**Опис для Matrix-каналу:**
Новое аналитическое видео: крупнейшее исследование о системном кризисе в армии РФ. Массовые отказы, скрытые потери и провал мобилизационной модели. Почему россияне больше не хотят воевать — разбор фактов и цифр.
🎥
КАТАСТРОФА В АРМИИ РОССИИ — крупнейшее z-исследование о проблемах в ВС РФ
#армияРФ #мобилизация #Zисследование #война #анализ #социология #кризисВСрф
#%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7
**Описание:**
Крупнейшее независимое исследование о состоянии российской армии показывает катастрофическую ситуацию. Командование скрывает реальные цифры потерь, мобилизованные массово отказываются служить, а уровень доверия к военным структурам обрушился. Почему люди не хотят идти в войска и что это значит для будущего России — анализ в новом видео.
**Хэштеги:**
#армияРФ #россия #мобилизация #война #катастрофа #Zисследование #ВСрф #провал #социология #армейскиепроблемы #анализ #обществорф #путин #Zпатриотизм #военныекризис
Мне грозят увольнением, но я 4 месяца не могу найти другую работу
Два с половиной года проработала — зарплату не подняли. Пришлось искать другую компанию, чтобы вырасти в зарплате — перешла на 125 тысяч.
https://habr.com/ru/articles/949874/
#анализ #бизнесанализ #бизнесаналитик #IT #карьера #карьера_в_itиндустрии #бизнеспроцессы #бизнесаналитика #карьера_в_it #карьера_аналитика
«Адвокат дьявола» — друг студента, технического писателя и проектировщика
Большинство используют ИИ для генерации текста. Я — для уничтожения своих идей. В статье: готовый фреймворк "Адвокат дьявола", три направления критики (логика, этика, эстетика), примеры из реальных проектов и пошаговая инструкция, как устроить баттл между двумя ИИ — даже если у вас есть только один. Плюс — как не попасть в ловушку "симулякра критики".
https://habr.com/ru/articles/942184/
#аналитика #анализ #критическое_мышление #критика #когнитивные_искажения #когнитивные_способности #ограничения #мышление #командообразование #промпты
Проектирование Информационных систем. Итоги, краткое изложение курса
Этап «Проектирование информационных систем» (ИС) — один из ключевых в жизненном цикле разработки ИС, так как он определяет, какой будет система, как она будет устроена и как будет реализовывать требования пользователей, какие будут накладываться ограничения и прочее.
https://habr.com/ru/articles/941672/
#проектирование_систем #анализ #системный_анализ #системный_аналитик #инженерия_требований #промышленная_автоматизация #требования_к_системе #спецификации #стандартизация #стандартизация_разработки
Разбор задачи из реальной практики
Фича для мобилки, которая должна работать на более ранних версиях. Как подойти к реализации и преодолеть ограничения?
https://habr.com/ru/articles/940858/
#rest #интеграции #анализ #собеседование #системный_аналитик #бизнес_аналитик #проектирование_по #решение_задач #архитектура
Мета в геймдизайне: строим и укрепляем карточный домик
Мета — это баланс хрупкости и устойчивости, как карточный домик, построенный из прогресса, стратегий, последствий и смыслов. Это осознанный дизайн, где взаимодействие с системой идёт на разных уровнях. Живой механизм, постоянно требующий внимания. Представьте, как он рушится, словно карточный домик. Обидно? Сколько часов было вьё... потрачено на работу над вашей игрой? Зато остался опыт. То же самое и с метой. Если кратко, то:
https://habr.com/ru/articles/938896/
#геймдизайн #системность #геймдев #метаигра #анализ #игровые_механики #геймдизайн_обучение #игровая_аналитика
«По-старому нельзя, а как по-новому — не знали»: как мы изменили отдел разработки в Kaiten
За год команда разработки Kaiten выросла в 3 раза, и привычные процессы перестали работать: доска переполнилась, потерялась прозрачность, а чтобы узнать, на каком этапе работа, приходится проваливаться в каждую карточку. Вместе с Юрой Юрковым, Delivery Manager Kaiten, расскажем, как мы прошли путь трансформации, какие решения сработали и как не потерять управление в момент масштабирования. Если вы в похожей ситуации — читайте статью и используйте наш опыт, чтобы быстрее навести порядок.
https://habr.com/ru/companies/kaiten/articles/937236/
#kaiten #разработка #анализ #управление_проектами #управление_людьми #управление_командой
Оптимизация инференса больших языковых моделей: комплексный анализ современных подходов и практических реализаций
В процессе разработки RAG-системы для обработки видеоконтента передо мной встала задача генерации качественных описаний для большого объема видео-клипов с использованием мультимодальных языковых моделей. Клипы имели продолжительность около 10 секунд, в отдельных экспериментах мы тестировали материал длиной в несколько десятков секунд. Финальные описания составляли от 300 до 2000 токенов и после генерации разбивались на чанки для индексации в векторной базе данных.
