⭐️ Российские учёные представили новый прототип квантового компьютера
Российские исследователи сделали значительный шаг в развитии отечественных квантовых технологий. Специалисты Госкорпорации «Росатом» совместно с Московским государственным университетом имени М. В. Ломоносова представили прототип трёхзонного квантового компьютера, рассчитанного на 72 кубита. Одним из ключевых достижений нового устройства стала высокая точность выполнения двухкубитных операций — на уровне 94%.
Это уже третий российский прототип квантового компьютера, преодолевающий отметку в 70 кубитов. Квантовые системы, использующие кубиты, способные находиться в состоянии суперпозиции, обещают качественно увеличить вычислительные возможности при решении особо сложных задач. Однако с ростом числа кубитов традиционно увеличиваются и ошибки в вычислениях, поэтому показатель точности операций является критически важным.
Особенностью нового прототипа стала его трёхзонная архитектура. В устройстве зоны вычислений, долговременного хранения данных и считывания информации разделены и выполняют специализированные функции. Такое инженерное решение повышает стабильность хрупких квантовых состояний и позволяет корректировать логические ошибки. На текущем этапе активны две зоны — вычислений и хранения, а зона считывания будет подключена в следующей версии устройства.
Продолжение: https://vk.com/wall-210601538_1961
Российские исследователи сделали значительный шаг в развитии отечественных квантовых технологий. Специалисты Госкорпорации «Росатом» совместно с Московским государственным университетом имени М. В. Ломоносова представили прототип трёхзонного квантового компьютера, рассчитанного на 72 кубита. Одним из ключевых достижений нового устройства стала высокая точность выполнения двухкубитных операций — на уровне 94%.
Это уже третий российский прототип квантового компьютера, преодолевающий отметку в 70 кубитов. Квантовые системы, использующие кубиты, способные находиться в состоянии суперпозиции, обещают качественно увеличить вычислительные возможности при решении особо сложных задач. Однако с ростом числа кубитов традиционно увеличиваются и ошибки в вычислениях, поэтому показатель точности операций является критически важным.
Особенностью нового прототипа стала его трёхзонная архитектура. В устройстве зоны вычислений, долговременного хранения данных и считывания информации разделены и выполняют специализированные функции. Такое инженерное решение повышает стабильность хрупких квантовых состояний и позволяет корректировать логические ошибки. На текущем этапе активны две зоны — вычислений и хранения, а зона считывания будет подключена в следующей версии устройства.
Продолжение: https://vk.com/wall-210601538_1961
VK
MLSECOPS | AI GOVERNANCE | НИКОЛАЙ ПАВЛОВ. Пост со стены.
⭐ Российские учёные представили новый прототип квантового компьютера
Российские исследователи... Смотрите полностью ВКонтакте.
Российские исследователи... Смотрите полностью ВКонтакте.
🔥5⚡1
⭐️ 10 интересных фактов о квантовых технологиях
Факт 1. Кубит одновременно равен 0 и 1
В отличие от обычного бита (0 или 1), квантовый бит — кубит — может находиться в состоянии суперпозиции, то есть быть и 0, и 1 одновременно. Благодаря этому квантовый компьютер с 50 кубитами может обрабатывать больше вариантов, чем атомов в известной Вселенной!
Факт 2. Запутанность - связанность частиц на огромных расстояниях
Две запутанные частицы связаны так, что изменение состояния одной мгновенно влияет на другую, даже если они на противоположных концах Земли. Эйнштейн называл это «жутким действием на расстоянии».
Факт 3. Квантовые компьютеры не взламывают всё подряд
Они не заменяют обычные компьютеры, а решают очень специфические задачи: моделирование молекул, оптимизация логистики, взлом некоторых типов шифрования (например, RSA) — но не все.
Факт 4. Россия строит квантовый интернет
В рамках нацпроекта «Цифровая экономика» Россия разрабатывает квантовую связь — сеть, в которой данные передаются с помощью фотонов и защищены на физическом уровне от прослушивания.
Факт 5. Квантовые часы максимально точные
Самые точные квантовые часы (оптические атомные) за 15 миллиардов лет отстанут меньше чем на одну секунду. Это помогает уточнить GPS, проверить теорию относительности и даже находить подземные залежи полезных ископаемых.
Продолжение: https://vk.com/wall-210601538_1962
Факт 1. Кубит одновременно равен 0 и 1
В отличие от обычного бита (0 или 1), квантовый бит — кубит — может находиться в состоянии суперпозиции, то есть быть и 0, и 1 одновременно. Благодаря этому квантовый компьютер с 50 кубитами может обрабатывать больше вариантов, чем атомов в известной Вселенной!
Факт 2. Запутанность - связанность частиц на огромных расстояниях
Две запутанные частицы связаны так, что изменение состояния одной мгновенно влияет на другую, даже если они на противоположных концах Земли. Эйнштейн называл это «жутким действием на расстоянии».
Факт 3. Квантовые компьютеры не взламывают всё подряд
Они не заменяют обычные компьютеры, а решают очень специфические задачи: моделирование молекул, оптимизация логистики, взлом некоторых типов шифрования (например, RSA) — но не все.
Факт 4. Россия строит квантовый интернет
В рамках нацпроекта «Цифровая экономика» Россия разрабатывает квантовую связь — сеть, в которой данные передаются с помощью фотонов и защищены на физическом уровне от прослушивания.
Факт 5. Квантовые часы максимально точные
Самые точные квантовые часы (оптические атомные) за 15 миллиардов лет отстанут меньше чем на одну секунду. Это помогает уточнить GPS, проверить теорию относительности и даже находить подземные залежи полезных ископаемых.
Продолжение: https://vk.com/wall-210601538_1962
VK
MLSECOPS | AI GOVERNANCE | НИКОЛАЙ ПАВЛОВ. Пост со стены.
⭐ 10 интересных фактов о квантовых технологиях
Факт 1. Кубит одновременно равен 0 и 1
В о... Смотрите полностью ВКонтакте.
Факт 1. Кубит одновременно равен 0 и 1
В о... Смотрите полностью ВКонтакте.
🔥3⚡2
Channel name was changed to «MLSecOps | AI Governance | IT Trends»
⭐️ AI Governance в 2026 году
AI Governance — это набор методов, принципов, правил и практик, которые помогают компаниям эффективно и ответственно управлять созданием, развитием и использованием системами искусственного интеллекта (ИИ-системами).
Долгосрочная цель AI Governance — обеспечить безопасность, этичность и экономическую пользу ИИ-систем, охватив все возможные процессы компании ИИ-автоматизацией.
Основные принципы AI Governance:
1. Прозрачность. Обеспечение прозрачности процессов принятия решений и выдачи результатов ИИ.
2. Ответственность. Установление того, кто или что (например, компания) несёт ответственность за результаты, которые выдаёт ИИ.
3. Справедливость. Гарантия того, что ИИ не дискриминирует никакие группы по характеристикам чувствительных данных.
4. Соответствие законодательству. Соблюдение законов и нормативных актов, связанных с защитой данных и этическими стандартами ИИ.
5. Эффективность. ИИ должен внедряться не "ради ИИ", а для достижения измеримых бизнес-результатов с учётом получения окупаемости в установленный период времени.
Основные задачи AI Governance:
1. Стратегическое выравнивание целей и технологий. ИИ-проекты должны решать конкретные бизнес-задачи, а их цели согласованы с общими целями компании.
2. Управление рисками. Необходимо заранее учитывать риски — от неточностей и сбоев до регуляторных ограничений и этических аспектов.
3. Контроль качества данных. AI Governance предполагает активную работу с данными, в том числе проверку на bias (систематические смещения), обеспечение конфиденциальности и соответствие законам о данных.
