Первый «ИИ-стажёр» от OpenAI ожидается уже к сентябрю, а полноценная система запланирована к 2028 году.

Благодаря развитию reasoning-моделей и агентных систем вроде Codex, такие инструменты уже показывают резкий рост продуктивности — задачи, которые раньше занимали недели, теперь решаются за дни. Однако они всё ещё сталкиваются с проблемами надёжности и безопасности.

Тем не менее, OpenAI движется по пути создания полностью автономных исследователей.

https://x.com/techreview/status/2034969397513629914

🎯Полезные Мл-ресурсы 🚀 Max

@data_analysis_ml

🔥 Что на самом деле хотят услышать на DevOps собесе

На собеседованиях по DevOps очень любят спрашивать: "Как у вас устроен мониторинг в проекте?"

И многие отвечают слишком коротко:
Prometheus, Grafana, CloudWatch.

Ответ вроде правильный.
Но для сильного собеседования этого мало.

Интервьюеру обычно важно понять не просто названия инструментов, а всю цепочку:

- как собираются логи
- куда они попадают дальше
- как долго хранятся
- как собираются метрики
- как считается SLA
- и почему архитектура сделана именно так

Именно это показывает разницу между человеком, который просто пользовался готовым стеком, и тем, кто реально поднимал мониторинг в production.

Например, в enterprise-проекте на EKS мониторинг может выглядеть так:

Есть два типа нагрузок:
- микросервисы на Fargate
- stateful-приложение в StatefulSet

И подход к ним разный.

Для Fargate удобно использовать OpenTelemetry add-on.
Он автоматически собирает логи со всех Fargate-подов и отправляет их в CloudWatch. Это простой и удобный вариант, когда не хочется отдельно городить сбор логов внутри каждого сервиса.

Для StatefulSet чаще нужен более гибкий контроль.
Тут можно использовать Fluent Bit как sidecar-контейнер:
он читает логи из общего тома, фильтрует их, форматирует и отправляет в CloudWatch.

Это особенно важно в банках и других регулируемых системах, где есть требования к структуре логов, аудиту и хранению данных.

Дальше пайплайн может быть таким:

CloudWatch → Lambda для форматирования → Kinesis Firehose → OpenSearch

Зачем это нужно:

- Lambda может нормализовать и обогащать логи
- Firehose умеет батчить и стабильно доставлять данные
- OpenSearch удобен для поиска и анализа
- S3 подходит для долгого и дешёвого хранения

Пример хранения:
- 7 дней в OpenSearch
- 30 дней в CloudWatch
- полный архив в S3

С метриками история другая.

Обычно используют Prometheus, который ходит в /metrics каждого приложения, например каждые 30 секунд.

Чтобы Prometheus понимал, что именно скрейпить в Kubernetes, для сервисов настраивают ServiceMonitor.

Дальше Grafana показывает всё в дашбордах.

Хорошая практика - свести в Grafana сразу несколько источников:
- Prometheus для технических метрик
- CloudWatch для инфраструктуры и логов
- OpenSearch для поиска по событиям и ошибкам

Тогда в одном месте можно увидеть:
- CPU и memory
- latency и error rate
- логи по времени инцидента
- состояние сервиса по SLA

И вот тут начинается взрослая часть мониторинга.

SLA - это не абстрактная цифра на слайде.
Это конкретный лимит простоя.

Например, 99.1% uptime в месяц означает, что сервис может быть недоступен примерно 6.4 часа за месяц.

Если это вынесено в Grafana, то и команда, и бизнес видят состояние системы в реальном времени, а не узнают о проблеме постфактум.

Поэтому на собеседовании лучше рассказывать не просто набор инструментов, а целую историю:

не "у нас Prometheus и Grafana",
а "вот как у нас собираются логи, вот куда они идут, вот почему выбран именно такой маршрут, вот как мы храним данные, вот как считаем SLA и что видит бизнес".

