Почему наш язык — лучший язык для программирования (ответ на манифест из 70-х)
Недавно на Хабре вышла статья «Почему наш язык — худший язык для программирования». Автор справедливо отметил проблему двусмысленности естественного языка (ЕЯ) и предупредил, что программирование словами приведет к хаосу.Я начну с неожиданного: автор оригинальной статьи абсолютно прав.Он прав, если мы говорим о программировании заклинаниями
Как аналитики данных используют ИИ для решения своих задач
Нейросети и быстрое развитие ИИ в целом (плюс постепенное распространение ИИ‑агентов в ежедневной работе) меняет подход к работе аналитика данных. Однако действительно ли это меняет суть и структуру его работы? Меня зовут Стас Золотарев, я автор на курсах «Аналитик данных» и «Специалист по Data Science» в Яндекс Практикуме. В этой статье я расскажу:
Архитектура вместо синтаксиса: CodeSpeak — язык разработки следующего поколения, использующий силу LLM спецификаций
Команда разработчиков под руководством Андрея Бреслава, российского разработчика и автора языка программирования Kotlin, представила публичную альфа-версию нового инструмента для разработчиков — CodeSpeak
Цена контекста в агентной разработке: почему bottleneck — не код, а внимание человека
Пока diff небольшой, в нас просыпается хранитель инженерной чистоты: мы спорим о нейминге, замечаем лишний пробел, обсуждаем, стоило ли выносить логику в helper, но когда правка разрастается до тысяч строк, строгость уступает другому подходу: CI зелёный, тесты прошли, код выглядит вроде неплохо - можно жать Approve.
Масштабирование LLM: от одного чипа до ЦОДа. Глава 1. Теоретические основы
ПредисловиеНедавно прочитал цикл статей о масштабировании LLM от Jax, в котором очень подробно и во всех нюансах разжеван процесс тренировки и инференса LLM на разных масштабах. Мне он показался очень полезным, поэтому я решил подготовить цикл статей на русском, являющихся не столько переводом, сколько научно-популярным пересказом того, что там написано, поскольку оригинальный текст рассчитан в основном на специалистов, и неспециалисту многие моменты в нем могут показаться сложными и не очевидными. Также планирую добавить информацию из других источников, например
Команды разработчиков в ИТ сокращаются втрое: рынок переживает вторую революцию
Эксперты зафиксировали радикальное изменение структуры команд в IT-компаниях: там, где раньше требовались 10–15 разработчиков, теперь справляются 4–5 специалистов. Ключевую роль в трансформации играют платформы автоматизации, low-code-инструменты и интеграция искусственного интеллекта в производственный конвейер. При этом крупнейшие мировые технологические компании экспериментируют с ещё более компактными командами.Трёхкратное сокращение — уже реальностьРоссийские IT-компании фиксируют кардинальные изменения в численности проектных команд. По данным участников
ETH Strategy: сравнение двух ИИ-аудитов от ИИ
Я решил сравнить два ИИ-аудита одного и того же DeFi-проекта.Результаты оказались неожиданно разными: один ИИ нашёл серьёзные риски, другой почти не заметил проблем.Более того, одна из моделей даже ошиблась в базовой проверке.В этой статье покажу, где именно ИИ допустили неточности и что удалось проверить вручную.Для анализа использовал два инструмента: Parallel AI и AskSurf.ПроектETH Strategy — DeFi-протокол казначейства на Ethereum, который даёт экспозицию с кредитным плечом на ETH без рисков ликвидации. Идея — DeFi-аналог MicroStrategy (MSTR).
Разница между параллельными и распределёнными вычислениями
Параллельные и распределённые вычисления часто ставят рядом, но это далеко не одно и то же. В новом переводе от команды Spring АйО разберем, как устроены обе модели, чем отличаются их архитектура, способы обмена данными, масштабируемость и отказоустойчивость. Статья подойдет тем, кто хочет понять, когда достаточно ресурсов одной машины, а когда без сети из нескольких узлов уже не обойтись.Введение
AI-продакт и результат: как рождаются продукты, которые приносят деньги
В цифровых продуктах «сделать фичу» давно не равно «создать ценность»: она появляется, когда решение меняет процесс и дает измеримый результат. В AI-продуктах это особенно важно: ценность определяет не интерфейс и не сама модель, а способность системы стабильно и безопасно закрывать задачу с предсказуемой экономикой.С AI-агентами это видно лучше всего: эффект возникает не при запуске функции, а когда агент встраивается в реальную работу, убирает ручные шаги, меняет роли и дает измеримые улучшения — в выручке, скорости, издержках или качестве.