4. Активное вовлечение людей. ИИ не должен работать в вакууме — важно определить, где нужен человеческий контроль.
5. Обеспечение соответствия нормативно-правовому регулированию. ИИ-системы должны соответствовать не только действующему законодательству, но требованиям отрасли, а также внутренним регламентам компании и при необходимости требованиям контрагентов (если это закреплено в договорных отношениях).
Продолжение: https://vk.com/wall-210601538_1963
AI Governance — это набор методов, принципов, правил и практик, которые помогают компаниям эффективно и ответственно управлять созданием, развитием и использованием системами искусственного интеллекта (ИИ-системами).
Долгосрочная цель AI Governance — обеспечить безопасность, этичность и экономическую пользу ИИ-систем, охватив все возможные процессы компании ИИ-автоматизацией.
Основные принципы AI Governance:
1. Прозрачность. Обеспечение прозрачности процессов принятия решений и выдачи результатов ИИ.
2. Ответственность. Установление того, кто или что (например, компания) несёт ответственность за результаты, которые выдаёт ИИ.
3. Справедливость. Гарантия того, что ИИ не дискриминирует никакие группы по характеристикам чувствительных данных.
4. Соответствие законодательству. Соблюдение законов и нормативных актов, связанных с защитой данных и этическими стандартами ИИ.
5. Эффективность. ИИ должен внедряться не "ради ИИ", а для достижения измеримых бизнес-результатов с учётом получения окупаемости в установленный период времени.
Основные задачи AI Governance:
1. Стратегическое выравнивание целей и технологий. ИИ-проекты должны решать конкретные бизнес-задачи, а их цели согласованы с общими целями компании.
2. Управление рисками. Необходимо заранее учитывать риски — от неточностей и сбоев до регуляторных ограничений и этических аспектов.
3. Контроль качества данных. AI Governance предполагает активную работу с данными, в том числе проверку на bias (систематические смещения), обеспечение конфиденциальности и соответствие законам о данных.
4. Активное вовлечение людей. ИИ не должен работать в вакууме — важно определить, где нужен человеческий контроль.
5. Обеспечение соответствия нормативно-правовому регулированию. ИИ-системы должны соответствовать не только действующему законодательству, но требованиям отрасли, а также внутренним регламентам компании и при необходимости требованиям контрагентов (если это закреплено в договорных отношениях).
Продолжение: https://vk.com/wall-210601538_1963
VK
MLSECOPS | AI GOVERNANCE | IT TRENDS. Пост со стены.
⭐ AI Governance в 2026 году
AI Governance — это набор методов, принципов, правил и практик, к... Смотрите полностью ВКонтакте.
AI Governance — это набор методов, принципов, правил и практик, к... Смотрите полностью ВКонтакте.
🔥5⚡2
⭐️ Безопасная и отказоустойчивая архитектура автономных ИИ-агентов и киберфизических ИИ-систем
Современные автономные ИИ-агенты и киберфизические ИИ-системы (от беспилотного транспорта и умных электросетей до медицинских роботов и промышленных контроллеров) всё чаще принимают решения, напрямую влияющие на жизнь, здоровье, экономику и национальную безопасность. В современных условиях вопросы безопасности и отказоустойчивости перестают быть вспомогательными и становятся центральными при проектировании, развёртывании и сопровождении таких систем.
При этом главная проблема заключается в том, что ИИ-системы, особенно автономные, функционируют в условиях высокой неопределённости: данные могут меняться, сенсоры — выходить из строя или банально загрязняться, внешняя среда — вести себя очень непредсказуемо, а злоумышленники — целенаправленно атаковать сотнями разных способов уязвимости моделей или инфраструктуры. При этом физические последствия сбоев могут быть катастрофическими. Поэтому архитектура таких систем должна быть изначально ориентирована не на максимальную производительность, а на безопасность, отказоустойчивость, верифицируемость и контролируемость.
Важно учитывать, что работа над безопасной системой начинается ещё на этапе планирования. Здесь необходимо чётко определить критичность реализуемых системой функций, уровень допустимой автономности, границы ответственности ИИ и человека, а также формализовать требования к надёжности, объяснимости и этической приемлемости. Важно провести оценку потенциального воздействия ИИ (т.н. AI Impact assessment), аналогичную оценке защиты персональных данных, чтобы выявить риски до начала разработки. Эти риски также следует оценить, как минимум экспертно, с расчётом их потенциального ущерба.
На этапе проектирования закладываются архитектурные принципы отказоустойчивости. Система должна быть модульной: восприятие, планирование, принятие решений и исполнение технологически разделяются, изолируются и защищаются. Каждый компонент должен иметь резервирование или rollback-механизм — например, при потере уверенности в решении ИИ передаёт управление человеку или переходит в упрощённый, но безопасный режим работы (либо на более раннюю версию). Использование цифровых двойников и симуляций, если это возможно, позволяет заранее протестировать поведение системы в экстремальных условиях, включая отказы оборудования и кибератаки.
Особое внимание уделяется защите данных и моделей. Обучающие данные должны быть верифицированы, сбалансированы и защищены от отравления. При этом проверка на отравление, безусловно, остается. Модели обучаются с учётом робастности — например, на основе синтетических данных или через доменную рандомизацию, чтобы сохранять устойчивость к искажённым или нестандартным входным сигналам. Все версии моделей и данных подписываются, версионируются и хранятся в защищённых репозиториях.
В процессе эксплуатации безопасность обеспечивается непрерывным мониторингом. Система отслеживает смещение данных, задержки инференса, аномалии в поведении и целостность исполняемого окружения. При обнаружении отклонений она должна иметь возможность динамически переключаться на резервную модель, снижать уровень автономности или инициировать аварийную остановку. При этом, стандартно, запускаются алертинги.
После развёртывания начинается этап аудита. Он включает как автоматизированную проверку соответствия нормативным требованиям (например, российским национальным ГОСТам по безопасности и отказоустойчивости ИИ), так и ручной разбор инцидентов. Важно, чтобы из каждого сбоя извлекался урок (т.н. postmortem): корневые причины должны быть проанализированы, а выводы строго интегрированы в цикл разработки для улучшения будущих версий.
Ключевые роли в обеспечении безопасности автономных ИИ-агентов и киберфизических ИИ-систем играют интеграция MLSecOps и AI Governance.
1. MLSecOps отвечает за техническую гигиену: сканирование моделей на уязвимости, управление жизненным циклом, защиту CI/CD-конвейеров.
Современные автономные ИИ-агенты и киберфизические ИИ-системы (от беспилотного транспорта и умных электросетей до медицинских роботов и промышленных контроллеров) всё чаще принимают решения, напрямую влияющие на жизнь, здоровье, экономику и национальную безопасность. В современных условиях вопросы безопасности и отказоустойчивости перестают быть вспомогательными и становятся центральными при проектировании, развёртывании и сопровождении таких систем.
При этом главная проблема заключается в том, что ИИ-системы, особенно автономные, функционируют в условиях высокой неопределённости: данные могут меняться, сенсоры — выходить из строя или банально загрязняться, внешняя среда — вести себя очень непредсказуемо, а злоумышленники — целенаправленно атаковать сотнями разных способов уязвимости моделей или инфраструктуры. При этом физические последствия сбоев могут быть катастрофическими. Поэтому архитектура таких систем должна быть изначально ориентирована не на максимальную производительность, а на безопасность, отказоустойчивость, верифицируемость и контролируемость.
