Поддержка и развитие кодовой базы после завершения контракта

Поскольку мы в Embedika занимаемся проектной разработкой, работа над кодом не останавливается после формальной сдачи, а кодовая база продолжает развиваться. Поддержка включает несколько направлений: текущие доработки, гарантийные обязательства и плановый возврат к техническому долгу в межконтрактный период.

На базе существующего решения сразу начинается наполнение следующими задачами — проект развивается итеративно, один этап сменяет другой, а кодовая база постепенно расширяется.

Параллельно с этим действуют два типа поддержки:
1️⃣ Техподдержка — перечень задач, которые приводят к доработкам уже сданного функционала. Команда продолжает сопровождать решение и оперативно реагировать на возникающие вопросы.
2️⃣ Гарантийная поддержка — стандартная часть проектной работы с обязательствами перед заказчиком по сопровождению сданной функциональности.

После сдачи контракта всегда стартует межконтрактный интервал — период, когда команда может вернуться к накопившемуся техническому долгу. Это возможность провести рефакторинг, улучшить архитектурные решения и подготовить кодовую базу к следующему этапу работ, не откладывая эти задачи в пользу более критичных бизнес-требований. Как правило, в проектной разработке заложена возможность регулярно выделять время на такие улучшения — межконтрактные интервалы встроены в сам процесс работы над проектом и становятся плановой частью цикла.

Постоянное наполнение, гарантийная поддержка и плановый возврат к проработке техдолга позволяет поддерживать код в актуальном состоянии на протяжении всего жизненного цикла проекта.

Дамасские чернила | AI и M&A — взгляд практикующего юриста

Сегодня хотим рассказать о канале «Дамасские чернила | AI и M&A», который исследует применение искусственного интеллекта в юридической практике и корпоративной работе. В центре внимания — сделки M&A, комплаенс, работа с документами и нормативное регулирование ИИ в России.

Среди постоянных тем канала: разбор законодательных инициатив в сфере ИИ, практика due diligence с применением новых инструментов, обезличивание и защита данных при работе с моделями, а также влияние агентных систем на юридическую функцию.

Делимся интересными материалами из канала:

➡️ Разбор законопроекта об ИИ: критерии суверенных моделей, реестр доверенных систем, цепочка ответственности и спорные положения об интеллектуальной собственности.
➡️ Обезличивание персональных данных перед отправкой в облачные модели: обзор доступных инструментов и подходов, включая сборку решений под российский контур.
➡️ ИИ-агенты и мультиагентные системы: разбор архитектуры, классификация ролей и границы применимости в юридической практике.

Канал сочетает экспертизу в корпоративном праве с технической насмотренностью, что позволяет смотреть на тему ИИ без перекосов в ту или иную сторону.
Рекомендуем подписаться: @forgednotwritten

Как сократить разметку в 2-3 раза: эксперимент Embedika с активным обучением

Разметка данных для обучения ИИ — дорогой и трудозатратный процесс. Особенно в сложных доменах, вроде юридических текстов, где нужна экспертиза. Часто оказывается, что значительная часть размеченных данных не даёт существенного прироста качества модели.

Руководитель ИИ-разработки Embedika Валерия Басова поделилась в TProger опытом: как активное обучение позволяет сократить объем разметки без потери качества, и подтвердила это результатами эксперимента.

В материале разобрали на практике:
▫️ Как устроен цикл активного обучения и чем он отличается от ручной разметки;
▫️ Три ключевые стратегии отбора данных (Uncertainty Sampling, Diversity Sampling и Query by Committee) и как они работают;
▫️ Насколько активное обучение сокращает объем разметки: стратегия Entropy потребовала в 2-3 раза меньше размеченных примеров, чтобы выйти на тот же уровень качества, что и случайный отбор;
▫️ Почему универсальной стратегии не существует, и выбор всегда требует проверки под конкретную задачу и данные.

🔗 Полная версия статьи доступна на сайте TProger

#сми_о_нас

Сбои и отказы на бэкенде: диагностика и типовые решения

В работе бэкенд-разработчика периодически возникают ситуации, требующие быстрой реакции и глубокого понимания инфраструктуры. Это не только ошибки в коде, но и отказы внешних систем, проблемы связности или производительности. Поговорим о нескольких возможных сценариях, их диагностике и типичных ограничениях.

Чаще на бэкенде встречаются проблемы с инфраструктурой, производительностью и сложности с внешними интеграциями. Реже — неконсистентность данных.
Инфраструктурный слой устроен как пирамида: от физического «железа» в основании до прикладного ПО на её вершине. Каждый промежуточный уровень (сетевые сервисы, межсетевые экраны, дисковые массивы) потенциально может отказать. Сбои могут вызывать внутреннюю деградацию сервисов, нарушение сетевой связности между ними, а также блокировки легитимного трафика на уровне фильтрации в межсетевых экранах.

