Софт.
Oracle подписала с Пентагоном 10-летний контракт на ПО стоимостью до $7 млрд
Пентагон объявил о заключении контракта с Oracle на сумму почти $7 млрд сроком в 10 лет. Он предусматривает использование программного обеспечения компании в локальных центрах обработки данных для подразделений вооружённых сил, разведывательного сообщества США и Береговой охраны.
Зачем вообще нужен этот ваш ITAM?
Ранее я писал, зачем ИТ-директору нужен ITSM, и разбирал ключевых игроков того рынка. Сейчас зайдём с другой стороны — а зачем нужен ITAM? Речь пойдёт не об ITAM как подходе к управлению ИТ-активами, а об одноимённом классе систем.Меня зовут Евгений Котухов
Исследование: Claude Code отправляет в 4,7 раза больше служебных токенов, чем OpenCode
Компания Systima сравнила объём служебных данных, которые Claude Code и OpenCode передают языковой модели вместе с пользовательским запросом. Решение от Anthropic использует в 4,7 раза больше токенов и быстрее расходует лимит.
Владельцы телевизоров LG теперь обязаны предупреждать гостей и родных о том, что их разговоры могут быть записаны
Владельцы умных телевизоров LG несут ответственность за получение всех необходимых согласий от любых третьих лиц, чьи голоса могут быть записаны устройством, следует из условий обслуживания южнокорейского производителя. Вероятно, компания может использовать разговоры членов семьи и гостей обладателей ТВ для обучения моделей искусственного интеллекта.
Как мы вынесли семантический поиск на обычный сервер без видеокарты, облака и выделенной поисковой системы
Когда мы занялись поисковым слоем AI-ассистента в «Первой Форме», договорились на входе: языковую модель, которая отвечает пользователю, не трогаем. Вся эта история — о том, что происходит на шаг раньше: как система решает, что именно показать модели, прежде чем та начнёт отвечать.Планку себе поставили простую на словах и сложную на деле: семантический поиск промышленного уровня, но без специализированной инфраструктуры, целиком внутри изолированной сети, на том же оборудовании, что и само приложение.
Google запустила LiteRT.js для ускорения обработки задач ИИ в браузере
Google выпустила LiteRT.js — новую библиотеку, позволяющую запускать модели машинного обучения локально в веб-браузере, минуя необходимость обработки на стороне сервера.
Как я создал локальное хранилище и агрегатор VLESS конфигураций
Не секрет, что в последнее время стабильность доступа к некоторым зарубежным ресурсам и API оставляет желать лучшего. Для обычного человека потеря связи с любимыми или нужными ресурсами посреди рабочего дня — это очень неприятно. Полагаться на один зарубежный сервер стало неэффективно: узлы падают, скорость проседает. У меня у самого появилась это проблема, поэтому я захотел сделать ее решение.Что я решил сделать, рассказываю дальше.
archcheck — на страже архитектуры C++
Циклы графа, копипаст, лишние флаги: архитектурный дрейф виден в вашем CI.Один PRНачну с конкретного примера.В PrincetonUniversity/SPECFEMPP#943 Pull Request назывался Single include header for assembly module. По описанию он должен был упростить зависимости в модуле assembly и разорвать циклические зависимости через forward declarations.По названию и описанию это правильное архитектурное изменение.После изменения в include graph появился новый цикл из 7 узлов. Кейс с include cycle и почему обычный review его не видитКейс: как чистка include-зависимостей добавила новый циклВ
Гендиректор Perplexity: образ «работника интеллектуального труда» — это конструкт Microsoft ради продажи ПО
Гендиректор Perplexity Аравинд Шринивас в подкасте Джо Рогана заявил, что он считает привычный нам образ «работника интеллектуального труда» не естественным этапом эволюции занятости, а всего лишь конструктом Microsoft исключительно ради продажи софта.
Контекстная инженерия для слабой локальной модели: как мы делаем среднюю модель надёжной
Принято думать, что качество ИИ-агента упирается в размер модели. Но когда модель работает локально, в закрытом контуре и на ограниченном железе, брать «побольше» особо некуда. И оказывается, что главный рычаг не модель, а контекст: что вы ей показываете, в каком порядке и как фильтруете. Причём «контекст» здесь — это сборка под то, кто спрашивает, откуда и о чём, плюс честный порог релевантности и продуманный порядок секций. На сильной облачной модели небрежный контекст прощается запасом по reasoning; на средней локальной — нет. Об этом и статья.Почему на локальной модели контекст важнее самой модели