При тестировании различных подходов обнаружились значительные различия в скорости и качестве обработки. Компактные модели, работающие с отдельными кадрами изображений (Phi, DeepSeekVL2, Moondream), демонстрировали существенно более высокую скорость по сравнению с моделями полноценной обработки видео, однако качество генерируемых описаний оставляло желать лучшего. Типичный workflow включал конкатенацию описаний отдельных кадров, при этом в DeepSeekVL2 дополнительно использовался system prompt для более интеллигентного объединения результатов анализа кадров.
Модели для обработки изображений стабильно укладывались в временные рамки 3-5 секунд на клип, что значительно быстрее требуемого лимита. Полноценные видео-модели, получающие на вход целые видеоклипы, изначально генерировали описания за 30 секунд на vanilla PyTorch. Применение VLLM ускорило процесс до 12-15 секунд, а SGLang позволил достичь целевых 8-10 секунд на клип. Эти временные рамки позволили настроить обработку на кластере из 20 RTX 4090 и сгенерировать около миллиона описаний за месяц для production-системы.
Благодаря применению различных техник оптимизации инференса удалось не только достичь поставленных временных целей, но и существенно превзойти их, завершив генерацию необходимого объема описаний за две недели вместо месяца. Система успешно развернута в продакшене и демонстрирует стабильную производительность.
Данная статья представляет систематизированный анализ практического опыта оптимизации инференса мультимодальных LLM, полученного в ходе решения реальной production-задачи. Особое внимание уделяется сравнению эффективности различных подходов к ускорению, включая современные специализированные фреймворки VLLM и SGLang, а также аппаратные оптимизации на базе TensorRT.
Как искусственный интеллект сократил уровень брака и простоя на 30% для завода?
С каждым днем команда RedKrab разрабатывает все больше проектов на базе ИИ. Ввиду того, что основная сфера студии - это промышленность и производство, то всё чаще приходят обращения от заводов и предприятий за помощью в внедрении сложных ИИ-систем. Один из крупных заводов по производству деталей для конвейерного оборудования обратился с проблемой - совсем небольшое отклонение в доли миллиметра могло привести к браку, претензиям со стороны клиентов и остановке всей производственной линии. Ручной контроль, даже силами опытных специалистов, все чаще пропускал дефекты. Усталость, рутина и скорость работы мешали поддерживать качество. Технолог завода сообщил о том, что проверка происходит выборочно, но этого недостаточно. Если будут пропуски, то это приведет к затяжным разбирательствам, убыткам и потере доверия. С нашей стороны было предложено решение - сделать контроль непрерывным, быстрым и точным. Так стартовал проект по разработке ИИ-системы для завода по производству деталей механообработки. Идея полностью автоматизированного контроля без снижения скорости производства раньше звучала как фантастика. Сейчас на помощь приходит искусственный интеллект. ИИ трансформирует процесс проектирования, предлагая революционные возможности там, где традиционные методы уже не справляются. Наша команда разработала для клиента систему, которая выполняет конкретные функции: обнаруживает дефекты, анализирует причины и предотвращает их появление. За несколько секунд после обработки детали она проходит через четыре этапа проверки: визуальный анализ, измерение параметров, сравнение с эталонами и принятие решения. Каждый этап приближает производство к идеальному качеству. Система, разработанная для нашего клиента, использует методы компьютерного зрения для измерения геометрических параметров деталей и определения дефектов.