В числе наиболее ощутимых моментов, осложняющих работу:

➡️ Отсутствие прямого доступа в инфраструктуру продакшн-среды. Невозможность напрямую посмотреть логи или проверить состояние сервисов замедляет диагностику. В таких случаях разработчики формируют сценарии проверок и передают их службе эксплуатации, которая выполняет необходимые действия. Со временем проблема частично снимается накоплением опыта, т.к. формируется спектр типовых проблем и решений.

➡️ Излишняя переусложненность инфраструктуры и несогласованность её компонентов. Например, некорректная работа межсетевого экрана, блокирующего легитимный трафик. Команда предметно демонстрирует службе эксплуатации конкретные несостыковки, инициируя их устранение.

➡️ Проблемы с внешними интеграциями. Интеграции завязаны на внешние системы, и бэкендеры не могут напрямую влиять на их работу. При сбоях необходимо акцентировать внимание коллег на необходимости проверки внешней стороны и ожидать исправлений с их стороны. Регулярность таких ситуаций учитывается при планировании.

Как выстроена диагностика?
Обнаружением инфраструктурных инцидентов в ЦОД занимается служба эксплуатации. У неё есть доступы и настроенные механизмы уведомлений, которые позволяют оперативно понять характер проблемы. Параллельно команда разработки использует собственные средства мониторинга — бэкендеры и DevOps-инженеры видят состояние системы со своей стороны.

Когда поступает сигнал о сбое, характер ошибки определяет, кто именно подключается к диагностике. Служба эксплуатации, DevOps или бэкендеры шаг за шагом локализуют источник: анализируют логи, проверяют гипотезы, оценивают состояние сервисов. Если проблема вызвана неконсистентными данными в продакшен-среде, сначала исправляются данные, а затем проводится анализ причин, почему произошло нарушение целостности.

Инструменты, модели, промты: канал о повседневной работе с ИИ

Сегодня хотим поделиться еще одним каналом о работе с ИИ — Нейрохайп. В нем автор отслеживает новые модели, инструменты и подходы, а также тестирует их на практике, до того, как они попадают в корпоративные контуры и официальные обзоры.

Канал исследует, как ИИ применяется на практике и регулярно поднимает темы, которые часто остаются незамеченными в обзорах. Среди них:

➖ Использование сотрудниками публичных ИИ-сервисов для рабочих задач в обход корпоративных процедур;
➖ Критическая оценка релизов: отделение реального технологического прогресса от маркетинга;
➖ Границы применимости вайб-кодинга: где он перестаёт быть эффективным и уступает место промышленной разработке;
➖ Потребительские ИИ-практики как ранний индикатор того, что инструмент станет частью enterprise-ландшафта;
➖ Практический путь к ИИ-грамотности и многое другое.

Канал будет полезен пользователям, которые хотят понимать, куда движется ИИ, и видеть его глазами тех, кто пользуется им каждый день.
Больше о технологиях и связанных с ними процессах — в канале @hype_neuro

Итоги ЦИПР-2026: искусственный интеллект, инфраструктура, импортозамещение

С 18 по 21 мая в Нижнем Новгороде прошла конференция ЦИПР-2026. В этом году мы приняли участие в мероприятии и выделили несколько ключевых тем, которые обсуждались на сессиях с участием представителей власти, бизнеса и ИТ-сообщества.

▫️ Импортозамещение перешло в фазу внедрения и тиражирования
На конференции обозначили переход от экстренной замены ушедших вендоров рынок к активному внедрению и масштабированию собственных продуктов. Цифры подтверждают тренд: в 10 базовых отраслях доля отечественного ПО уже превышает 90% (авиа- и двигателестроение, ЖКХ и др.). При этом из 175 особо значимых проектов ИЦК завершено 120, и государство меняет фокус поддержки на проекты с ИИ и решения для критической инфраструктуры. Бизнес вложил 164 млрд рублей из общих 187 млрд

▫️ Внедрение искусственного интеллекта
Одной из центральных тем конференции стало внедрение технологий ИИ в промышленности. На площадке привели несколько показательных кейсов: ОАК — ускорение проектирования авиадеталей в 11 раз с помощью GigaChat; «Норникель» — сокращение подготовки документации с 20 недель до 3 благодаря генеративному ИИ. Сбер представил ИИ-систему для Российской орбитальной станции и руководство по AI-нативной трансформации разработки ПО. Отдельное внимание уделили теме AI-агентов, их обсуждали как следующий этап автоматизации — переход от выполнения отдельных операций к комплексным бизнес-ролям.