Важно учитывать, что работа над безопасной системой начинается ещё на этапе планирования. Здесь необходимо чётко определить критичность реализуемых системой функций, уровень допустимой автономности, границы ответственности ИИ и человека, а также формализовать требования к надёжности, объяснимости и этической приемлемости. Важно провести оценку потенциального воздействия ИИ (т.н. AI Impact assessment), аналогичную оценке защиты персональных данных, чтобы выявить риски до начала разработки. Эти риски также следует оценить, как минимум экспертно, с расчётом их потенциального ущерба.
На этапе проектирования закладываются архитектурные принципы отказоустойчивости. Система должна быть модульной: восприятие, планирование, принятие решений и исполнение технологически разделяются, изолируются и защищаются. Каждый компонент должен иметь резервирование или rollback-механизм — например, при потере уверенности в решении ИИ передаёт управление человеку или переходит в упрощённый, но безопасный режим работы (либо на более раннюю версию). Использование цифровых двойников и симуляций, если это возможно, позволяет заранее протестировать поведение системы в экстремальных условиях, включая отказы оборудования и кибератаки.
Особое внимание уделяется защите данных и моделей. Обучающие данные должны быть верифицированы, сбалансированы и защищены от отравления. При этом проверка на отравление, безусловно, остается. Модели обучаются с учётом робастности — например, на основе синтетических данных или через доменную рандомизацию, чтобы сохранять устойчивость к искажённым или нестандартным входным сигналам. Все версии моделей и данных подписываются, версионируются и хранятся в защищённых репозиториях.
В процессе эксплуатации безопасность обеспечивается непрерывным мониторингом. Система отслеживает смещение данных, задержки инференса, аномалии в поведении и целостность исполняемого окружения. При обнаружении отклонений она должна иметь возможность динамически переключаться на резервную модель, снижать уровень автономности или инициировать аварийную остановку. При этом, стандартно, запускаются алертинги.
После развёртывания начинается этап аудита. Он включает как автоматизированную проверку соответствия нормативным требованиям (например, российским национальным ГОСТам по безопасности и отказоустойчивости ИИ), так и ручной разбор инцидентов. Важно, чтобы из каждого сбоя извлекался урок (т.н. postmortem): корневые причины должны быть проанализированы, а выводы строго интегрированы в цикл разработки для улучшения будущих версий.
Ключевые роли в обеспечении безопасности автономных ИИ-агентов и киберфизических ИИ-систем играют интеграция MLSecOps и AI Governance.
1. MLSecOps отвечает за техническую гигиену: сканирование моделей на уязвимости, управление жизненным циклом, защиту CI/CD-конвейеров.
⚡3🔥3
2. AI Governance задаёт этические и правовые рамки: принципы прозрачности, недискриминации, распределения ответственности. Вместе они формируют двойную защиту — техническую и нормативную.
В перспективе архитектура автономных ИИ-систем должна эволюционировать от просто отказоустойчивой к «антихрупкой» — способной не только выдерживать удары, но и укрепляться за счёт них. Это, на мой взгляд, предполагает самообучение на инцидентах, адаптацию к новым угрозам и коллективную устойчивость в сетях взаимодействующих агентов.
В заключение отмечу, что создание безопасных и отказоустойчивых автономных ИИ-систем — это не инженерная задача в узком смысле, а масштабный вызов, требующий системного мышления, междисциплинарного подхода и глубокой ответственности.
Архитектор MLSecOps
Николай Павлов
В перспективе архитектура автономных ИИ-систем должна эволюционировать от просто отказоустойчивой к «антихрупкой» — способной не только выдерживать удары, но и укрепляться за счёт них. Это, на мой взгляд, предполагает самообучение на инцидентах, адаптацию к новым угрозам и коллективную устойчивость в сетях взаимодействующих агентов.
В заключение отмечу, что создание безопасных и отказоустойчивых автономных ИИ-систем — это не инженерная задача в узком смысле, а масштабный вызов, требующий системного мышления, междисциплинарного подхода и глубокой ответственности.
Архитектор MLSecOps
Николай Павлов
🔥5⚡2
⭐️ В свободное время на каникулах провел серию встреч по безопасной работе с нейронными сетями с ребятами в детском лагере
Ежегодно интерес детей к этому важному направлению растёт. И крайне важно уже сегодня учить их самым современным и полезным цифровым навыкам. В этот раз удалось заинтересовать даже самых юных детей, 7-8 лет, что доказывает - в современных школах и детских лагерях прямо сейчас уже с первого класса можно и нужно запускать такие кружки, проводить целевые уроки, создавать технические лаборатории по формированию цифровых навыков!
Некоторые ребята особенно активно погружались в нейронные сети, проявляли искренний интерес, за что им отдельное спасибо!
Мне хочется верить, что в будущем каждый ребенок будет идти в ногу с ускоряющимся технологическим прогрессом и сможет выстоять в конкурентной борьбе. Будет заниматься полезным для людей и страны делом. Сможет передать полученные знания далее, другим поколениям.
До новых встреч!
Архитектор MLSecOps
Николай Павлов
Ежегодно интерес детей к этому важному направлению растёт. И крайне важно уже сегодня учить их самым современным и полезным цифровым навыкам. В этот раз удалось заинтересовать даже самых юных детей, 7-8 лет, что доказывает - в современных школах и детских лагерях прямо сейчас уже с первого класса можно и нужно запускать такие кружки, проводить целевые уроки, создавать технические лаборатории по формированию цифровых навыков!
Некоторые ребята особенно активно погружались в нейронные сети, проявляли искренний интерес, за что им отдельное спасибо!
Мне хочется верить, что в будущем каждый ребенок будет идти в ногу с ускоряющимся технологическим прогрессом и сможет выстоять в конкурентной борьбе. Будет заниматься полезным для людей и страны делом. Сможет передать полученные знания далее, другим поколениям.
До новых встреч!
Архитектор MLSecOps
Николай Павлов
❤5🔥3
⭐️ Новогодний эфир «Безопасность и интерпретируемость моделей»
На новогоднем онлайн-эфире о безопасности и интерпретируемости моделей машинного обучения обсудим ключевые тренды AI Security 2025 года, различия между safety и security, практику применения guardrails, steering и RLHF, а также роль интерпретируемости в защите моделей. Формат живого обсуждения с ответами на вопросы участников.
Топовые спикеры:
🔥 Сабрина Садиех – Исследователь в области XAI, магистрантка ВШЭ, автор канала Data Blog
🔥 Евгений Кокуйкин – Руководитель AI Security Lab Talent Hub, CEO HiveTrace
Темы:
+ Безопасность моделей. Какие подходы и методы стали ключевыми в 2025 году и какие тренды будут определять развитие дальше.
+ Различие safety и security. Почему эти понятия важно разделять на практике.
+ Guardrails, steering и RLHF. Плюсы, минусы и границы применимости методов.
+ Роль интерпретируемости в задачах безопасности моделей.
В формате живого обсуждения мы также ответим на вопросы участников.
Когда: 8 января, 14:00 по Москве.
Ссылка на регистрацию: https://aisecuritylab.timepad.ru/event/3751600
Очень рекомендую всем подключиться и принять участие!
Архитектор MLSecOps
Николай Павлов
На новогоднем онлайн-эфире о безопасности и интерпретируемости моделей машинного обучения обсудим ключевые тренды AI Security 2025 года, различия между safety и security, практику применения guardrails, steering и RLHF, а также роль интерпретируемости в защите моделей. Формат живого обсуждения с ответами на вопросы участников.
Топовые спикеры:
🔥 Сабрина Садиех – Исследователь в области XAI, магистрантка ВШЭ, автор канала Data Blog
🔥 Евгений Кокуйкин – Руководитель AI Security Lab Talent Hub, CEO HiveTrace
Темы:
+ Безопасность моделей. Какие подходы и методы стали ключевыми в 2025 году и какие тренды будут определять развитие дальше.