Именно такой ответ звучит как опыт production-уровня.

https://uproger.com/samyj-populyarnyj-vopros-na-sobesedovaniyah-devops-kak-u-vas-ustroen-monitoring-v-proekte/

🎮 Учись программировать через игры — это реально работает

Если скучно учить код по книжкам - попробуй формат, где ты сразу применяешь знания на практике

Вот 10 крутых платформ:

1. Kubernetes
http://k8sgames.com

2. DevOps
http://devops.games

3. Linux
http://overthewire.org

4. Git
http://ohmygit.org

5. Python
http://codecombat.com

6. CSS & HTML
http://codepip.com

7. Кибербезопасность
http://picoctf.org

8. Мобильное обучение (как Duolingo)
http://sololearn.com

9. Для новичков с нуля
http://scratch.mit.edu

10. 25+ языков программирования
http://codingame.com

Почему это работает:

- сразу практика, а не теория
- есть цель и геймификация
- быстрее запоминается
- не выгораешь

Если ты только начинаешь или застрял -
это один из самых быстрых способов прокачаться

⚡️ Claude Code бесплатно -появился мощный аналог OpenCode

Вышел open-source агент, который уже разогнался до 126 000+ звёзд и по возможностям практически не уступает оригиналу.

Что внутри:
• может автоматизировать разработку от лендингов до сложных сервисов
• поддерживает десятки моделей: OpenAI, Google, Mistral, локальные и др. (70+ провайдеров)
• запускается прямо из терминала — без лишней обвязки
• управляется даже с телефона — можно ставить задачи на ходу

По сути, это уже не просто инструмент,
а полноценный AI-агент для разработки.

Если следишь за трендом на vibe-coding - must try.

https://github.com/anomalyco/opencode

⚡️ ByteDance нашли способ сделать MoE-модели реально умнее без увеличения стоимости

Современные LLM используют Mixture-of-Experts (MoE): задачи распределяются между “экспертами” через специальный роутер.

Проблема?
Роутер по сути угадывает.
Он не знает, какой эксперт в чём действительно силён.

👉 В итоге:
- часть экспертов недоиспользуется
- часть получает нерелевантные задачи
- модель теряет эффективность

🧠 Что сделали исследователи

Они добавили дополнительное правило обучения (auxiliary loss), которое:
заставляет роутер выбирать экспертов строго по их реальным “навыкам”.

Как это работает:
- в систему подается маленький “тестовый” сигнал
- проверяется, какой эксперт реагирует сильнее
- роутер обучается совпадать с этим выбором

📈 Результат

- модели до 15B параметров
- стабильный рост качества на бенчмарках
- без увеличения latency и стоимости

💡 Почему это важно

Теперь MoE:
- становится более специализированным
- лучше использует вычисления
- дает больше качества за те же деньги

Фактически, это шаг к более “осознанному” распределению интеллекта внутри моделей.

И это может стать стандартом для будущих архитектур.

Paper: Coupling Experts and Routers in Mixture-of-Experts via an Auxiliary Loss
arxiv. org/abs/2512.23447

📢 Docker Workflow просто и понятно

Docker кажется сложным, пока не разложишь его на 5 элементов 👇

1. Docker Client
Это то, с чем ты работаешь каждый день:
команды build, push, pull, run

2. Docker Host + Daemon
“Мозг” Docker на машине
- хранит образы
- запускает контейнеры
- управляет всем процессом

3. Docker Registry
Хранилище образов
(например: MySQL, NGINX, Redis)
Ты либо скачиваешь оттуда, либо пушишь свои

4. Images vs Containers
- Image - это шаблон
- Container - это запущенный image

5. Как всё работает вместе

- build → создаешь image
- push → отправляешь в registry
- pull → скачиваешь image
- run → запускаешь container

💡 Вся магия Docker-— это просто поток:

Client → Daemon → Registry → Container

Если понимаешь этот flow - понимаешь Docker.

Именно это спрашивают на собеседованиях.

