Прощай, Fail2Ban: усиливаем защиту Netbird и Caddy с CrowdSec
TL;DRМы перевели сервер управления Netbird VPN с Fail2Ban на CrowdSec, сократив «шум» от атак по SSH/HTTP на 99% и перейдя от реактивной модели (бан после 5 неудачных попыток) к превентивной (блокировка IP по коллективной разведке угроз ещё до того, как их трафик дойдёт до сервера). В этой статье разбираем, почему мы на это решились и как вы можете сделать так же, с пошаговыми примерами кода.Проблема: Fail2Ban в 2025 году
Искусственный интеллект убивает B2B SaaS
SaaS — самая прибыльная бизнес-модель на Земле. Легко понять почему: один раз сделал продукт, а потом продаёшь одно и то же бесконечно долго и не несёшь предельных затрат на дополнительные продажи.Я пишу софт уже больше половины своей жизни. Только за последний год я поговорил с сотнями основателей и операционных руководителей в Сан-Франциско — от компаний на предпосевной стадии до компаний уровня Series E.ИИ становится экзистенциальной угрозой для многих руководителей B2B-SaaS: как продолжать просить клиентов продлевать подписку, когда каждому клиенту кажется, что он может получить решение получше, собранное с помощью
GitHub Copilot CLI: агентный режим и планирование задач
Привет, Хабр! Недавно GitHub выкатил крупное обновление Copilot CLI — инструмент превратился из простого подсказчика команд в полноценного агента с режимом планирования, памятью репозитория и кучей новых возможностей. Разберём, что появилось и как это использовать.Для тех, кто пропустил: что такое Copilot CLIGitHub Copilot CLI — ИИ-ассистент, который живёт прямо в терминале. Работает на Linux, macOS и Windows (через PowerShell или WSL). Умеет отвечать на вопросы, генерировать и отлаживать код, а также взаимодействовать с GitHub: создавать pull request, закрывать issue, анализировать изменения в репозитории, запускать workflows.Запускается командой copilot
Объяснение галлюцинаций LLM
Примечание: этот текст ориентирован на разработчиков, работающих с большими языковыми моделями, но его ценность для аналитиков заключается в том, что он предлагает конкретные методы для повышения точности и надежности данных, используемых в аналитике. Важно, что аналитику не нужно быть экспертом в разработке ИИ, чтобы воспользоваться этими подходами. Внедрив эти подходы, аналитики могут минимизировать риски ошибок и сделать свои отчеты и прогнозы более точными, основанными на надежных данных
Основные KPI чат-ботов для поддержки клиентов, направленные на повышение удовлетворенности пользователей
В эпоху безудержной автоматизации мощная сила ИИ-чат-ботов проникла практически в каждый канал поддержки клиентов. Пока руководители компаний восторгаются экономией затрат и круглосуточной доступностью, скрытая, более сложная реальность проявляется за глянцевыми панелями управления. Не все KPI поддержки клиентов с помощью чат-ботов отображают действительное положение дел. Если копнуть глубже, можно услышать от инсайдеров отрасли упоминания о «показателях, создающих иллюзию успеха», скрытых уровнях эскалации и реальных последствиях стремления за неправильными цифрами.
Показатели продукта: пример из области обучения
Хочу рассмотреть какие показатели можно измерять и анализировать при управлении продуктами в области обучения на своих примерах. Если вам интересны продуктовые показатели, то можете уделить время прочтению этой статьи.Для чего все эти показатели, метрики и аналитические разрезыУправление продуктом — это про планирование и достижение поставленных целей, а достижение целей измеряются значениями конкретных показателей, ведь сама по себе цель это просто лозунг.
Мультиагенты — это скрытые распределённые монолиты
TL;DRЕсли один пользовательский диалог проходит через несколько агентов, это задача оркестрации, а не «микросервисность». В естественном языке нет контрактов уровня API, которые можно жёстко проверять и принуждать, поэтому границы ответственности расплываются: маршрутизация усложняется, изменения каскадят, а общий контекст превращается в разделяемое изменяемое состояние — то есть в распределённый монолит.
Варианты взаимодействия AI-агентов
В обсуждении со специалистами часто встречаю фразу от коллег: «Ассоциируйте AI‑агента с работником организации». В этой статье я не предлагаю решения, я скорее предлагаю тему для обсуждения — насколько привычные управленческие паттерны «из мира людей», применяемые при проектировании организационных структур, применимы для организации взаимодействия AI‑агентов.Постановка вопросовПовальное увлечение AI‑агентами привело к возникновению стандартных «управленческих» вопросов, связанных с проектированием мультиагентных систем.
Почему большинство проектов в сфере ИИ терпят неудачу
Если верить рекламе, то искусственный интеллект сейчас везде, однако на самом деле множество проектов в сфере ИИ в малом и среднем бизнесе заканчиваются неудачно. В этой статье мы поговорим о причинах этих проблем и о том, как можно их избежать.Типичный отзыв на систему с использованием ИИ: «Система отлично работала в демонстрациях, но она не смогла справиться с нашими сложными данными из реального мира». И эта история не уникальна. Согласно различным отраслевым отчетам, 70–80% проектов ИИ никогда не доходят до стадии производства, а процент неудач еще выше для малых и средних предприятий.Перейдя два года назад с
Выбираем между DS и AI
Специализации наука о данных (Data Science) и искусственный интеллект (artificial intelligence) похожи, и у начинающих специалистов может возникнуть путаница. В этой статье мы рассмотри сходства и различия этих направлений, используемые инструменты и требования, которые предъявляются к специалистам.
