Нейроинтерфейсы чаще всего ассоциируются с Илоном Маском и его Neuralink. Но он здесь не монополист — такие устройства разрабатывают многие компании, в том числе и российские. Нейроинтерфейсы могут показаться чисто медицинским хайтеком, но учёные и инноваторы уже придумали им много практических применений — от молниеносной биржевой торговли до тренингов промышленной безопасности. 

Что такое нейроинтерфейсы
Нейроинтерфейсы, или BCI (Brain-computer interface) — системы, которые позволяют мозгу напрямую обмениваться сигналом с компьютером. Простейший пример такой системы — электроэнцефалограмма (ЭЭГ), которая позволяет анализировать мозговую активность. 

Но BCI идут гораздо дальше. Через них уже можно напрямую вводить информацию. Например, усилием разума набирать текст или управлять персонажем в игре, управлять протезами или инвалидной коляской, будто своими конечностями. А в будущем они позволят цифровую телепатию — общение между людьми одними мыслями, или управление техникой силой разума. 

Помимо масковского Neuralink, среди западных лидеров в BCI такие компании, как американский Blackrock Neurotech и австралийский Synchron. Есть разработчики нейроинтерфейсов и в России, например Нейрореволюция и Cosyma. 

Какие индустрии изменят нейроинтерфейсы

Медицина. Нейроинтерфейсы придумали для помощи людям с тяжёлыми заболеваниями: больным ДЦП, пережившим инсульт, парализованным. Так, российский НейроЧат уже сегодня помогает детям с ДЦП общаться, набирая текст силой мысли. Недавно исследователи представили метод, позволяющий BCI синтезировать речь с интонациями. Многие учёные работают над BCI для управления протезами и инвалидными колясками. Кроме того, нейроинтерфейсы могут воздействовать на определённые участки мозга — это перспективный способ лечения многих болезней, таких как депрессия или ОКР. 

Киберспорт. Возможность играть с помощью BCI в видеоигры появилась ещё в нулевых, но в массы технология не пошла — слишком дорогая. Нейроинтерфейсы позволят достигнуть невиданного уровня погружения игрока — образы можно будет транслировать прямо в мозг. CEO Valve Гейб Ньюэлл уверен, что BCI-гейминг однажды похоронит все предшествующие игровые форматы. Но по оценке многих экспертов, это произойдёт лишь через 20–50 лет.

Финансы. Авангардный сценарий использования BCI — для торговли активами. С одной стороны, нейроинтерфейсы могут позволить проводить сделки очень быстро — считать сигнал, что пользователь хочет нажать на кнопку и завершить сделку, и напрямую отправить её в торговую систему, сэкономив пару миллисекунд, драгоценных в некоторых сценариях торговли. В то же время они могут улавливать признаки эмоциональных реакций и блокировать импульсивные сделки, например панические распродажи. Пока это лишь концепции, но учёные уверены, что они станут реальностью в ближайшие 5–10 лет.

Транспорт и логистика. В будущем с помощью нейроинтерфейсы позволят управлять транспортными средствами. Уже сегодня неинвазивные BCI от Bitbrain в подголовниках кресел авто позволяют отслеживать, не засыпает ли водитель за рулём. Nissan работает над системой, в которой водитель разумом ведёт автомобиль, передавая сигналы напрямую к его системам. Это может сильно повысить безопасность вождения в сложных условиях, например на узких горных дорогах или в плохих условиях. 

Промышленная безопасность. BCI вместе с VR можно использовать для обучения сотрудников и тестирования объектов на бытовой комфорт и быстродействие при ЧП. Недавно бразильские учёные предложили проект такой платформы. На игровом движке Unity создаётся любой промышленный сценарий — от работы в шахте до обслуживания электроподстанции. Обучаемый с VR-очками и BCI погружается в него и выполняет задачи. Нейроинтерфейс считывает, какие объекты привлекают его внимания, сколько времени он тратит на размышления, как сильно устаёт. 

Подписывайтесь 👉 @yab2btech

С развитием технологий появляется страх остаться без работы. Если в 2023 году ИИ-тревожность испытывали 75% офисных сотрудников, то сегодня, когда нейросети всё глубже проникают в самые разные бизнес-процессы, эти цифры могут быть даже выше. Как успокоить штат, не откладывая технический прогресс?