▫️ Данные и вычислительные мощности
Вместе с тем эксперты зафиксировали и ряд системных ограничений:
➖ Нехватку качественных данных для обучения индустриального ИИ. Интеллектуальная собственность заперта внутри корпораций, и механизмы безопасного доступа к ней разработчикам только предстоит создать.
➖ Дефицит вычислительных мощностей. Рост числа серверных стоек замедлился почти втрое (с 14 тыс. в 2024 до 5 тыс. в 2025), а сроки окупаемости ЦОДов растянулись до 10-12 лет. Без быстрого расширения инфраструктуры масштабировать ИИ-решения будет сложно.

▫️ Технологический суверенитет и кадры
Доля отечественного оборудования в сетях связи выросла до 35%. Операторы подтвердили планы полностью перейти на российские базовые станции к 2030 году, однако отметили, что текущие решения пока уступают импортным аналогам по стоимости и энергоэффективности. На конференции также представили облачную платформу Astra Cloud на российских процессорах Baikal-S — пример построения полностью отечественного технологического стека. В части подготовки кадров основной акцент — вовлечение студентов в реальные проекты по разработке и внедрению ИИ.

🔹 Своим взглядом на итоги конференции поделилась Айканыш Орозбаева, директор по развитию бизнеса в Embedika:

«ЦИПР-2026 показал, что рынок ИТ и ИИ в России переходит в более зрелую фазу: от импортозамещения и пилотов — к вопросам экономической эффективности, безопасности и масштабируемости решений.

Сегодня ключевой запрос со стороны крупных компаний — не просто внедрение ИИ, а снижение стоимости поддержки и управления сложными процессами, включая промышленные и производственные контуры.

Отдельно заметен вызов по переходу от точечных AI-сценариев к ИИ-агентам — системам, которые способны выполнять уже не отдельные операции, а комплексные бизнес-функции. При этом вместе с ростом интереса к ИИ усиливаются и требования к безопасности данных, устойчивости инфраструктуры и возможности масштабирования решений внутри крупных распределенных компаний.»

Парадокс, с которым столкнулись многие компании: ИИ ускоряет отдельные задачи, но общая нагрузка на сотрудников только растет.

В новом материале Газета.Ru Айканыш Орозбаева, директор по развитию бизнеса в Embedika разбирает корень проблемы — попытку встроить современные инструменты в устаревшие и неэффективные процессы. Подробности👇

Два подхода к ИИ в бизнесе: ML и генеративные модели

В корпоративной разработке сегодня сосуществуют два подхода к искусственному интеллекту: классический ML и GenAI. Они решают разные задачи, по-разному устроены и требуют разной степени контроля. Сегодня сравним оба подхода — как они устроены, чем отличаются по управлению и в каких сценариях применяются.

Классический ML строится на управлении данными. Качество модели в этом случае напрямую зависит от объёма, разметки и предобработки данных. Ошибки — это отклонения от ожидаемого поведения, которые можно измерить и локализовать. Для классического ML можно выделить несколько особенностей:

➖ Детерминированный результат: один запрос → один ответ с известной вероятностью ошибки (ложноположительные или ложноотрицательные срабатывания).
➖ Прогнозируемая стоимость: основные затраты приходятся на обучение, инференс остается дешевым.
➖ Мониторинг и контроль: отслеживается дрифт данных и деградация метрик, при необходимости модель переобучается.

Генеративный ИИ работает иначе. Вместо обучения с нуля система управляется через промпты, RAG и контекст. Это дает гибкость. Модель можно быстро адаптировать под новую задачу без переобучения, она способна генерировать связные тексты, отвечать на сложные вопросы, писать код или резюмировать документы. Однако у такой гибкости есть обратная сторона:

➖ Качество становится вероятностным — один и тот же запрос может давать разные ответы, а модель может выдавать правдоподобные, но ложные сведения (галлюцинации).
➖ GenAI чувствителен к формулировкам и контексту, требует контроля безопасности (промпт-инъекции, утечка данных) и обходится дороже. Каждый запрос оплачивается по токенам, и при росте пользователей затраты растут линейно.

Для задач с высокими требованиями к точности, предсказуемости и контролю (интеллектуальный поиск, классификация документов, прогнозирование) ML предоставляет измеримые KPI, стабильную стоимость и понятные механизмы управления ошибками. В сценариях же, где требуется генерация связного ответа на вопрос (например, в RAG), основным, напротив, становится GenAI. ML в этом случае получает вспомогательную роль для ускорения генеративной системы. Так, отдельные модули в RAG-системе могут быть реализованы на ML, поскольку они решают задачу быстрее, чем если бы они были сделаны на LLM, что повышает общую скорость работы.