Моя лента

В обновлении InfoWatch Data Discovery 2.2 появился модуль ML-кластеризации, который автоматически систематизирует 100% файлов и может многократно ускорить файловый аудит.

В рамках цикла обновлений продуктов по защите данных ГК InfoWatch выпустила обновление решения для аудита хранения данных InfoWatch Data Discovery 2.2. Ключевое нововведение — модуль машинного обучения (ML) на основе запатентованной технологии потоковой кластеризации. В отличие от классических решений, требующих ручной настройки словарей и политик, ML-модуль работает без предварительного обучения: система сама анализирует 100% документов, группирует их по тематике, выделяет ключевые термины и показывает, какие данные реально хранятся в ИТ-инфраструктуре компании. ML-модуль кардинально меняет подход к проведению аудита документов и полностью исключает «серые зоны» — до 70% неконтролируемых данных, которые при традиционном подходе остаются вне фокуса из-за сложности и дороговизны настройки политик.

По оценкам InfoWatch, аудит рабочей станции или файлового хранилища с помощью кластеризации может быть ускорен в 30 раз по сравнению с ручным перебором или анализом через классические инструменты. Вместо того чтобы тратить недели на создание словарей и пересканирование файлов при появлении новых категорий документов, специалист получает уже систематизированную картину: все документы автоматически разложены по смысловым группам, снабжены тегами и готовы к фильтрации. Индексация всех файлов выполняется в фоновом режиме, поэтому поиск по тегам и категориям происходит мгновенно, без повторного сканирования.

Что происходит с корпоративным поиском, когда имена сотрудников нужно скрыть от внешней LLM? Простая замена фамилий на случайные маркеры защищает данные, но ломает связь между запросом, найденными документами и ответом модели. В статье разбираем, как развести приватность и полезность: где хранить mapping, зачем нужен entity resolution, как policy engine принимает решения и почему проверять нужно не только входной prompt, но и ответ модели

НАСА начинает активнее использовать искусственный интеллект для изучения Луны, чтобы изменить подход исследователей к анализу её поверхности. В рамках сотрудничества с IBM Research и несколькими научными организациями агентство представило NASA‑IBM Lunar Foundation Model, одну из первых открытых ИИ‑моделей, созданных специально для лунных исследований. Модель обучалась преимущественно на данных орбитального аппарата NASA Lunar Reconnaissance Orbiter (LRO). Она размещена в открытом доступе на Hugging Face, а полный исходный код опубликован на GitHub.

В отличие от традиционных моделей, для которых под каждую задачу приходится создавать и обучать отдельный алгоритм, фундаментальные модели предварительно обучают на огромных массивах неразмеченных данных. Полученные таким образом знания позволяют быстро адаптировать их к разным научным задачам с помощью дополнительного обучения на сравнительно небольших наборах данных.

Заказчик почти никогда не приходит с запросом «нарисуйте мне user flow». Он приходит с прототипом, в котором отдельные решения могут противоречить друг другу или с идеей без единого зафиксированного сценария. И в таких случаях я не двигаюсь дальше, пока не соберу из этих вводных понятную схему.

Я выполнил реверс‑инжиниринг оборудования и прошивки своего электросамоката Egret GT. В статье будет рассказано о том, как мне удалось забраться внутрь, проанализировать обмен данными между компонентами и отреверсить прошивку.

Новости с заголовком «ИИ решил задачу тысячелетия» стали появляться всё чаще. Со стороны бывает сложно оценить: где исторический прецедент, а где надуманный хайп? А главное: что всё это значит для будущего математики?

Чтобы внести в вопрос ясность, полезно послушать самих математиков. Что они считают подходящими для ИИ задачами, а что — человеческими? В чём видят прогресс, а в чём — обыкновенный инфоповод? В чём вообще их видение смысла математики и как теперь, в изменившемся мире, подходить к математике сознательно?

Мы в Kodik занимаемся не математикой, а редактором кода с ИИ. Тем не менее, в нашей команде есть люди с классическим мехмат-образованием, и мы с интересом следим за темой. Поэтому ранее переводили для Хабра мнения математиков про опровержение конкретной задачи Эрдёша, а теперь решили осветить их взгляд на происходящее в целом. Конечно, мнения расходятся, но в этой статье мы попробовали собрать срез математического сообщества.