Главная причина тревожности

Все читают новости. Alphabet, которому принадлежит Google, сократил 12 000 сотрудников, его примеру последовали Microsoft и Amazon. По всему миру компании уменьшали затраты, поддавшись панике или гонке за инновациями. 

Руководители бизнесов жалеют о поспешных решениях

Весной 2025 года Orgvue опросили 1200 руководителей из США, Европы и Азии: 39% компаний действительно уволили часть сотрудников после внедрения ИИ, но 55% из них признались, что сделали это зря. Поторопились. Переоценили возможности алгоритмов и недооценили вклад людей.

Топ-менеджеры рассказали, что в некоторых случаях и увольнять никого не пришлось, — сотрудники начали уходить сами, решив, что их место вот-вот займёт машина. Это всё та же ИИ-тревожность — только уже не предчувствие, а реакция на реальные действия руководства.

Парадокс в том, что тревожность испытывают и топ-менеджеры. Половина руководителей опасаются, что ИИ в их бизнесе начнёт использоваться бесконтрольно. 38% признают, что не до конца понимают, как технологии повлияют на компанию, а почти треть затрудняется сказать, какие роли в их структуре подвержены автоматизации в первую очередь. 

Как внедрить ИИ эффективно и без паники? 

▪️ Признать и обсудить ИИ‑тревожность в командах — как среди сотрудников, так и менеджеров.
▪️Объяснить, что ИИ не заменит человека, но станет полезным инструментом
▪️ Отложить кадровые решения до чёткого анализа ролей и влияния ИИ.
▪️ Создать пилотные проекты по внедрению ИИ и запустить обучение сотрудников. 
▪️ Разработать дорожную карту ИИ‑трансформации: кто, что и как будет делать.
▪️ Инвестировать в специалистов: их навыки окупятся кратно — через рост эффективности и новую ценность для бизнеса.

Компании, которые выбрали путь обучения, переосмысления ролей и технологической интеграции, выигрывают, и это подтверждает исследование PwC. В 2024 году зарплаты сотрудников с ИИ-навыками выросли в среднем на 56% — в два раза больше, чем годом ранее. Количество вакансий в сферах, где ИИ работает в связке с человеком, выросло на 38%. Что ещё важнее — в индустриях, наиболее подверженных влиянию ИИ, рост выручки на одного сотрудника оказался втрое выше, чем в тех, где автоматизация пока минимальна.

Сегодня перед руководителями стоит не технический, а управленческий вызов: научиться видеть в ИИ не угрозу, а партнёра. Не увольнять, а учить. В новом ландшафте выживает не самый технологичный, а тот, кто умеет адаптироваться.

Подписывайтесь 👉 @yab2btech

Классическая модель безопасности исходила из того, что, если пользователь успешно авторизовался, ему открывается допуск к ресурсам компании. Он получает доступ ко множеству внутренних систем без дополнительных проверок. Такой подход был ориентирован на защиту периметра сети, а не самих ресурсов. 

В современном контексте это делает систему уязвимой — компании нанимают удалённых сотрудников, используют SaaS-продукты, подключают подрядчиков, которые работают с личных устройств. На этом фоне всё больше компаний переходят к архитектуре Zero Trust, которая становится новым отраслевым стандартом.

Этот подход строится на отказе от самой идеи «доверенной» зоны. Здесь нет внутренней или внешней сети — все пользователи и устройства считаются потенциально ненадёжными, а доступы проверяются вне зависимости от принадлежности. Безопасность строится вокруг данных, а не аккаунтов. Ключевые элементы архитектуры Zero Trust:

1. Постоянная верификация — все пользователи, устройства и запросы проверяются независимо от их местонахождения. Ни один доступ не даётся автоматически.

2. Минимальные привилегии — доступ даётся строго по необходимости, превышение прав возможно только на короткий срок.

3. Гранулированный доступ — когда разрешение выдаётся не общим ролям («все сотрудники отдела»), а по множеству конкретных параметров: кто, откуда, когда сделал запрос.

4. Сегментация и защита ресурсов — сеть делится на небольшие изолированные сегменты: даже если злоумышленник получил доступ к одному, в остальные он не попадёт.

5. Шифрование данных — всё, что передаётся по сети или хранится, должно быть зашифровано. Это касается и писем, и файлов, и логинов. Даже если данные украдут, без ключа их нельзя будет прочитать.