https://habr.com/ru/articles/936034/
#искусственный_интелект #автоматизация_производства #анализ #проектирование #проектирование_систем #предиктивная_аналитика
Политбюро 2.0 — Как устроена власть в России на самом деле
https://tankie.tube/videos/watch/d978f450-949b-4e14-867b-ab6ff066dd08
Проектирование Информационных систем. Часть 11. Управление изменениями требований
Для эффективной организации производства Информационных систем (ИС) требования должны стать каркасом, связывающим все этапы жизненного цикла ИТ-продукта и передаваться от одной фазы к следующей, обеспечивая непрерывность и согласованность всего проекта. Так при реализации разработчики наделяют продукт функциональностью в соответствии с утвержденными требованиями. А тестировщики на основе спецификации требований разрабатывают план тестирования: к каждому функциональному требованию привязывают сценарии, тест-кейсы и подтверждают, что готовое решение удовлетворяет требованиям, и так далее по цепочке. Поэтому, когда спецификации требований разработаны и производство готово к переводу на этап реализации целевого продукта, крайне важно обеспечить надлежащий процесс приема/передачи инициативы команде разработки. Проектировщики не могут просто кинуть требования на стол разработчикам и считать свою часть работы выполненной. Процесс передачи должен быть регламентирован и по возможности соблюдаться. Процедура передачи может регулироваться, например, управленческими правилами делегирования, а именно:
https://habr.com/ru/articles/931652/
#проектирование_систем #анализ #системный_анализ #системный_аналитик #инженерия_требований #промышленная_автоматизация #требования_к_системе #спецификации #стандартизация #стандартизация_разработки
Как создавать нарратив через механику — истории без текста
Большинство игр не читают, в них играют Мало кто лезет в лор игры до её запуска и готов читать больше, чем взаимодействовать с игрой — нам нужен "экшон". Ты берёшь в руки геймпад — и поехали. Именно поэтому кажется логичным, что история в играх должна быть встроена в основной процесс — геймплей игры. Не как обёртка конфеты, не как мануал в папке с игрой, а естественно, в механики.
https://habr.com/ru/articles/926066/
#нарративный_дизайн #нарративные_игры #нарратив_в_игре #геймдизайн #геймдев #анализ #игровые_механики #системность #геймдизайн_обучение
Мета-ориентирование, баланс между классическим документированием и автодокументированием
Добрый день! Меня зовут Воронин Николай, я занимаюсь автоматизацией систем отчётности и анализа в ПГКДиджитал. Моя статья является структурированием личного опыта, полученного в конкретных условиях, он не претендует на статус best-practice, допускает ситуации, в которых могут существовать более эффективные решения или проблема не стоит в целом. Мета-ориентирование – это общее название, в рамках статьи, для совокупности навыков и подходов, облегчающих понимание частных алгоритмов и потоков данных в большой системе со сложными связями между множеством объектов. В моём случае речь пойдёт о комплексе нескольких BI систем, существующих параллельно, но сложности вполне могут возникать и в рамках одной, достаточно массивной системы отчётности.
https://habr.com/ru/companies/pgk/articles/919566/
#документирование_кода #навигация #метаданные #автодокументация #навыки #анализ
Проверка времени: действительно ли искусство дорожает с возрастом?
Недавно команда проекта MyInvest.Art обратилась к нашей ML-группе с амбициозной задачей: проверить, действительно ли возраст произведения искусства определяет его ценность. Как руководитель, я привык опираться на данные, а не на предположения. Поэтому я поручил команде глубоко погрузиться в аукционные данные — как российские, так и мировые, чтобы дать четкий ответ: стоит ли инвестировать в искусство, и если да, то как это делать с умом. Общепринятое мнение гласит, что старые работы ценятся выше. Но подтверждается ли это реальными данными? Команда проанализировала 54 994 аукционные сделки (все сделки на российском рынке в базе данных, у которых была известна цена продажи). Уникальных произведений искусства: 49351 (Количество уникальных ID в БД) Количество повторных продаж (уникальных artwork_id , встречающихся более одного раза): 3925 То есть лишь 8% произведений выходят на рынок повторно . Уже на этом этапе становится понятно: вторичный рынок искусства в России работает не так уж активно. Для точности анализа мы убрали из выборки работы с отсутствующими ценами, а также тиражную графику (medium_type != 'prints'). Кроме того, между двумя продажами одной и той же работы должно было пройти не менее года , иначе это, скорее всего, тоже будет относиться к тиражной работе. В финальном датафрейме — 1 389 работ , которые реально перепродавались через аукционы. Именно их ценовая динамика поможет нам понять, действительно ли возраст влияет на стоимость произведений искусства.