🚨 В открытом GitHub утекло 29 миллионов секретов за прошлый год

Пароли. API-ключи. Токены.

И почти всегда это происходит по одной причине, разработчик просто не заметил.

Есть бесплатный инструмент, который ловит такие вещи ДО релиза.

Называется Trivy.

Одна команда и он проверяет весь твой стек:
контейнеры, код, Kubernetes, cloud - всё сразу.

• Без платных тарифов
• Без продажников
• Без “enterprise only”

Просто запускаешь и получаешь отчёт.

Что он находит:

→ уязвимости во всех зависимостях и пакетах
→ пароли, API-ключи и секреты в коде
→ ошибки конфигурации в cloud и контейнерах
→ проблемы с лицензиями
→ полный список всего, что ты деплоишь

brew install trivy
trivy image your-app:latest

Две строки и у тебя полный security-аудит.

https://github.com/aquasecurity/trivy

🤯 AI не даёт роста экономике США? Не всё так очевидно

«Инвестиции в AI почти никак не повлияли на рост экономики США в прошлом году»

- главный экономист Goldman Sachs Ян Хациус

Звучит странно, учитывая миллиарды, которые вливаются в ИИ.

Но вот в чём нюанс 👇

👉 большая часть оборудования для AI (чипы, серверы) импортируется
👉 деньги уходят в экономики других стран — например, Тайваня и Южной Кореи
👉 в ВВП США это почти не отражается

То есть компании тратят огромные бюджеты на AI, но эти расходы “засчитываются” в рост других экономик.

Фактически:

💸 деньги - из США
🏭 производство - за пределами США
📊 рост ВВП - тоже не в США

Это один из первых сигналов, что AI-бум может не так прямо влиять на экономику, как все ожидали.


gizmodo.com/ai-added-basically-zero-to-us-economic-growth-last-year-goldman-sachs-says-2000725380

🔥 16 лучших GitHub-репозиториев для AI-инженера в 2026 (сохрани и не потеряй)

Я собрал 16 ключевых инструментов, которые прямо сейчас формируют стек AI-разработчика 👇

🧠 Агенты и фреймворки

1) OpenClaw
→ персональный AI-агент, работает на твоих устройствах и подключается к 50+ платформам

2) AutoGPT
→ платформа для создания и запуска автономных AI-агентов

3) LangChain
→ база для создания LLM-приложений и агентных систем

4) OpenCode
→ AI-кодинг агент прямо в терминале

🤖 Модели и локальный запуск

5) Hugging Face Transformers
→ главный фреймворк для SOTA моделей (текст, vision, audio)

6) Ollama
→ запуск LLM локально одной командой

7) vLLM
→ быстрый и эффективный inference-движок для продакшена

8) Unsloth
→ ускоренный fine-tuning (x2 быстрее, -70% памяти)

🧩 Инструменты и UI

9) Open WebUI
→ self-hosted альтернатива ChatGPT с RAG и плагинами

10) ComfyUI
→ визуальный workflow для генерации изображений и видео

11) Sim
→ drag-and-drop конструктор AI пайплайнов

📊 Данные, RAG и инфраструктура

12) Firecrawl
→ превращает любой сайт в markdown/структурированные данные

13) Airweave
→ слой контекста: синхронизация 50+ источников для агентов

14) Opik
→ мониторинг, трейсинг и оценка LLM-приложений

🧾 Специализированные модели

15) OpenPipe ART
→ обучение multi-step AI-агентов через reinforcement learning

16) Chandra OCR
→ SOTA OCR для таблиц, форм, рукописного текста и 90+ языков

💡 Это не просто “популярные репы”
Это реальные кирпичи, на которых строятся AI-продукты сегодня

Если ты делаешь:
- LLM-приложения
- AI-агентов
- RAG-системы

→ ты уже используешь часть этого стека (или скоро будешь)

Сохрани пригодится для проектов и собеседований 🚀