде.
- Английский язык: Уровень B2 (Upper-Intermediate) и выше.
Желательные требования и "плюшки" (Differentiators)

- Дополнительные AI-домены: Опыт в Computer Vision или построении мультимодальных систем.
- Углубленный MLOps: Опыт с Feast (feature store), Kubeflow, vLLM/TGI для высокопроизводительного инференса LLM.
- Data Governance: Знание инструментов каталогизации данных (**OpenMetadata, DataHub**).
- Смежные стеки: Базовое понимание других технологических стеков (например, C#/.NET, Java) для эффективной коммуникации.
- Администрирование: Уверенные навыки администрирования Linux.
- Регуляторика: Понимание основ регуляторики (GDPR, ФЗ-152) в контексте данных и AI.

Ядро требований - глубокая экспертиза в LLM + сильная production-инженерия (MLOps) + лидерские качества.

Интересная цитата, которую я теперь буду приводить в ответ на вопросы о том зачем я так много времени инвестирую в изучение ИИ :

В 2022 году ИИ не мог надежно выполнять базовую арифметику. Он с уверенностью скажет вам, что 7 × 8 = 54.
К 2023 году он может сдать экзамен на адвоката.
К 2024 году он сможет писать рабочее программное обеспечение и объяснять науку на уровне выпускников.
К кону 2025 года некоторые из лучших инженеров в мире заявили, что они передали большую часть своей работы по кодированию ИИ.
5 февраля 2026 года появились новые модели, которые заставляли все до них чувствовать себя как в другую эпоху.

Со времён моего первого MBA в Вышке со мной живёт одна цитата:

 «Нужно бежать со всех ног, чтобы только оставаться на месте, а чтобы куда-то попасть, надо бежать как минимум вдвое быстрее!» — Льюис Кэрролл.

Поэтому я постоянно учусь, что-то меняю, что-то улучшаю.
Как понять, что ты уже действительно продвинулся и уровень прокачался?
- Ну да, тесты прошёл.
- Ну да, начал применять новое в работе или в проектах.
А как откалиброваться относительно таких же, как ты, бегунов за развитием?
Недавно в рассылке мне прилетело приглашение поучаствовать в «Цифровом марафоне» от «Школы 21» — бесплатной школы цифровых технологий от Сбера.
https://it-marathon.21-school.ru/
Да, это займёт время, но это уже почти спорт.

Попробуйте! Думаю, будет весело и точно даст вам ориентир куда дальше копать!

Кстати, для практиков - сегодня стартует конфа по оценке эффектов от внедрения ИИ инструментов. Как по мне - это тема 2026 года. Планирую послушать - позадавать вопросы.
https://ai-pnl.com