Заметки о данных, ИИ, ИТ
и безопасности
Без маркетингового тумана. Так, как я думаю о задачах в реальной работе с собственниками и руководителями.
Data lake: вопросы, которые нужно задать до начала строительства
Почему концепция data lake часто превращается в data swamp, и какие вопросы стоит задать до того, как тратить бюджет.
Микросервисы против монолита: когда разделение оправдано
Почему переход на микросервисную архитектуру не является автоматически правильным решением и как определить, готова ли к этому ваша команда.
187-ФЗ: безопасность критической инфраструктуры как отдельная повестка
Что принятие закона о безопасности КИИ означает для компаний реального сектора и почему это не просто ещё одно регуляторное требование.
Импортозамещение ПО: что это означает для ИТ-руководителя на практике
Трезвый взгляд на реестр отечественного ПО и на то, что реально меняется в закупках и архитектуре корпоративных систем.
NotPetya: кибератака, которая превратилась в чистый операционный убыток
Что атака NotPetya говорит о природе современных киберинцидентов и почему это не просто ИТ-проблема, а риск для операционной деятельности компании.
Архитектура Transformer: новый универсальный базис для работы с последовательностями
Что означает появление архитектуры Transformer для компаний, которые думают о применении языковых моделей в своих процессах.
Данные в реальном времени: когда это оправдано, а когда переинженерено
Как отличить бизнес-задачи, которым действительно нужна потоковая обработка данных, от тех, где достаточно обычных пакетных обновлений.
WannaCry: урок для компаний с устаревшим парком и слабым восстановлением
Что атака WannaCry говорит о реальном состоянии управления обновлениями и готовности к восстановлению в большинстве организаций.
Коботы на производстве: экономика до автоматизации
Как коллаборативные роботы меняют расчёт для малого и среднего производства, и почему вопрос окупаемости важнее вопроса технологии.
Зависимость от поставщика: считайте стоимость выхода до подписания
Почему стоимость смены ИТ-поставщика нужно оценивать заранее, и как это влияет на выбор платформы и условия контракта.
Разрыв между ML-экспериментом и производственной системой
Почему машинное обучение в jupyter-ноутбуке и машинное обучение в работающем продукте - это разные задачи с разными требованиями.
Каталог данных: дисциплина знать, что у вас есть
Почему управление метаданными - это не технический проект, а операционная необходимость для компаний, которые работают с данными серьёзно.