IT

#экзит Группа компаний IBS приобрела российского разработчика ИТ-решений на базе искусственного интеллекта Rubbles. Сумма покупки не разглашается. Это экзит для венчурного фонда МТС, который в 2022 году вложил в проект 200 млн рублей. Тогда в МТС заявили, что получили не более 10% компании.  Rubbles в 2014 году запустили выходцы из “Яндекса” - Никита Блинов, Владислав Лисицкий и Александр Фонарев. Компания занимается разработкой IT-решений для оптимизации ключевых технологических и бизнес-процессов на основе анализа данных и ИИ. Одними из первых клиентов стартапа стали Qiwi и "Альфа-банк". В начале 2016 года у Rubbles появился первый зарубежный банк-клиент в Финляндии благодаря лондонской акселерационной программе Accenture FinTech Innovation Lab. Со временем, помимо финансовых организаций, среди клиентов сервиса появились ретейлеры и промышленные предприятия. Основные продукты Rubbles: Planning Force для интегрированного бизнес-планирования, прогнозирования спроса, автоматического пополнения и управления торговым продвижением, Customer Insight для омниканального взаимодействия с клиентами, а также заказные AI/data-решения - разработка под задачи бизнеса на основе анализа данных и машинного обучения. В основе продуктов - собственная платформа Data Application Suite, включающая инструменты MLOps и фреймворк для ускоренной разработки Enterprise-приложений. Все решения включены в Единый реестр российского ПО. В 2016 году стартап закрыл первый раунд инвестиций на $1,5 млн от фонда FinSight Ventures, одним из основателей которого является Виктор Ремша, создатель “Финама”. В декабре 2021 года стартап получил $6 млн от фондов Elbrus Capital Fund III и FinSight Ventures. Средства планировалось потратить в том числе на выход на рынки Западной Европы, Ближнего Востока и Юго-Восточной Азии, но компания отложила эти планы из-за нестабильной геополитической обстановки. В FinSight Ventures подтвердили “Русскому Венчуру”, что фонд вышел из капитала Rubbles еще в 2024 году.  По данным сервиса проверки контрагентов Rusprofile, с 7 августа ООО “Раблз” [юрлицо ] владеет ООО "УК Центр". Из состава учредителей вышла кипрская “СБДА ГРУП ЛТД”. Выручка ООО “Раблз” за 2025 год составила 633 млн рублей, чистый убыток - 72 млн рублей.  @rusven

🛰 Что такое Netdiscover?

Netdiscover — это небольшая утилита для обнаружения устройств в локальной сети с помощью ARP-запросов.

Чаще всего её используют на этапе внутренней разведки, когда нужно быстро понять: — какие устройства есть в сети; — какие IP-адреса активны; — какие MAC-адреса им принадлежат; — кто производитель сетевого интерфейса. Обычно Netdiscover применяют в одной локальной сети или VLAN, потому что ARP не маршрутизируется через роутеры. Базовый запуск

sudo netdiscover

Утилита начнёт искать устройства в доступном сетевом сегменте. Можно указать конкретную подсеть:

sudo netdiscover -r 192.168.1.0/24

Пример результата:

IP              MAC Address         Vendor

192.168.1.1     aa:bb:cc:11:22:33   MikroTik

192.168.1.10    00:11:22:33:44:55   Dell

192.168.1.25    08:00:27:aa:bb:cc   PCS Systemtechnik

Так быстро видно, какие хосты сейчас отвечают в сети. Пассивный режим Есть ещё интересный вариант:

sudo netdiscover -p

В этом режиме Netdiscover сам не рассылает активные ARP-запросы, а слушает ARP-трафик в сети. Это полезно, когда нужно минимизировать активность. Почему Netdiscover удобен Он хорошо подходит для самого первого шага:

Подключились к сети

        ↓

Netdiscover

        ↓

Нашли живые хосты

        ↓

Nmap

        ↓

Определили порты и сервисы

        ↓

Дальнейшая разведка

Например, Netdiscover показал:

192.168.1.10    

192.168.1.25

После этого уже можно точечно изучать их через Nmap:

nmap -sV 192.168.1.25

Netdiscover и Nmap — это не одно и то же Netdiscover в первую очередь отвечает на вопрос:

Кто находится рядом со мной в локальной сети?

А Nmap:

Какие сервисы и порты работают на этих устройствах?