6. Принцип «предполагай взлом» — стоит исходить из того, что злоумышленник уже внутри. Поэтому заранее ограничиваются места, куда он может получить доступ.

7. Постоянный мониторинг и анализ — система должна в реальном времени отслеживать: кто, когда и откуда зашёл, что делал. Если происходит что-то подозрительное — автоматически блокирует сессию или отправляет сигнал безопасности.

Один из вариантов реализации Zero Trust — это SASE (Secure Access Service Edge), где безопасность и сетевые функции объединены в облаке и масштабируются централизованно. Важной частью подобной архитектуры становится браузер, но для того, чтобы выполнять свои функции безопасности, он должен быть специально разработан под такие сценарии. Например, Яндекс Браузер для организаций объединяет контроль доступа, изоляцию среды и фильтрацию трафика. 

Что это даёт бизнесу:

 🔹 снижение времени на настройку безопасных рабочих мест;
🔹 контроль доступа даже в условиях работы с личных устройств и удалёнки;
🔹 минимизация рисков утечки через личные аккаунты и устройства;
🔹 соответствие современным требованиям безопасности.

Подписывайтесь 👉 @yab2btech

Транспортные роботы для складов и предприятий — одна из самых проработанных и готовых для внедрения автономных технологий. По оценке McKinsey, их коммерческие поставки будут расти на 50% до 2030 каждый год, а вместе с тем уровень автоматизации складов будет повышаться более чем на 10%. 

Российские компании не отстают и активно адаптируют такие технологии, автоматизируя логистику на складах и производствах с помощью небольших тележек и монстров-самосвалов. Рассказываем, как это работает. 

Три ключевые категории

🔹 AGV/AMR (autonomous mobile robots — мобильные роботы). Они возят короба и целые стеллажи, ориентируясь по лидарам, камерам или QR-меткам, заменяя однообразную работу складских рабочих. 

🔹 Роботизированные погрузчики, шаттлы и PTL-тележки. Здесь добавлен функционал вертикального подъёма и работы со стеллажами и палетами, благодаря чему робот может не только перевезти, но и собрать и разместить товар. PTL-тележки (pick-to-light — отбор по световой подсказке) — компромиссный вариант: они погружают и разгружают товар вместе с человеком, подсвечивая нужный спот или товар.

🔹 Крупные автономные машины: умные грузовики, которые перемещаются с помощью GPS и лидаров. Это могут быть многотонные машины, которые работают на добывающих предприятиях, и даже фуры, передвигающиеся по регионам по общим трассам. Робот видит препятствия сенсорами, самостоятельно определяет траекторию движения, а через Wi-Fi или 5G отправляет данные диспетчеру.

Вот примеры:

Роботизированная система комплектования в «Восток-Сервисе» 
Крупнейший производитель спецодежды «Восток-Сервис» запустил роботизированную складскую систему, которая работает по принципу «товар к человеку». Роботы от Ronavi Robotics интегрированы в систему роботизированного склада от СИТЕК. Она, в свою очередь, связана с платформой управления складом 1С:WMS.

Люди в этой системе присутствуют, но выполняют небольшой набор необходимых операций, тогда как вся тяжелая работа возложена на умные машины. Роботы получают задание из WMS и подвозят сотрудникам нужные стеллажи, чтобы те отобрали товары. Сотрудники склада работают на рабочих станциях, оборудованных PTL-системой, которая помогает найти нужный товар. Система уже увеличила скорость комплектации и упаковки в 2,5 раза, но целевое значение для компании — х5 или х6. 

Роботы на складах Яндекса
В 2024 году Яндекс представил роборуку — многозадачного робота-манипулятора, который подходит и для складских задач. Ее уже внедрил ритейлер товаров для строительства и ремонта Лемана Про. На его складах роборука разбирает паллеты с коробками разных размеров и форм, и складывает на конвейер. В компании считают, что скорость разгрузки паллет увеличится вдвое, а затраты на этот процесс — снизятся на 40%. 

Автономные грузовики Яндекса
Прошлой осенью Яндекс Маркет начал тестировать автономные грузовики на маршруте Москва — Тула. Грузовые автомобили, оснащённые системой искусственного интеллекта, разработаны на базе китайского тягача Shacman X6000 и способны выполнять коммерческие рейсы в любое время года и суток.  