https://habr.com/ru/articles/922698/
#искусство #аукцион #стоимость #продажи #прирост #рынок_искусства #анализ #финансовая_аналитика #статистический_анализ #анализ_данных
Проектирование Информационных систем. Часть 10. Разработка требований 10.2. Формирование спецификаций требований
Вследствие кропотливой, многоэтапной работы проектировщиков и всей команды проекта на свет появился некий результирующий продукт - Требования к целевой Информационной системе. На каждом этапе в качестве входящих ресурсов мы использовали результаты предыдущих, наращивая шаг за шагом понимание и представление о том целевом продукте, который мы должны получить, в результате реализации проекта. Теперь наступил момент кульминации, когда мы можем специфицировать Требования, взяв за основу все те артефакты, которые получили в процессе проектирования. Для чего это необходимо делать? Все полученные артефакты складываются в стройную и полную модель прототипа целевого продукта только в реальности проектировщиков. Если же взглянуть на результат проектирования отстраненным взглядом команды, которой предстоит воплощать эту модель в коде, то окажется, что в общей картине не хватает множества разъяснений, стыковок, структурированности, последовательности исполнения и тому подобного. Опять же часто команда разработчиков не в полном объеме обладает способностью чтения диаграмм в разных нотациях. А потому их содержание должно быть переведено в более понятное представление, по возможности систематизированное в форме, близкой к структуре задач, поэтапное выполнение которых командой и приведет к тому самому целевому продукту.
https://habr.com/ru/articles/922458/
#проектирование_систем #анализ #анализ_и_проектирование_систем #системный_анализ #системный_аналитик #инженерия_требований #промышленная_автоматизация #требования_к_системе #спецификации #стандартизация
Как не-программист спас дедлайн и защитил тайны компании: История Веры и GPT для проверки договоров
Привет, Хабр! Меня зовут Александр, я лидер команды DevSup (это как DevOps, только с функцией поддержки больших клиентов которым Saas не подходит) в IT-компании ПравоТех. Мы создаем решения (например, case.one для ведения дел и doc.one для документооборота), чтобы юристы, менеджеры и все кто рядом с юриспруденцией могли работать быстрее, умнее и спокойнее. Наша миссия – «Помогаем людям получать удовольствие от работы». Сейчас у нас активно внедряются ИИ-инструменты. Создаются боты для консультаций и опросов, часто обращаемся к большим моделям чтобы «обстучать» какую-то идею. В этой статье поделюсь историей о том, как эффективно и безопасно использовать ИИ, превратив рутину в решенную задачу. Итак, представьте: вам в руки попадает договор поставки ПО. Не просто договор, а целая книжечка на 50-70 страниц А4. Нужно срочно – за 2-3 дня! – проанализировать его вдоль и поперек: проверить сроки, штрафы, бонусы, риски для вашей компании. Знакомая ситуация для менеджеров, юристов, закупщиков? Дилемма: Выкроить время и вычитать всё дотошно, рискуя не успеть? Или пробежаться по диагонали, надеясь, что глаз «зацепит» опасную формулировку? Соблазн велик: закинуть текст в публичный ИИ-чат (типа ChatGPT или DeepSeek) и спросить: «Эй, ИИ, моя компания ООО «Рога и копыта» – найди всё, что нам невыгодно!» Цена такого «упрощения» может быть огромной. Давайте разберемся, почему это крайне опасно : 1. Конфиденциальность — прощай! Условия договора (а они почти всегда секретны!) отправляются владельцу ИИ-сервиса. Нарушение пункта о неразглашении – гарантировано.
Проектирование Информационных систем. Часть 10. Разработка требований 10.1. Правила формирования требований
После того как мы при помощи разнообразных способов «объяснения неопределенности» собрали полную картину об исследуемой предметной области, можно прейти к формированию единого представления, описывающего предмет цифровизации. Для этого все формулировки, модели, алгоритмы и прочие артефакты необходимо систематизировать в виде структуры Требований к системе. Как обычно зададим цели на следующий этап работ: На основании собранной информации о целевом продукте подготовить качественные требования, позволяющие максимально эффективно организовать процесс их их согласования и реализации.
https://habr.com/ru/articles/921622/
#проектирование_систем #анализ #анализ_и_проектирование_систем #системный_анализ #системный_аналитик #инженерия_требований #промышленная_автоматизация #спецификации #iso #ISO_29148
Client Info
Server: https://mastodon.social
Version: 2025.07
Repository: https://github.com/cyevgeniy/lmst