+ Различие safety и security. Почему эти понятия важно разделять на практике.
+ Guardrails, steering и RLHF. Плюсы, минусы и границы применимости методов.
+ Роль интерпретируемости в задачах безопасности моделей.
В формате живого обсуждения мы также ответим на вопросы участников.
Когда: 8 января, 14:00 по Москве.
Ссылка на регистрацию: https://aisecuritylab.timepad.ru/event/3751600
Очень рекомендую всем подключиться и принять участие!
Архитектор MLSecOps
Николай Павлов
aisecuritylab.timepad.ru
Новогодний эфир «Безопасность и интерпретируемость моделей» / События на TimePad.ru
Новогодний онлайн-эфир о безопасности и интерпретируемости моделей машинного обучения. Обсудим ключевые тренды AI Security 2025 года, различия между safety и security, практику применения guardrails, steering и RLHF, а также роль интерпретируемости в защите…
🔥7👏1
🎄 Дорогие коллеги и друзья!
Сердечно поздравляю вас с Рождеством Христовым! 🙏
В эпоху ИИ оставайтесь теми, кто хранит разум, совесть и надежду, непрерывно обучается, гарантируя безопасность, отказоустойчивость и служение высоких технологий на благо людям и России!
Желаю вам и вашим близким счастья, мира, веры в лучшее, вдохновения в работе и огромных сил, чтобы строить будущее.
С праздником!✨
Архитектор MLSecOps
Николай Павлов
Сердечно поздравляю вас с Рождеством Христовым! 🙏
В эпоху ИИ оставайтесь теми, кто хранит разум, совесть и надежду, непрерывно обучается, гарантируя безопасность, отказоустойчивость и служение высоких технологий на благо людям и России!
Желаю вам и вашим близким счастья, мира, веры в лучшее, вдохновения в работе и огромных сил, чтобы строить будущее.
С праздником!✨
Архитектор MLSecOps
Николай Павлов
🎄4❤1
MLSecOps | AI Governance | IT Trends
⭐️ Новогодний эфир «Безопасность и интерпретируемость моделей» На новогоднем онлайн-эфире о безопасности и интерпретируемости моделей машинного обучения обсудим ключевые тренды AI Security 2025 года, различия между safety и security, практику применения guardrails…
Эфир начинается! Ссылка на подключение: https://us06web.zoom.us/j/84061449320?pwd=q9oLPX9i4NNTRhHeOKCXIJYUAwC3ta.1
Zoom
Join our Cloud HD Video Meeting
Zoom is the leader in modern enterprise cloud communications.
🔥4⚡2
Forwarded from Data Blog
Media is too big
VIEW IN TELEGRAM
Привет, друзья! А вот и наш вчерашний эфир. ☺️
На нём было всё — от конструктивного обсуждения, до случайных вольных художников. Последних пришлось вырезать, ибо свастика, элементы биологии и правописание глаголов в нецензурном контексте — не тема эфира. Зато как было весело в онлайне!
Прошлись по всем темам:
1. Безопасность моделей: какие подходы и методы стали ключевыми в 2025 году и какие тренды будут определять развитие дальше.
2. Safety vs Security: почему эти понятия важно чётко различать на практике.
3. Guardrails, steering и RLHF: сильные стороны, ограничения и границы применимости.
4. Роль интерпретируемости в задачах безопасности моделей.
+ обсудили, как же весело делать рисерч, узнали некоторые детали о разметке данных, обсудили тему необходимости интерпретиуремости и подумали, есть ли в ней прибыль.
Спасибо слушателям за вопросы и комментарии!
Надеюсь, встретимся ещё неоднократно!
Ваш,
Дата-автор! 🤗
На нём было всё — от конструктивного обсуждения, до случайных вольных художников. Последних пришлось вырезать, ибо свастика, элементы биологии и правописание глаголов в нецензурном контексте — не тема эфира. Зато как было весело в онлайне!
Прошлись по всем темам:
1. Безопасность моделей: какие подходы и методы стали ключевыми в 2025 году и какие тренды будут определять развитие дальше.
2. Safety vs Security: почему эти понятия важно чётко различать на практике.
3. Guardrails, steering и RLHF: сильные стороны, ограничения и границы применимости.
4. Роль интерпретируемости в задачах безопасности моделей.
+ обсудили, как же весело делать рисерч, узнали некоторые детали о разметке данных, обсудили тему необходимости интерпретиуремости и подумали, есть ли в ней прибыль.
Спасибо слушателям за вопросы и комментарии!
Надеюсь, встретимся ещё неоднократно!
Ваш,
Дата-автор! 🤗
🔥7
⭐️ 2026 назвали годом настоящей монетизации искусственного интеллекта. AI Governance в топе
Мировой рынок искусственного интеллекта стоит на пороге качественного сдвига. Если предыдущие годы были посвящены шумихе, фундаментальным прорывам и пилотным запускам, то 2026-й, по единодушному мнению экспертов, станет временем, когда ИИ начнёт приносить реальные деньги в масштабах всей экономики. Как отмечает аналитик Дэн Айвз, человечество вступает в «год монетизации ИИ», когда построенная инфраструктура начнёт активно использоваться как предприятиями, так и конечными потребителями, генерируя измеримый финансовый поток.
Этот прогноз основан на наблюдаемом ускорении бизнеса, связанного с ИИ, и ожидании, что ИТ-директора и руководители компаний в ближайшее время перейдут от этапа определения возможностей к этапу их широкого и глубокого внедрения. Западные аналитики подчёркивают, что текущий рост — это не признак «пузыря», а лишь самые ранние стадии долгосрочной технологической революции, которая будет разворачиваться в течение всего следующего десятилетия.
Подтверждением этой тенденции служат и глобальные прогнозы расходов. Согласно данным, в 2026 году мировые инвестиции в искусственный интеллект впервые в истории превысят отметку в 2 триллиона долларов. Этот рост будет обеспечен не только транснациональными технологическими корпорациями, но и гораздо более широким кругом предприятий из различных отраслей, которые начнут массово интегрировать ИИ в свою основную инфраструктуру — от смартфонов и персональных компьютеров до корпоративных систем и производственных линий.
Однако скорость этого перехода будет неравномерной и будет зависеть от региональных экономических условий, регуляторной среды и, что критически важно, от доступа к квалифицированным кадрам. Это объясняется тем, что не каждая компания сможет или захочет проводить масштабную и дорогостоящую модернизацию одинаковыми темпами, что создаст новый ландшафт конкурентных преимуществ.
Продолжение: https://vk.com/wall-210601538_1970
Мировой рынок искусственного интеллекта стоит на пороге качественного сдвига. Если предыдущие годы были посвящены шумихе, фундаментальным прорывам и пилотным запускам, то 2026-й, по единодушному мнению экспертов, станет временем, когда ИИ начнёт приносить реальные деньги в масштабах всей экономики. Как отмечает аналитик Дэн Айвз, человечество вступает в «год монетизации ИИ», когда построенная инфраструктура начнёт активно использоваться как предприятиями, так и конечными потребителями, генерируя измеримый финансовый поток.
Этот прогноз основан на наблюдаемом ускорении бизнеса, связанного с ИИ, и ожидании, что ИТ-директора и руководители компаний в ближайшее время перейдут от этапа определения возможностей к этапу их широкого и глубокого внедрения. Западные аналитики подчёркивают, что текущий рост — это не признак «пузыря», а лишь самые ранние стадии долгосрочной технологической революции, которая будет разворачиваться в течение всего следующего десятилетия.