Поэтому эти инструменты хорошо дополняют друг друга. #netdiscover #arp #network #recon #nmap #pentest #infra

Оценка мелких задач убивает ваше время Типовая ситуация: клиент постоянно присылает небольшие задачи и переживает, сколько времени займёт каждая. Команда начинает оценивать каждую задачу отдельно, согласовывать, потом объяснять, почему не попали в оценку. По факту оценка иногда занимает больше времени, чем сама работа. С маленькими задачами точность вообще плохо работает. Чтобы нормально оценить некоторые из них, задачу надо почти сделать. А если оценивать «на глаз», погрешность по каждой отдельной задаче будет большой. В итоге коммуникация с клиентом превращается не в работу, а в бесконечный цикл согласования бюджета и времени для мелких задач. Что с этим делать: отказаться от точной оценки мелких задач. Учитываем мелкие задачи постфактум. Сделали задачу, зафиксировали, сколько реально ушло. Чтобы клиент на это согласился, нужно немного изменить процесс: 1) Оценка остаётся, но она становится очень примерной: маленькая, средняя, большая задача. Менеджер проекта это может сделать без похода к разработчику. Клиент и Агентство соглашаются, что это грубая оценка. 2) Договориться о месячном лимите. Обычно поток таких задач укладывается в 10-20 часов в месяц. 3) При явном выходе задачи за лимиты или не попадании в оценку - заранее говорим об этом с клиентом. Большие, сложные и непонятные задачи нужно выносить отдельно и нормально оценивать. А поток маленьких задач лучше продавать почти оптом: грубо обозначать размер, следить за лимитом, заранее предупреждать о выходе за ожидания и оплачивать по фактически потраченным ресурсам. Пост помог подготовить резидент Галеры Михаил Сенсеев 🔵

Вендор ИБ сам позвал хакеров ломать свой продукт и показал, где его пробили Представьте. Вы делаете защиту от взлома и приглашаете шесть команд белых хакеров несколько дней подряд ломать её. Не в синтетических тестах, а на реалистичных сценариях со скрытым закреплением, отключением защиты изнутри и атаками нулевого дня. Да ещё и учётку администратора им сами выдаёте, чтобы было честно. Так и провели Endpoint Hack Zone на MaxPatrol Endpoint Security. И ведь пробили, а команда продукта не стала прятать, где именно. Флэшка успевала унести файл в окне между подключением и блокировкой, телефон в режиме передачи фото спокойно проскакивал мимо политик, а одно изменённое значение в реестре Windows после перезагрузки убивало исполняемый файл агента. Узнаем, какие ещё сценарии дожали команды за отведённые 3,5 часа.

Маркировка без стресса С 1 марта 2025 года продажа товаров без маркировки будет запрещена почти во всех категориях: от одежды и обуви до косметики, бакалеи, молочной продукции, воды и бытовой химии. Контроль ужесточается, а штрафы за нарушение достигают 300 000 ₽. Если вы ещё не подключились к системе «Честный ЗНАК», откладывать нельзя. Процесс требует времени: регистрация на портале, получение электронной подписи, договор с оператором фискальных данных и настройка оборудования. Стоимость кодов составляет примерно 50–60 копеек за единицу товара, на оборудование (принтер и сканер) уйдёт около 60–80 тысяч рублей, а программное обеспечение обойдётся от 5 тысяч. Обязательно проверьте остатки на складах: продукция без маркировки подлежит утилизации или может быть изъята. Чтобы избежать проблем, наносите коды вовремя, передавайте информацию в систему и обучайте сотрудников новым процессам. Фаундер | Бизнес и Стартапы

Windows стирает драйверы видеокарт при долгом простое ноутбука в экорежиме В Windows обнаружили механизм очистки, который удаляет драйверы дискретных видеокарт Nvidia, если ими долго не пользуются. На проблему обратил внимание владелец ROG Zephyrus G14 с RTX 5070 Ti. После нескольких недель работы ноутбука в экорежиме адаптер сбросился до стандартного драйвера Microsoft. Причина крылась в режиме Eco Mode, который полностью обесточивает дискретную графику для сохранения заряда. Логи системы показали, что Windows считает неактивное PCIe-устройство отсутствующим. Спустя 15 дней простоя система сперва удаляет запись о видеокарте, а затем зачищает «неиспользуемый» пакет драйверов из хранилища Driver Store. При возврате к дискретному чипу ОС не находит файлы, и драйвер приходится скачивать заново.

Смотрю я сейчас на разницу подхода китайцев и американцев в ИИ. У США подход простой. Есть проблема - зальём её деньгами, новыми GPU, наймём лучшие умы за любые деньги. В итоге несовершенства кода перекрываются вычислительными мощностями. Китайцы ограничены в доступе к чипам и деньгам. Поэтому вынуждены вылизывать архитектуру, память, связь между чипами, сам процесс обучения. У них просто нет того варианта, которым идут США. Что мы видим в итоге. Китайский Kimi K3, американским лидерам уступает всего пару процентов, при этом API Kimi заметно дешевле. Уже не слабая дешёвая замена, а почти то же самое за кратно другие деньги. Я раньше был убеждён, что главное собрать сильную команду, умных мотивированных людей. И доставать для них все необходимые ресурсы - типа это и есть работа лидера. А сейчас оглядываюсь назад, на то, как мы запускали ЕО на мои 500к... Больше ни один запуск мы не делали за такие деньги, даже близко)) Потому что уже не было такой необходимости. Да, деньги иногда решают проблемы. Но иногда деньги дают право НЕ РЕШАТЬ ПРОБЛЕМЫ. И те копятся, выливаясь в расточительность, раздутый штат, дорогой себес. Так уж люди устроены... пока есть лёгкий путь - идут по нему. Раньше я давал ресурсы, чтоб команда нашла решение. Теперь считаю, что ресурс надо давать на уже найденное решение. А работа лидера, как я её сейчас вижу, в тч закрывать лёгкие расточительные пути и требовать большего от каждого вложенного рубля.