Готовы дать зелёный свет автопилоту в логистике?

❤️ — Нам это подходит
🔥 — С шофёрами пока спокойнее

Подписывайтесь 👉 @yab2btech

Немного свежих цифр и исследований.

🔸Совместное применение ИИ и Task Mining может принести до 14,8 трлн рублей в российский ВВП к 2030 году
Такие данные приводятся в исследовании компании «Инфомаксимум». Уже сегодня 54% крупных российских компаний внедрили ИИ-решения. 79% опрошенных предприятий планируют использовать генеративный ИИ для повышения эффективности персонала и улучшения клиентского сервиса.

🔸Мир на пороге второй квантовой революции
К такому выводу пришла «Цифровая экономика» в своём исследовании о перспективах квантовых технологий в России и мире. По прогнозам McKinsey, к 2035 году квантовые технологии могут принести мировой экономике от $900 млрд до $2 трлн.

Россия за последние годы существенно сократила технологическое отставание — особенно в области квантовых сетей и вычислений. Объём финансирования российских квантовых программ в 2020–2024 годах составил более 40 млрд рублей, почти 100% — за счёт государства. Разрабатываются постквантовые алгоритмы, например «Шиповник» и «Гиперикум», которые уже доступны на GitHub.

Квантовые технологии обещают прорыв в обработке данных, точности измерений и безопасности. Но есть и барьеры: нестабильность кубитов, шумность, высокая стоимость. Поэтому пока что их внедряют в комбинации с классическими компонентами или в рамках пилотных проектов.

🔸За три года 83% российских компаний увеличили расходы на кибербезопасность
При это 64% пересмотрели подходы к ИБ, что особенно заметно в банковском секторе. Главные причины — ужесточение регуляторных требований, рост киберугроз и необходимость импортозамещения.

Исследование показывает, что у многих компаний по-прежнему нет единой системы оценки эффективности вложений в ИБ: они полагаются на внешние аудиты и пентесты. При этом 60% организаций категорически против аутсорсинга из-за рисков потери контроля.

🔸Рынок облачных сервисов в России вырастет вдвое к 2029 году
В 2024-м его объём составил 392 млрд рублей, а ежегодный рост — 21%. Для сравнения: мировой рынок, по прогнозам, утроится к 2032 году — до $962 млрд. Наиболее динамично развивается сегмент IaaS с ростом 29%, особенно услуги GPU-серверов (+39%). Это связано с бумом машинного обучения и аналитики данных. PaaS заметно отстаёт: доля таких решений составляет лишь 9% рынка. Российские компании пока не могут предложить полноценные аналоги западным платформенным решениям, что сдерживает рост этого направления. 

🔸Почти две трети российских компаний планируют увеличить инвестиции в big data на 10–30% в ближайшие два года
Ещё 27% готовы нарастить бюджеты на 30–50%, при этом ни одна из опрошенных компаний не рассматривает сокращение расходов в этом направлении. Согласно исследованию «К2 Тех», большинство организаций (67%) оценивают свои data-процессы как умеренно эффективные, а 12,5% — как высокозрелые. Основные сложности связаны с интеграцией разрозненных данных (25%) и их низким качеством (21%).

🔸«Пятёрочка» открыла первый phygital-магазин в Москве
Экспериментальный магазин нового формата работает так: при входе покупатель сканирует карту «Х5 Клуб» и на основе истории покупок получает персональные предложения. Свежие продукты — в торговом зале, а остальные товары можно заказать через сенсорный экран или планшеты. Пока сотрудники собирают заказ (обещают, что за семь минут максимум), можно отдохнуть в кафе и зарядить, например, телефон, а в отделе с алкоголем — воспользоваться электронным сомелье для подбора напитков. 

Подобные форматы с экранами и сборкой заказов сотрудниками тестируют и другие сети, включая «Ленту», а также зарубежные игроки вроде Amazon Go.

Подписывайтесь 👉 @yab2btech

Самые современные языковые модели — Large Language Models (LLM) — могут решать множество бизнес-задач. Например, отвечать пользователям в чате, чтобы снизить нагрузку на службу поддержки, или давать подсказки сотрудникам. Как завести такую модель в вашей компании?