Подтверждением этой тенденции служат и глобальные прогнозы расходов. Согласно данным, в 2026 году мировые инвестиции в искусственный интеллект впервые в истории превысят отметку в 2 триллиона долларов. Этот рост будет обеспечен не только транснациональными технологическими корпорациями, но и гораздо более широким кругом предприятий из различных отраслей, которые начнут массово интегрировать ИИ в свою основную инфраструктуру — от смартфонов и персональных компьютеров до корпоративных систем и производственных линий.
Однако скорость этого перехода будет неравномерной и будет зависеть от региональных экономических условий, регуляторной среды и, что критически важно, от доступа к квалифицированным кадрам. Это объясняется тем, что не каждая компания сможет или захочет проводить масштабную и дорогостоящую модернизацию одинаковыми темпами, что создаст новый ландшафт конкурентных преимуществ.
Продолжение: https://vk.com/wall-210601538_1970
VK
MLSECOPS | AI GOVERNANCE | IT TRENDS. Пост со стены.
⭐ 2026 назвали годом настоящей монетизации искусственного интеллекта. AI Governance в топе
Ми... Смотрите полностью ВКонтакте.
Ми... Смотрите полностью ВКонтакте.
🔥7
⭐️ RT.DataGovernance
С утра в понедельник я продолжаю погружение в технологии по управлению большими данными. И на очереди RT.DataGovernance от компании TData, важный инструмент, позволяющий улучшать качество процессов MLSecOps и AI Governance.
RT.DataGovernance - это инструмент, предназначенный для:
+ документирования данных
+ совместной работы с данными
+ повышения их прозрачности и доступности для бизнеса
+ обеспечения согласованной работы бизнес-подразделений и ИТ-специалистов
Включает в себя:
1. Каталог данных - модуль для сбора и хранения метаданных, который предоставляет информацию о имеющихся данных в компании, их актуальности и доступности.
2. Бизнес-глоссарий - инструмент для согласования и утверждения терминологии компании, единый «источник правды» для бизнес-терминов.
3. Реестр отчетов - каталог инфосервисов, реализованных в корпоративных хранилищах компании. Содержит информацию об атрибутном составе, ссылках на отчет\заявках на доступ, инструментах визуализации, глубине доступности и другой немаловажной пользовательской информации.
4. Реестр универсальных объектов - это модуль, позволяющий пользователям проектировать реестры для управления данными, задавать им необходимую аналитику, настраивать связи, процессы согласования, отображать сквозные связи с остальными элементами.
5. Бизнес-портал - портал для бизнес-пользователей, который позволяет оперативно искать и анализировать данные компании. Портал служит единой точкой входа для изучения данных и обучения работы с данными.
Является проводником в развитии data driven культуры компании.
6. Data Lineage - модуль, содержащий информацию о потоке данных в хранилище от источника до средства визуализации.
7. Data Quality - решение, которое позволяет на уровне настраиваемых бизнес-правил проводить анализ качества данных, обеспечивает реализацию типовых и сложных проверок, формирование и рассылку отчетов об ошибках в данных, визуализацию результатов проверок на дашбордах.
Преимущества RT.DataGovernance:
+ Программный продукт внесен в единый реестр отечественного ПО Минцифры России (реестровая запись №6751 от 09.06.2020)
+ Решение основных проблем в рабочих процессах сотрудников по управлению данными
+ Интуитивно понятный интерфейс удобен для технических специалистов и для бизнес-пользователей
+ Успешное внедрение инструмента в территориально распределённой компании численностью более 100 тысяч человек
+ Автоматизация процессов работы с помощью ИИ
+ Гибкая настройка под задачи клиента при внедрении системы управления данными
Более подробная информация здесь: https://tdata.tech/products/datagovernance
Архитектор MLSecOps и AI Governance
Николай Павлов
С утра в понедельник я продолжаю погружение в технологии по управлению большими данными. И на очереди RT.DataGovernance от компании TData, важный инструмент, позволяющий улучшать качество процессов MLSecOps и AI Governance.
RT.DataGovernance - это инструмент, предназначенный для:
+ документирования данных
+ совместной работы с данными
+ повышения их прозрачности и доступности для бизнеса
+ обеспечения согласованной работы бизнес-подразделений и ИТ-специалистов
Включает в себя:
1. Каталог данных - модуль для сбора и хранения метаданных, который предоставляет информацию о имеющихся данных в компании, их актуальности и доступности.
2. Бизнес-глоссарий - инструмент для согласования и утверждения терминологии компании, единый «источник правды» для бизнес-терминов.
3. Реестр отчетов - каталог инфосервисов, реализованных в корпоративных хранилищах компании. Содержит информацию об атрибутном составе, ссылках на отчет\заявках на доступ, инструментах визуализации, глубине доступности и другой немаловажной пользовательской информации.
4. Реестр универсальных объектов - это модуль, позволяющий пользователям проектировать реестры для управления данными, задавать им необходимую аналитику, настраивать связи, процессы согласования, отображать сквозные связи с остальными элементами.
5. Бизнес-портал - портал для бизнес-пользователей, который позволяет оперативно искать и анализировать данные компании. Портал служит единой точкой входа для изучения данных и обучения работы с данными.
Является проводником в развитии data driven культуры компании.
6. Data Lineage - модуль, содержащий информацию о потоке данных в хранилище от источника до средства визуализации.
7. Data Quality - решение, которое позволяет на уровне настраиваемых бизнес-правил проводить анализ качества данных, обеспечивает реализацию типовых и сложных проверок, формирование и рассылку отчетов об ошибках в данных, визуализацию результатов проверок на дашбордах.
Преимущества RT.DataGovernance:
+ Программный продукт внесен в единый реестр отечественного ПО Минцифры России (реестровая запись №6751 от 09.06.2020)
+ Решение основных проблем в рабочих процессах сотрудников по управлению данными
+ Интуитивно понятный интерфейс удобен для технических специалистов и для бизнес-пользователей
+ Успешное внедрение инструмента в территориально распределённой компании численностью более 100 тысяч человек
+ Автоматизация процессов работы с помощью ИИ
+ Гибкая настройка под задачи клиента при внедрении системы управления данными
Более подробная информация здесь: https://tdata.tech/products/datagovernance
Архитектор MLSecOps и AI Governance
Николай Павлов
tdata.tech
RT.DataGovernance – инструмент документирования данных.
RT.DataGovernance включает Бизнес-Глоссарий, Дата Каталог (ДатаКаталог, Каталог Данных, DataCatalog), Реестр отчетов, Data Lineage и др. модули
🔥7
⭐️ Цифровые тренды 2026: как AI, гипер-автоматизация и новые CRM изменят бизнес в России
Январь 2026 года окончательно стер границу между «футурологией» и бизнес-реальностью. То, что еще вчера казалось экспериментами техногигантов - генеративный ИИ в отделе продаж, гипер-автоматизация рутины и предиктивная аналитика - сегодня становится гигиеническим минимумом для выживания на рынке. Российский бизнес, работающий в условиях кадрового голода и жесткой конкуренции, больше не может позволить себе роскошь игнорировать цифровую трансформацию.
Если 2025 год был годом «пилотов» и тестов, то 2026-й - это год масштабирования и внедрения. Компании, которые продолжат вести клиентов в Excel или использовать CRM как простую записную книжку, рискуют безнадежно отстать от конкурентов, вооруженных нейросетями и роботами.