Пример: обнаружение шума Интересную историю приводит Дэвид Марке в книге «Разверните свой корабль» (рекомендую). Он служил капитаном атомной подводной лодки ВМФ США и описал в книге свой опыт по управлению. На подводной лодке важно обеспечить тишину внутри самой подлодки, чтобы обеспечить ее скрытное перемещение. Поэтому сонар периодически сканирует саму подлодку на предмет самих шумов. Как только сонар обнаружит внутренний шум, вахтенный должен обзвонить все посты и узнать источник шума. Это отлаженный процесс работы по выявлению ошибок, обнаружению закономерностей и устранению причин. Однако процесс явно требует избыточных ресурсов: необходимо обзвонить все посты, даже если шум был только в одном отсеке. В какой-то момент решили попробовать другой вариант процесса. Как только раздавался какой-то шум, вахтенный на каждом посту должен был связаться с рубкой и доложить об источнике и причинах шума. Ключевой момент — никакого наказания за это бы не последовало. Были сомнения — что при безнаказанности количество шума увеличиться. Случилось же ровно наоборот: команда стала получать гораздо больше информации у шумах, даже о таких, которые раньше сонар не выявлял.

Привет, друзья! 8 ИИ-проектов с открытым исходным кодом, которые заменяют платный софт Подборка для тех, кто предпочитает разворачивать решения у себя, а не платить за подписку. Кликайте на любой инструмент в списке, переходите по ссылке на репозиторий и уточняйте реальную стоимость эксплуатации, прежде чем внедрять его у себя. 1️⃣ Open Notebook Open-source аналог Google NotebookLM, который можно развернуть самостоятельно. Загружайте PDF, видео, сайты и заметки, общайтесь с ними в чате, получайте саммари и превращайте контент в подкасты. Ссылка на GitHub 2️⃣ No AI Slop Бесплатный навык, который убирает из текста более 20 характерных паттернов «ИИ-мусора» — пустые вступления для проформы, псевдоглубокомысленные концовки, тик в духе «дело не в X, а в Y». Также умеет работать в обратную сторону — сканирует текст и показывает все найденные паттерны. Ссылка на GitHub 3️⃣ I Have ADHD Бесплатный «скилл», который убирает "воду" из ответов ИИ-помощника для программирования. Нужная команда или путь к файлу указывается сразу, в самом начале ответа. Если задача состоит из нескольких шагов, они выстраиваются по порядку и нумеруются. А привычные фразы для «вежливости», вроде «Отличный вопрос!» или «Надеюсь, это было полезно!», убираются — остаётся только суть. Работает с популярными ИИ-помощниками для разработчиков: Claude Code, Cursor, Codex и другими. Ссылка на GitHub 4️⃣ Book to Skill Превращает книгу в скилл, которым реально может пользоваться ваш кодинг-агент. Вместо того чтобы закидывать в контекст 400-страничный PDF целиком, инструмент разбивает книгу на главы, и агент подгружает только ту, которая нужна для конкретного вопроса. Работает с Claude Code и Copilot. Ссылка на GitHub 5️⃣ Omni Route Если вы постоянно упираетесь в лимиты использования ИИ во время написания кода — этот инструмент собирает сотни провайдеров за одной единой точкой доступа. Работает с Claude Code, Codex, Cursor и Cline, автоматически переключаясь на другого провайдера, когда заканчивается квота. Ссылка на GitHub 6️⃣ AI Job Search Фреймворк, превращающий Claude Code в помощника по поиску работы. Оценивает вакансии на соответствие вашему профилю, адаптирует резюме, составляет сопроводительные письма и готовит вас к собеседованиям. Ссылка на GitHub 7️⃣ Strix Автономные ИИ-агенты, которые проверяют ваше приложение так, как это делал бы злоумышленник (проверять можно только ваши личные приложения). Каждая найденная уязвимость подтверждается рабочим proof-of-concept вместо ложного срабатывания, плюс даются рекомендации по исправлению. Ссылка на GitHub 8️⃣ ComfyUI Генерация изображений и видео на собственной видеокарте через визуальный граф узлов. Вы соединяете каждый этап вручную, сохраняете весь пайплайн в виде файла, которым можно делиться, и запускаете модели вроде Stable Diffusion, Flux и Wan без кредитов и месячных лимитов. Ссылка на GitHub #полезное