Опыт QA‑автоматизатора: как я подключил нейросеть к wiki, базам данных и тест‑менеджменту
«Давайте скормим модели документацию, а она сама нагенерит тест‑кейсы». Вот что обычно слышишь, когда разговор заходит про нейросети в тестировании. Звучит красиво, но в моей работе это оказалось чуть ли не самым бесполезным сценарием. Я занимаюсь автоматизацией, ручные кейсы пишу не каждый день, и генерация их «по щелчку» закрывает не ту боль. Для меня настоящая боль в другом. Как понять, что вообще нужно проверять, где лежат данные, какая логика сейчас актуальна, какие сценарии уже покрыты и где документация расходится с тем, как система ведёт себя на самом деле.
ИИ заберёт тексты и код. Но это никогда не было главной работой человека. Часть 4
Всем привет! Я — философ науки и техники и технический писатель. Последние пару лет мою профессию регулярно «хоронят». Большие языковые модели всё лучше пишут документацию, а если вы работаете с текстами, кодом или другим цифровым контентом, то наверняка и сами уже заметили, как меняется привычный процесс работы. Кажется, что ИИ научился делать всё больше задач, которые раньше выполнял человек. Но производство текста, кода и другого контента лишь верхушка айсберга любой IT-профессии. В третьей части
ИИ заберёт тексты и код. Но это никогда не было главной работой человека. Часть 3
Всем привет! Я — философ науки и техники и технический писатель. Последние пару лет мою профессию регулярно «хоронят». Большие языковые модели всё лучше пишут документацию, а если вы работаете с текстами, кодом или другим цифровым контентом, то наверняка и сами уже заметили, как меняется привычный процесс работы. Кажется, что ИИ научился делать всё больше задач, которые раньше выполнял человек. Но производство текста, кода и другого контента лишь верхушка айсберга любой IT-профессии. Во второй части
ИИ заберёт тексты и код. Но это никогда не было главной работой человека. Часть 2
Всем привет! Я — философ науки и техники и технический писатель. Последние пару лет мою профессию регулярно «хоронят». Большие языковые модели всё лучше пишут документацию, а если вы работаете с текстами, кодом или другим цифровым контентом, то наверняка и сами уже заметили, как меняется привычный процесс работы. Кажется, что ИИ научился делать всё больше задач, которые раньше выполнял человек. Но производство текста, кода и другого контента лишь верхушка айсберга любой IT-профессии. В первой части
ИИ съел выдачу и сломал старые правила доверия
Раньше пользователь шёл за ответом в поисковик, открывал один из сайтов и находил нужную информацию. Сайт получал трафик, конверсии и рекламные показы. Конечно, это упрощённая модель, без оценки качества выдачи, SEO и других деталей, но понятная. За полезную информацию сайт получал аудиторию, а вместе с ней и выгоду.С приходом ИИ эта схема начала меняться. Пользователь чаще спрашивает ChatGPT, Perplexity или Gemini и не доходит до исходного сайта. А вместе с трафиком пропадает смысл вкладываться в контент.
Разработка инхаус в 2026 году
Попробуем разобраться, разработка инхаус в 2026 году — это базовый минимум или уже роскошный максимум?30 июня на офлайн-встрече #безвотэтоговотвсего в Сфере X5 в Парке Горького спорим и обсуждаем:• Жив ли российский рынок аутстаффа? • Как выживает интеграторский и SaaS-бизнес в эпоху ИИ? • Почему все хотят «своих», но продолжают покупать «чужих»?Прийти к ответам на эти вопросы помогут гости–эксперты:
SLA как инструмент, а не отчёт
Часть 2. Масштабирование, автоматизация, AI и два компонента надёжностиЭто вторая часть разбора того, как мы выстраивали SLA и инцидент-менеджмент в большом продукте.Меня зовут Дмитрий Химион, я руководитель ML Platform в X5 Digital. В первой части я рассказал, как мы пересобрали инцидент-менеджмент как процесс и внедрили единый алгоритм расчёта потерь, позволивший бизнесу и командам прийти к общему знаменателю.
ИИ — это линза, которая усиливает сильных и ослабляет слабых
ИИ уже вошёл в нашу будничную рутину. Кто-то использует его как быстрый справочник, кто-то как помощника в IDE, а кто-то уже собирает вокруг него весь рабочий процесс. Рынок меняется слишком быстро, чтобы игнорировать это на собеседованиях. Какой смысл проверять кандидата в искусственных условиях, если в реальной работе он всё равно использует ИИ каждый день? Логичнее сразу посмотреть, как он работает на самом деле. Мы не стали с этим бороться, а встроили в процесс.