1. Эра AI-агентов и цифровых ассистентов
Если 2024-2025 годы прошли под знаком экспериментов с ChatGPT, то 2026 год знаменует переход к Agentic AI (Агентному ИИ). По данным аналитиков Gartner и McKinsey, бизнес больше не нуждается в чат-ботах, которые просто "болтают". Рынку нужны автономные AI-агенты, способные не просто генерировать текст, а совершать действия: планировать встречи, запускать бизнес-процессы и управлять сделками.
В российских реалиях флагманом этого тренда стал Битрикс24 CoPilot. Это уже не просто текстовый помощник, а полноценный цифровой сотрудник, встроенный в ядро CRM. В отличие от разрозненных нейросетей, он работает внутри вашего безопасного контура и имеет доступ к контексту бизнеса.
Что умеет AI-ассистент в 2026 году:
+ Автоматическое заполнение CRM (Call-to-Card). CoPilot слушает запись звонка менеджера, транскрибирует её в текст, выделяет ключевые договоренности (бюджет, сроки, боли) и сам разносит данные по полям карточки сделки. Менеджер экономит до 40 минут в день на рутине.
+ AI-скоринг и предиктивная аналитика. Нейросеть анализирует историю коммуникации и присваивает лиду балл «вероятности покупки». Система сама подскажет РОПу: «Этот клиент "перегрет", срочно звоните, а этот - просто мониторит рынок».
+ Генерация саммари (Meeting Notes). После часового зума с командой AI формирует краткое резюме: о чем договорились, кто ответственный и какие дедлайны. Протокол встречи готов через 5 секунд после её окончания. Инвестиция в AI сегодня - это не погоня за модой, а единственный способ масштабировать продажи без линейного роста штата. В 2026 году побеждает не тот, у кого больше менеджеров, а тот, чьи менеджеры усилены нейросетями.
Продолжение: https://vk.com/wall-210601538_1972
Январь 2026 года окончательно стер границу между «футурологией» и бизнес-реальностью. То, что еще вчера казалось экспериментами техногигантов - генеративный ИИ в отделе продаж, гипер-автоматизация рутины и предиктивная аналитика - сегодня становится гигиеническим минимумом для выживания на рынке. Российский бизнес, работающий в условиях кадрового голода и жесткой конкуренции, больше не может позволить себе роскошь игнорировать цифровую трансформацию.
Если 2025 год был годом «пилотов» и тестов, то 2026-й - это год масштабирования и внедрения. Компании, которые продолжат вести клиентов в Excel или использовать CRM как простую записную книжку, рискуют безнадежно отстать от конкурентов, вооруженных нейросетями и роботами.
1. Эра AI-агентов и цифровых ассистентов
Если 2024-2025 годы прошли под знаком экспериментов с ChatGPT, то 2026 год знаменует переход к Agentic AI (Агентному ИИ). По данным аналитиков Gartner и McKinsey, бизнес больше не нуждается в чат-ботах, которые просто "болтают". Рынку нужны автономные AI-агенты, способные не просто генерировать текст, а совершать действия: планировать встречи, запускать бизнес-процессы и управлять сделками.
В российских реалиях флагманом этого тренда стал Битрикс24 CoPilot. Это уже не просто текстовый помощник, а полноценный цифровой сотрудник, встроенный в ядро CRM. В отличие от разрозненных нейросетей, он работает внутри вашего безопасного контура и имеет доступ к контексту бизнеса.
Что умеет AI-ассистент в 2026 году:
+ Автоматическое заполнение CRM (Call-to-Card). CoPilot слушает запись звонка менеджера, транскрибирует её в текст, выделяет ключевые договоренности (бюджет, сроки, боли) и сам разносит данные по полям карточки сделки. Менеджер экономит до 40 минут в день на рутине.
+ AI-скоринг и предиктивная аналитика. Нейросеть анализирует историю коммуникации и присваивает лиду балл «вероятности покупки». Система сама подскажет РОПу: «Этот клиент "перегрет", срочно звоните, а этот - просто мониторит рынок».
+ Генерация саммари (Meeting Notes). После часового зума с командой AI формирует краткое резюме: о чем договорились, кто ответственный и какие дедлайны. Протокол встречи готов через 5 секунд после её окончания. Инвестиция в AI сегодня - это не погоня за модой, а единственный способ масштабировать продажи без линейного роста штата. В 2026 году побеждает не тот, у кого больше менеджеров, а тот, чьи менеджеры усилены нейросетями.
Продолжение: https://vk.com/wall-210601538_1972
VK
MLSECOPS | AI GOVERNANCE | IT TRENDS. Пост со стены.
⭐ Цифровые тренды 2026: как AI, гипер-автоматизация и новые CRM изменят бизнес в России
Январ... Смотрите полностью ВКонтакте.
Январ... Смотрите полностью ВКонтакте.
🔥5😁2
⭐️ Когда примут закон об ИИ в России: регулирование, безопасность и доверенный ИИ
Привет, мои дорогие и самые талантливые друзья!
С ужасом для себя обнаружил, что 27 декабря пропустил крайне важный и очень классный вебинар на AM Live по направлениям MLSecOps и AI Governance с Дмитрием Служенкиным — секретарём Консорциума исследований безопасности технологий искусственного интеллекта про регулирование ИИ в России. Исправляюсь. Спикер говорит очень доступным, понятным языком и вебинар рекомендован для всех без исключения!
На этом вебинаре обсуждают, когда появится закон об искусственном интеллекте, что такое доверенный ИИ и зачем государству нужны правила для алгоритмов.
Разбирают, почему безопасность ИИ начинается не с чат-ботов, а с данных, архитектуры, контроля и ответственности, и какие требования могут появиться для применения ИИ в госсистемах, КИИ и бизнесе.
Обсуждаются и ключевые риски искусственного интеллекта:
— галлюцинации ИИ и проблему «чёрного ящика»
— объяснимость моделей (XAI) и контроль принятия решений
— подходы к защите: модель-цензор, DLP, защита информации
— как ИИ меняет кибербезопасность и снижает порог входа для атак
Отдельно поговорили о том, как устроено регулирование ИИ в мире (ЕС, США, Китай) и чем отличается российская модель — от этических кодексов и стандартов до возможной сертификации и требований для критически важных систем.
Ссылка на вебинар: https://vkvideo.ru/video-21732035_456241688
Дружно откладываем все дела. Запускаем видео. Внимательно смотрим. Фиксируем себе новые и важные моменты.
Архитектор MLSecOps и AI Governance
Николай Павлов
Привет, мои дорогие и самые талантливые друзья!
С ужасом для себя обнаружил, что 27 декабря пропустил крайне важный и очень классный вебинар на AM Live по направлениям MLSecOps и AI Governance с Дмитрием Служенкиным — секретарём Консорциума исследований безопасности технологий искусственного интеллекта про регулирование ИИ в России. Исправляюсь. Спикер говорит очень доступным, понятным языком и вебинар рекомендован для всех без исключения!
На этом вебинаре обсуждают, когда появится закон об искусственном интеллекте, что такое доверенный ИИ и зачем государству нужны правила для алгоритмов.
Разбирают, почему безопасность ИИ начинается не с чат-ботов, а с данных, архитектуры, контроля и ответственности, и какие требования могут появиться для применения ИИ в госсистемах, КИИ и бизнесе.
Обсуждаются и ключевые риски искусственного интеллекта:
— галлюцинации ИИ и проблему «чёрного ящика»
— объяснимость моделей (XAI) и контроль принятия решений
— подходы к защите: модель-цензор, DLP, защита информации
— как ИИ меняет кибербезопасность и снижает порог входа для атак
Отдельно поговорили о том, как устроено регулирование ИИ в мире (ЕС, США, Китай) и чем отличается российская модель — от этических кодексов и стандартов до возможной сертификации и требований для критически важных систем.
