ai.
Эйфория прошла? Почему IT-гиганты отказываются от ИИ
Крупнейшие мировые корпорации разочаровались в искусственном интеллекте, сообщает Financial Times. На ИИ уходит слишком много денег, а с задачами он справляется хуже сотрудников из плоти и крови. Разбираемся, почему оптимизация штатов не помогла IT-гигантам и стоит ли ожидать новую волну найма инженеров.От нейросетей в разных сферах отказываются такие гиганты, как Microsoft, Uber, Alibaba, утверждает «Коммерсантъ», ссылаясь на FT. Причина в том, что с ИИ некоторые внутренние процессы застопорились. Такое, например, произошло в IBM
EvertyDesk Lite: зачем мы написали свой RustDesk-совместимый клиент на Rust и добавили в него ИИ
Всем привет!Меня зовут Артур Валиев. Недавно я уже рассказывал на Хабре о том, как мы собирали собственный RustDesk Pro при помощи патчей и кастомных сборок.Но со временем стало понятно, что нам тесно в рамках обычной кастомизации. Мы захотели пойти намного дальше. Начать стоит немного издалека.
Год с Claude Code: главное — не он сам, а то, что в .claude-
Claude Code у меня появился в марте 2025-го. Точную неделю не помню — в какой-то момент он у меня просто стал инструментом по умолчанию, и я с ним отработал примерно год.Это не «AI убил программирование» и не «AI = x10 продуктивность». И то и другое — пустое. Реальность скучнее и интереснее одновременно.Сразу важная оговорка: я использую Claude Code на максимум. Не «иногда», не «когда подходит» — постоянно, на каждой задаче. Если что-то можно сделать через него, я делаю через него. Под него подстроены CLAUDE.md
Почему сотрудники бросают ИИ после первой попытки — и как это исправить
Почему даже самые мотивированные сотрудники бросают ИИ после первой попытки и как мы прошли этот путь в Alpina Digital
Масштабируемость ML-алгоритмов при увеличении вычислительных ресурсов
Говоря о машинном обучении, нейронных сетях и тому подобному, у многих появляется ассоциация с мощным железом, огромными вычислительными мощностями и невероятным количеством денег. На практике — многие ML (и не только) алгоритмы завязаны далеко не на тупой мощи вычислительной машины. Часть из них действительно ускоряется (и даже в разы) при добавлении ресурсов, другие — не реагируют, а некоторые могут даже создать лишние расходы и потерять в скорости.В данной статье будет рассмотрено 5 разных алгоритмов машинного обучения, с наглядным сравнением их скорости работы на разных аппаратных ресурсах.
Книга: «Внутри AI. Как это работает»
Привет, Хаброжители! Я хочу рассказать вам о новинке издательства Spint Book.
Как и почему умирает ИИ-внедрение: пять bottlenecks
Привет, Хабр. Меня зовут Виктор Овчинников, я руковожу разработкой интеграционной платформы Digital Q.Integration в компании Диасофт. Больше двадцати лет моя команда занимается обменом данными между корпоративными системами, и про то, как именно этот слой убивает ИИ-проекты, я уже подробно разбирал в предыдущей статье на Хабре.
Контекст для LLM в тестировании: от калькулятора страховой премии до ТЗ на сотню страниц
Всем привет! Продолжаю цикл статей про применение ИИ в тестирование. Здесь можно прочитать первую статью "ИИ в тестировании: зачем мы пошли в пилот и почему начали с чата, а не с агентов”. Сегодня поговорим про тестирование требований, а именно про первый и самый важный этап — подготовку контекста. В своей статье под контекстом я буду подразумевать структурированную информацию о продукте:описания компонентов;бизнес-правила;сценарии использования;связи между сущностями.