✅ Создаем свою модель

LLM создают с нуля только очень крупные компании. Разработка такой модели требует огромного количества ресурсов: данных, видеокарт и времени опытных сотрудников. Если коротко, создание своей LLM — это очень, очень дорого и сложно. Поэтому для простоты перейдём к способам, которые подходят большинству бизнесов, — использовать готовую модель в облаке или на своей инфраструктуре.

А лучше что: в облаке или нет?

Чаще всего бизнесы берут готовые проприетарные (то есть закрытые) или опенсорсные нейросети и используют их. В зависимости от модели её можно использовать в облаке по API или запустить на своих ресурсах. Для решения задач бизнеса подходят оба способа.

Использовать как есть или дообучать?

Какой бы способ вы ни выбрали, дальше нужно будет решить, хотите вы дообучать модель или нет.

🔸 Использование готовой модели поможет в решении общепрофильных задач. Она сможет сформулировать вежливый ответ для клиента, но не будет учитывать специфику вашего бизнеса, например не внесёт туда уникальную информацию о ваших товарах и услугах, если вы не будете добавлять эту информацию к каждому запросу.

🔸 Дообучение поможет научить модель решать узкоспециализированные задачи. Модель, дообученная на сообщениях специалистов поддержки, научит её отвечать в фирменном стиле или лучше понимать специфические термины.

🔸 Дообучение требует времени, ресурсов и усилий ML-инженера. Поэтому сперва стоит попробовать, справляется ли уже готовая модель с вашими бизнес-задачами. Например, нейросеть может найти нужную информацию в базе знаний и без дообучения — с помощью метода Retrieval Augmented Generation (RAG). Если результат всё равно не устраивает, можно использовать дообучение.

🔸 RAG и дообучение можно использовать вместе, потому что они предназначены для разных целей. Допустим, вы хотите, чтобы LLM создавала описания для товаров. Если вы используете RAG, подключив её к базе данных с товарами, модель составит описание, используя информацию оттуда: название товара, модель, параметры. Если вы примените такой способ и дообучите модель на красивых описаниях, она сможет делать описания более привлекательными.

✅ Используем языковую модель

1. Определитесь с моделью. Важно учитывать множество факторов. Например, сколько в ней параметров, доступна ли она по API, можно ли развернуть её на инфраструктуре заказчика, есть ли у неё режим рассуждений и другие функции.

2. Проприетарные модели работают на серверах компании-разработчика, поэтому в их стоимость фактически входит аренда оборудования, а также мониторинг и обновление моделей. Для самостоятельного запуска опенсорсных моделей понадобится своя инфраструктура. Впрочем, есть и частные случаи: для дополнительной безопасности компании-разработчики могут развернуть нейросети на инфраструктуре заказчика. А некоторые облачные провайдеры запускают опенсорсные нейросети на своих мощностях, чтобы клиенты могли использовать их по API.

3. Используйте облачную модель по API или же скачайте модель и разверните её на своей инфраструктуре с помощью специальных инструментов. Если хотите, чтобы языковой моделью мог воспользоваться любой, сделайте интерфейс, где все пользователи смогут отправлять запросы и получать ответы. Это могут быть веб-интерфейс, мобильное приложение или даже Telegram-бот.

4. Теперь сотрудники компании или внешние пользователи могут общаться с моделью. Например, уточнять через бота, в наличии ли вещь в магазине, запрашивать помощь в написании писем, делать выжимки из документов и многое другое.

Как дообучить модель рассказываем в следующем посте 👇

Подписывайтесь 👉 @yab2btech

В первой части поста рассказали о двух способах запуска языковой модели в компании — создать свою модель или использовать готовую. Рассказываем, как дообучить готовую LLM на ваших данных, чтобы решать узкоспециализированные задачи.

✅ Дообучаем языковую модель

1. Выберите и запустите модель по инструкции выше.

2. Выберите метод дообучения. Часто эффективнее не дообучать LLM целиком, а воспользоваться методом LoRA — он не меняет исходные веса модели, а добавляет к ней новые параметры. Он быстрее и дешевле полноценного файнтюнинга и, кстати, есть в Yandex Cloud.

3. Подготовьте данные. В зависимости от метода дообучения формат датасета может различаться. Например, это могут быть пары ответов с пометкой, какой из них лучше, или условная таблица с двумя колонками (пример запроса и правильного ответа). Чем данных больше, тем лучше.