Нередко для описания хромых кодовых баз используют метафоры вроде «тонущий корабль». Я же считаю, что эта аналогия ошибочна. Бизнес начинает тонуть задолго до того, как код достигнет гипотетического дна. Технический долг нельзя свести к банкротству, чтобы начать с чистого листа. Именно поэтому подобные метафоры, подразумевающие достижение некоего конца, лишь создают ложное чувство спокойствия.

Программное обеспечение существует в умозрительной сфере. Его нельзя сравнивать со зданием или мостом, которые находятся в физическом мире, где вы можете их полноценно видеть и осязать. Если вы продолжите бесконечно добавлять в здание этажи и комнаты, оно в конечном итоге рухнет. Но у ПО нет такого жёсткого предела. Код всегда можно сделать ещё хуже. Всегда можно внести очередной слой абстракции или ещё больше ослабить производительность.

Практические приёмы снижения копипасты и упрощения конфигурирования множества сходных проектов в TeamCity.

В Neovim добавили vim.async для модернизации асинхронной архитектуры

Открытый консольный текстовый редактор Neovim, форк от легендарного Vim, взял от своего родителя самое лучшее, внедрив при этом собственные новшества. В отличие от специфичного VimScript, редактор использует более быстрый и распространенный язык Lua. Преимуществ у этого решения много, но сегодня мы поговорим об одном из главных — асинхронности.

Искусственный интеллект в IT из экспериментального инструмента превратился в рабочий: он меняет роли в командах и заставляет пересматривать привычные подходы. Компании всё меньше обсуждают, полезен ли ИИ при разработке ПО. Вместо этого они думают, как лучше интегрировать его в процессы. Это, пожалуй, самая значительная трансформация отрасли за последние несколько лет, и мы хотим увидеть её через призму вашего опыта.

Поэтому Хабр совместно со Сбером запускают новый сезон статей «Код будущего», в котором вы сможете рассказать о своей практике использования ИИ в создании ПО и взаимосвязи ИИ и open source. Сезон продлится с 11 сентября по 11 ноября 2026 года. Под катом — все подробности: тема, сроки, правила.

Anthropic предотвратила несколько попыток учёных использовать её передовые модели искусственного интеллекта для проведения исследований, которые могли привести к созданию биологического оружия. Об этом сообщила New York Times со ссылкой на отчёт американской компании.

Авторизация в Spring обычно живёт в аннотациях и SpEL — и ломается на иерархии ресурсов и фильтрации списков. Как вынести правила доступа в OPA, не потеряв ни фильтрацию в SQL, ни fail-closed. Первая статья серии про open-source Spring Boot starter для ABAC на Open Policy Agent.

Подготовили чек-лист по готовности к платформенной инженерии. Внутри - Не тест на знание команд – команды гуглятся. Список из десяти задач, каждую из которых вы либо делали руками от начала до конца, либо нет. Дальше будет сам чек-лист, разбор каждого пункта (почему формулировка именно такая и как проверить себя за вечер) и шкала интерпретации.

Какое будущее нас ждет на достаточно продолжительном интрвале времени? Обретет ли ИИ Сознание? Как это повлияет на Социум и место ИИ в нем? И какие еще удивителные умозаключения можно выдвинуть на эту тему?..

Привет! Я Аня Никифорова, ML-разработчик по направлению рекомендательных систем в Т-Банке. Этим летом на Turbo ML Conf 2026 мы представили фреймворк Perseus. Он подходит для работы с гетерогенными последовательностями событий пользователей, хорошо масштабируется под различные задачи и из коробки поддерживает кросс-доменные сценарии. 

Фреймворк может показаться сложным, поэтому мы решили поделиться подробным туториалом, где по шагам рассказываем, как использовать Perseus для своих задач. Посмотрим, как с помощью Perseus реализовать кандидатогенерацию, ранжирование, классификацию и регрессию поверх истории действий пользователей в сервисах: как подготовить данные, какие команды вызвать и как оценить результат. На примере кандидатогенерации подробно рассмотрим, как добавлять в модель дополнительные фичи, обогащать ее событиями и как настраивать модель, меняя лишь пару строк в конфиге.

Сегодня в выпуске: shared variables — атомарные счётчики; pub/sub — измерение publish/subscribe под нагрузкой из коробки; live metrics — снапшоты и не просто метрики, а умные: есть CPU-gate, чтобы стриминг никогда не мешал самому тесту!