Ссылка на вебинар: https://vkvideo.ru/video-21732035_456241688
Дружно откладываем все дела. Запускаем видео. Внимательно смотрим. Фиксируем себе новые и важные моменты.
Архитектор MLSecOps и AI Governance
Николай Павлов
VK Видео
Когда примут закон об ИИ в России: регулирование, безопасность и доверенный ИИ
Регулирование ИИ в России выходит на новый уровень. Когда появится закон об искусственном интеллекте, что такое доверенный ИИ и зачем государству нужны правила для алгоритмов — обсуждаем в новом выпуске AM Live. В этом подкасте разбираем, почему безопасность…
🔥5
Forwarded from PWN AI (Artyom Semenov)
Привет.
Мы с известными вам авторами каналов по AI Security решили провести стрим по AI Security.
Кто будет:
Евгений Кокуйкин - @kokuykin
Борис Захир - @borismlsec
Владислав Тушканов - @llmsecurity
И вы.
Запись будет, но лучше конечно же в лайфе.
Хотели бы поболтать, пообщаться, поотвечать на ваши интересные вопросы по теме и кое-что рассказать(не будем спойлерить, Борис)
Когда: 19:00, в эту субботу. В зуме (ссылка будет во время стрима в этом посте).
Кстати вопросы можете задавать сейчас в комментариях.
Мы с известными вам авторами каналов по AI Security решили провести стрим по AI Security.
Кто будет:
Евгений Кокуйкин - @kokuykin
Борис Захир - @borismlsec
Владислав Тушканов - @llmsecurity
И вы.
Запись будет, но лучше конечно же в лайфе.
Хотели бы поболтать, пообщаться, поотвечать на ваши интересные вопросы по теме и кое-что рассказать(не будем спойлерить, Борис)
Когда: 19:00, в эту субботу. В зуме (ссылка будет во время стрима в этом посте).
Кстати вопросы можете задавать сейчас в комментариях.
🔥9
⭐️ Судные дни рынка труда: Большая аналитика 2025/26. Парадоксы выживания
С утра прочитал интересную статью про тренды рынка труда. Даю краткий обзор и рекомендую к ознакомлению.
Рынок труда в России сегодня переживает кризис, когда количество вакансий упало на 31%, резюме выросло на 34%, а индекс конкуренции или hh-индекс достиг 8,1 (тогда как норма 4-5). При этом компании жалуются на дефицит кадров (50%), но 35% заморозили найм и 38% сокращают штат, фокусируясь на "волшебных единорогах", то есть сеньорах за умеренную з/п.
При этом в целом на рынке продолжается спрос на синие воротнички (это курьеры, водители, заводчане). Также есть спрос на продажников, но тех, кто реально может продавать и приносить денежку.
Интересно, что пишут и про работников 45+ лет, что они надежнее молодого поколения с позиций добросовестности, исполнительности, в чем уверены 64% работодателей.
При этом соискатели массово прибегают к фроду и овер-имплоюменту, а работодатели — к гостингу и черным спискам.
Топ-навыки: коммуникация (78%), качество работы (65%), решение проблем (64%) для линейных работников, стратегическое мышление (76%) и управление (68%) для топов.
В 2026 году будет сделан фокус на эффективность, удержание кадров, работу с ИИ и, конечно, гибридный формат.
В статье рассматривают и западный опыт. В США наступило "Великое Замедление" (очень похожу на "Эпоху Великого Замещения" - совпадение?), тотальные сокращения в IT + визу практически не получить. В Европе средний поиск работы уже 6 месяцев, сильная стагнация в Германии (главном "локомотиве" ЕС). А на Ближнем Востоке, наоборот бум. Потому что есть денежки и потому что не создают "нейронку ради нейронки". В Азия протекционизм своих специалистов, мощный спрос на инженеров, специалистов по большим данным.
Советы по выживанию из статьи:
1. Освойте ИИ для рутины, потому что 56% компаний уже это активно используют.
2. Развивайте и продавайте свои soft skills (эмпатия, коммуникация, коучинг и активное погружение в бизнес - да-да, это тоже soft).
3. Расширяйте экспертизу под дефицитные направления, например, в производство, e-com, здравоохранение.
4. Развивайте личный бренд и нетворкинг.
Ссылка по полную версию: https://habr.com/ru/articles/983824
Архитектор MLSecOps и AI Governance
Николай Павлов
С утра прочитал интересную статью про тренды рынка труда. Даю краткий обзор и рекомендую к ознакомлению.
Рынок труда в России сегодня переживает кризис, когда количество вакансий упало на 31%, резюме выросло на 34%, а индекс конкуренции или hh-индекс достиг 8,1 (тогда как норма 4-5). При этом компании жалуются на дефицит кадров (50%), но 35% заморозили найм и 38% сокращают штат, фокусируясь на "волшебных единорогах", то есть сеньорах за умеренную з/п.
При этом в целом на рынке продолжается спрос на синие воротнички (это курьеры, водители, заводчане). Также есть спрос на продажников, но тех, кто реально может продавать и приносить денежку.
Интересно, что пишут и про работников 45+ лет, что они надежнее молодого поколения с позиций добросовестности, исполнительности, в чем уверены 64% работодателей.
При этом соискатели массово прибегают к фроду и овер-имплоюменту, а работодатели — к гостингу и черным спискам.
Топ-навыки: коммуникация (78%), качество работы (65%), решение проблем (64%) для линейных работников, стратегическое мышление (76%) и управление (68%) для топов.
В 2026 году будет сделан фокус на эффективность, удержание кадров, работу с ИИ и, конечно, гибридный формат.
В статье рассматривают и западный опыт. В США наступило "Великое Замедление" (очень похожу на "Эпоху Великого Замещения" - совпадение?), тотальные сокращения в IT + визу практически не получить. В Европе средний поиск работы уже 6 месяцев, сильная стагнация в Германии (главном "локомотиве" ЕС). А на Ближнем Востоке, наоборот бум. Потому что есть денежки и потому что не создают "нейронку ради нейронки". В Азия протекционизм своих специалистов, мощный спрос на инженеров, специалистов по большим данным.
Советы по выживанию из статьи:
1. Освойте ИИ для рутины, потому что 56% компаний уже это активно используют.
2. Развивайте и продавайте свои soft skills (эмпатия, коммуникация, коучинг и активное погружение в бизнес - да-да, это тоже soft).
3. Расширяйте экспертизу под дефицитные направления, например, в производство, e-com, здравоохранение.
4. Развивайте личный бренд и нетворкинг.
Ссылка по полную версию: https://habr.com/ru/articles/983824
Архитектор MLSecOps и AI Governance
Николай Павлов
Хабр
Судные дни рынка труда: Большая аналитика 2025/26. Парадоксы выживания
Большая аналитика 2025/26 2025-й год по ощущениям напоминает собеседование, где вас просят продать ручку, но протягивают ветку. Вроде все работают, что-то происходит, но напряжение висит в воздухе...
🔥6❤1
⭐️ Минпромторг РФ поручил госкорпорациям тотально автоматизировать производство и создавать "темные фабрики"
Министерство промышленности и торговли Российской Федерации выступило с поручением к государственным корпорациям разработать стратегический план, направленный на перевод предприятий на режим почти полностью автоматизированного производства. Это нововведение предполагает минимальное участие человека и нацелено на усиление технологической независимости страны, а также на улучшение показателей производительности труда. Данную информацию раскрыл глава министерства Антон Алиханов.