Иногда достаточно просто собрать их, но зачастую нужны очистка и разметка. В каждом конкретном случае очищать и размечать данные нужно по-разному. Помните: эффективность дообучения зависит от чистоты и разнообразия данных.

4. Запустите дообучение модели самостоятельно или с помощью облачного провайдера. В первом случае нужно скачать набор библиотек для конкретной модели (их можно найти на HuggingFace) и запустить программный код для дообучения. У каждой модели, как правило, есть свой туториал по дообучению.

5. Придумайте метрики, которые позволят понять, получилось ли дообучить модель под ваши цели. Например, проведите side by side-тестирование, сравнив вашу LLM с baseline-моделью.

Всё же понятно?

😍 — да, уже иду делать
🤝 — да, скинул пост коллегам-айтишникам

Подписывайтесь 👉 @yab2btech

Данные отчёта Всемирного экономического форума (WEF) за 2025 год показали, что большинство представителей малого и среднего бизнеса считают, что не справятся с серьёзной кибератакой. При этом 43% всех кибератак направлены на компании с численностью до 1000 человек.

Дело не только в финансах: у таких компаний часто нет ни внутренних специалистов, ни отработанных сценариев реагирования, ни доступа к внешним командам быстрого реагирования, что делает их лёгкой целью для хакеров. 

Главные риски

WEF называет три ключевых фактора, которые усиливают угрозы:

🔹 Ускоренная цифровизация без должной защиты.
🔹 Зависимость от облаков и подрядчиков, где контроль слабее.
🔹 Рост автоматизации — и, как следствие, больше точек входа для атаки.

Часто уязвимости связаны с использованием подрядчиков, SaaS, сторонних API. Это особенно критично для малого бизнеса, где большая часть инфраструктуры держится на сторонних решениях.

Последствия для бизнеса

Для малого бизнеса кибератака — это не просто сбой. Это простой работы, потеря клиентов, штрафы. Согласно данным аналитиков, около 60% небольших компаний заканчивают работу после серьезных кибератак. Систематически инвестировать в цифровую защиту оказывается дешевле, чем восстанавливаться после атаки.

Что делают компании

По данным опроса WEF, 91% компаний увеличили инвестиции в кибербезопасность, а  64% внедряют тренировки и симуляции атак. Отдельные роли по киберрискам на уровне C-level создаёт только половина опрошенных, а регулярные проверки безопасности проводят лишь 20% компаний.

Но большинство этих мер — запоздалые. Они вступают в силу уже после инцидента или под его давлением. В малом бизнесе подход к безопасности часто ситуативный: нет стратегии, нет регулярного аудита, решения принимаются точечно.

Когда в последний раз вы проверяли свою готовность к кибератаке? Проведён ли внешний аудит? Есть ли план реагирования? Если нет — пора начать сегодня.

Подписывайтесь 👉 @yab2btech

Такие данные приводят в свежей статье Mckinsey. Дополнительная экономическая ценность — это и выручка, и экономия на затратах. Кроме того, эксперты считают, что внедрение ИИ поможет вдвое ускорить скорость НИОКР. 

Такие сценарии пока не в фокусе внимания — ИИ сегодня обсуждается прежде всего как инструмент повышения эффективности процессов, а не исследований. И, по мнению экспертов McKinsey, очень зря. 

Как именно можно использовать ИИ в НИОКР? 

🔹 Создание проектов. К примеру, ИИ может спроектировать архитектуру магазина для компании ритейлера. Или структуру нового белка для фармацевтической компании.

🔹 Оценка проектов. ИИ-модели могут помочь испытать проекты-кандидаты на внедрение и сделать выводы об их эффективности. Так, существуют модели, способные точно предсказывать физические явления — с их помощью можно протестировать в виртуальной среде цифровых близнецов деталей, изделий или устройств.

🔹 Ускорение исследовательских работ. ИИ может помогать на разных этапах — например, выявлять потребности ЦА с помощью цифровых двойников, быстро искать и саммаризировать научную литературу, помогать искать сведения в корпоративных базах данных, и многое другое.

Используете ИИ для исследований?

🤩— Конечно!
🤔— Нет, но хочу начать 

Подписывайтесь 👉 @yab2btech