Министр отметил, что автоматизация является ключевым аспектом в стратегии повышения эффективности. Согласно его словам, у каждой государственной корпорации существуют планы на этом направлении, и внедрение автоматизированных процессов становится одним из главных приоритетов. Антон Алиханов также сообщил, что Объединенная авиастроительная корпорация (ОАК), являясь частью Ростеха, уже завершает первую фазу роботизации на заводе в городе Рудневе. Завершение второй фазы ожидается в 2027 году.
Министр подчеркнул, что это приведёт к практически полному переходу завода на так называемое "темное производство". Однако, он не стал уточнять, какие именно государственные корпорации были адресатами данного поручения.
Сергей Чемезов, генеральный директор Ростеха, подтвердил изданию, что в корпорации активно ведется работа по максимальной роботизации производственных процессов. На текущий момент на предприятии "Камаз" реализовано высоко роботизированное производство, где основная работа выполняется машинами, а операторы лишь контролируют процесс. Чемезов также упомянул, что поручение от Минпромторга поступало в адрес Ростеха ранее.
Ведомости
Министерство промышленности и торговли Российской Федерации выступило с поручением к государственным корпорациям разработать стратегический план, направленный на перевод предприятий на режим почти полностью автоматизированного производства. Это нововведение предполагает минимальное участие человека и нацелено на усиление технологической независимости страны, а также на улучшение показателей производительности труда. Данную информацию раскрыл глава министерства Антон Алиханов.
Министр отметил, что автоматизация является ключевым аспектом в стратегии повышения эффективности. Согласно его словам, у каждой государственной корпорации существуют планы на этом направлении, и внедрение автоматизированных процессов становится одним из главных приоритетов. Антон Алиханов также сообщил, что Объединенная авиастроительная корпорация (ОАК), являясь частью Ростеха, уже завершает первую фазу роботизации на заводе в городе Рудневе. Завершение второй фазы ожидается в 2027 году.
Министр подчеркнул, что это приведёт к практически полному переходу завода на так называемое "темное производство". Однако, он не стал уточнять, какие именно государственные корпорации были адресатами данного поручения.
Сергей Чемезов, генеральный директор Ростеха, подтвердил изданию, что в корпорации активно ведется работа по максимальной роботизации производственных процессов. На текущий момент на предприятии "Камаз" реализовано высоко роботизированное производство, где основная работа выполняется машинами, а операторы лишь контролируют процесс. Чемезов также упомянул, что поручение от Минпромторга поступало в адрес Ростеха ранее.
Ведомости
😱5🔥1
🔥 Интерес к направлению "Безопасность ИИ" вырос от 841 поисковых запроса в январе 2024 года до рекордных 9278 запросов в декабре 2025 года по данным Яндекс Статистики. То есть более чем в 11 раз менее чем за 2 года. Таким образом, направление MLSecOps крайне перспективно и продолжает уверенно расти с возможным ускорением. Эта статистика сделала мой день. Надеюсь и Ваш тоже, мои дорогие друзья. Скриншот прилагаю.
Архитектор MLSecOps & AI Governance
Николай Павлов
Архитектор MLSecOps & AI Governance
Николай Павлов
🏆7
Forwarded from PWN AI (Artyom Semenov)
Через полчаса мы начнем наши с вами переговоры по этой ссылке.
https://us06web.zoom.us/j/87348479506?pwd=J5GmwPHgCKDPvrDNy3Gu9HIXokQmXb.1
https://us06web.zoom.us/j/87348479506?pwd=J5GmwPHgCKDPvrDNy3Gu9HIXokQmXb.1
🔥3👏2
⭐️ MLSecOps: защита машинного обучения от разработки до промышленной эксплуатации
Модели машинного обучения переместились из исследовательских блокнотов в критичные бизнес-процессы. Системы принимают кредитные решения, управляют автономным транспортом, фильтруют контент, обнаруживают мошенничество. Уязвимость модели превращается из академического курьёза в операционный риск с измеримыми финансовыми последствиями.
MLSecOps расширяет принципы DevSecOps на специфику машинного обучения. Модели обучаются на данных, качество которых определяет результат. Атаки направлены не на эксплуатацию уязвимостей в коде, а на манипуляцию обучающими данными или входными признаками. Жизненный цикл модели включает этапы, отсутствующие в обычной разработке: сбор данных, конструирование признаков, обучение, проверка качества, мониторинг деградации.
Безопасность систем на основе машинного обучения требует понимания того, как модели принимают решения, где возникают смещения, какие атаки возможны на каждом этапе. Классические средства защиты приложений необходимы, но недостаточны. Противоборствующие примеры проходят через все традиционные контроли, эксплуатируя свойства самой модели, а не инфраструктуры.
Специфические угрозы системам машинного обучения
Отравление данных атакует процесс обучения через внедрение вредоносных примеров в обучающую выборку. Система распознавания спама обучается на письмах, часть которых размечена атакующим. Модель учится классифицировать определённый тип вредоносных писем как легитимные. Обнаружить отравление сложно — метрики точности на тестовой выборке могут оставаться высокими, деградация проявляется только на специфических входах.
Инверсия модели извлекает информацию об обучающих данных через анализ предсказаний. Атакующий делает множество запросов к модели, анализирует ответы, реконструирует характеристики данных, на которых модель обучалась. Лица людей из приватного набора данных восстанавливаются через запросы к интерфейсу распознавания лиц. Медицинские записи реконструируются из модели предсказания диагнозов.
Ссылка на полную версию: https://dzen.ru/a/aWtzhccb3EOli4b2?ysclid=mkjokv5vgj366701766
Модели машинного обучения переместились из исследовательских блокнотов в критичные бизнес-процессы. Системы принимают кредитные решения, управляют автономным транспортом, фильтруют контент, обнаруживают мошенничество. Уязвимость модели превращается из академического курьёза в операционный риск с измеримыми финансовыми последствиями.
MLSecOps расширяет принципы DevSecOps на специфику машинного обучения. Модели обучаются на данных, качество которых определяет результат. Атаки направлены не на эксплуатацию уязвимостей в коде, а на манипуляцию обучающими данными или входными признаками. Жизненный цикл модели включает этапы, отсутствующие в обычной разработке: сбор данных, конструирование признаков, обучение, проверка качества, мониторинг деградации.
Безопасность систем на основе машинного обучения требует понимания того, как модели принимают решения, где возникают смещения, какие атаки возможны на каждом этапе. Классические средства защиты приложений необходимы, но недостаточны. Противоборствующие примеры проходят через все традиционные контроли, эксплуатируя свойства самой модели, а не инфраструктуры.
Специфические угрозы системам машинного обучения
Отравление данных атакует процесс обучения через внедрение вредоносных примеров в обучающую выборку. Система распознавания спама обучается на письмах, часть которых размечена атакующим. Модель учится классифицировать определённый тип вредоносных писем как легитимные. Обнаружить отравление сложно — метрики точности на тестовой выборке могут оставаться высокими, деградация проявляется только на специфических входах.
Инверсия модели извлекает информацию об обучающих данных через анализ предсказаний. Атакующий делает множество запросов к модели, анализирует ответы, реконструирует характеристики данных, на которых модель обучалась. Лица людей из приватного набора данных восстанавливаются через запросы к интерфейсу распознавания лиц. Медицинские записи реконструируются из модели предсказания диагнозов.
Ссылка на полную версию: https://dzen.ru/a/aWtzhccb3EOli4b2?ysclid=mkjokv5vgj366701766
Дзен | Статьи
N57 MLSecOps: защита машинного обучения от разработки до промышленной эксплуатации
Статья автора «SEBERD IT Base» в Дзене ✍: Модели машинного обучения переместились из исследовательских блокнотов в критичные бизнес-процессы.
⚡3🔥1