Обзор Хабра: от ML-сортировки до миграции COBOL

TL;DR

• Машинное обучение решает прикладные задачи: от сортировки титановой губки в МАИ до диагностики пневмонии по рентгену.
• Крупные банки (Klarna, HSBC) переходят от экспериментов с AI к созданию инфраструктурного слоя для коммуникаций.
• Подход "Docs as Code" позволяет автоматизировать сборку и поддержку технической документации.
• Миграция COBOL-кода с мейнфреймов на Java остаётся актуальной задачей, где помогает инструмент ANTLR.
• Эксперты по безопасности публикуют список трендовых уязвимостей за декабрь.

Машинное обучение в промышленности и медицине

Что случилось

В Московском авиационном институте (МАИ) прошёл кейс-чемпионат AI Challenge: Engineering, где студенты решали задачу автоматизации сортировки титановой губки с помощью ML. Параллельно на Хабре вышел практический гайд по созданию модели для классификации пневмонии по рентгеновским снимкам с использованием Keras на Python.

Почему важно

Оба кейса демонстрируют переход машинного обучения из области исследований в сферу решения конкретных, часто узкоспециализированных, производственных и медицинских задач. Это указывает на растущую потребность в специалистах, способных применять AI для оптимизации реальных процессов.

Кому важно

Инженерам, data scientist, разработчикам, интересующимся компьютерным зрением и прикладным AI. Также это актуально для представителей промышленных предприятий и здравоохранения, ищущих пути автоматизации.

Что делать

Изучать кейсы применения ML в смежных отраслях. Для старта в медицинском AI можно ознакомиться с практическим гайдом по классификации пневмонии.

Источник

Как ML помогает сортировать титановую губку и Классифицируем пневмонию по рентгену на Python: Практический гайд с Keras

AI как инфраструктура в банках

Что случилось

Опубликован перевод статьи, описывающей опыт банков Klarna и HSBC по внедрению искусственного интеллекта. В нём говорится о сдвиге: AI перестаёт быть просто чат-ботом и становится единым логическим слоем, управляющим всеми клиентскими коммуникациями.

Почему важно

Это показывает эволюцию подхода к AI в крупном бизнесе. Речь идёт не о точечных улучшениях, а о стратегическом преобразовании архитектуры сервисов, что может кардинально повысить эффективность и персонализацию.

Кому важно

Руководителям и архитекторам в финтехе, IT-директорам крупных компаний, продукт-менеджерам, которые планируют интеграцию AI в свои сервисы.

Что делать

Анализировать опыт лидеров рынка. Рассматривать AI не как набор отдельных инструментов, а как платформенное решение, интегрированное в ядро бизнес-процессов.

Источник

[Перевод] AI как инфраструктурный слой цифрового банкинга: опыт Klarna и HSBC

Автоматизация технической документации

Что случилось

На Хабре вышла статья, рассказывающая о практическом применении подхода "Docs as Code" (документация как код) в проекте ODS. Подход предполагает использование инструментов разработчиков (систем контроля версий, CI/CD) для создания и поддержки документации.

Почему важно

Автоматизация сборки документации сокращает ручной труд, уменьшает количество ошибок и обеспечивает её актуальность, так как процесс становится частью общего пайплайна разработки.

Кому важно

Техническим писателям, DevOps-инженерам, руководителям проектов, где качественная и своевременная документация критически важна.

Что делать

Ознакомиться с принципами "Docs as Code" и рассмотреть возможность внедрения аналогичных практик в своих проектах, начиная с малого.

Источник

Docs-as-Code на практике: автоматизация сборки документации в проекте ODS

Миграция legacy-систем: COBOL на Java

Что случилось

Разработчик поделился опытом миграции COBOL-системы расчёта инвойсов с мейнфрейма на Java. В статье рассматриваются разные подходы и делается вывод, что лучшим выбором для такой задачи является инструмент ANTLR.

Почему важно

Многие компании до сих пор используют критически важные системы на устаревших технологиях (legacy). Их поддержка и модернизация — сложная и дорогая задача. Успешные кейсы миграции помогают найти рабочие методики.

Кому важно

Архитекторам, тимлидам и разработчикам, столкнувшимся с необходимостью модернизации или переноса унаследованных систем, особенно в финансовом секторе.

Что делать

Изучать опыт коллег, оценивать различные инструменты для автоматизации процесса миграции, такие как ANTLR, чтобы снизить риски и трудозатраты.

Источник

Как я мигрировал COBOL-код мейнфрейма на Java: разные подходы и почему ANTLR — лучший выбор

Риски и неопределенности

• Внедрение AI в качестве инфраструктурного слоя требует значительных инвестиций и культурных изменений в компании, успех не гарантирован.
• Прикладные ML-модели (например, для диагностики) требуют тщательной валидации и соблюдения этических норм, ошибки могут иметь серьёзные последствия.
• Миграция legacy-систем всегда сопряжена с высокими рисками сбоев и потери данных, несмотря на использование продвинутых инструментов.
• Автоматизация процессов (документации, сортировки) может столкнуться с сопротивлением сотрудников и необходимостью их переобучения.

Сегодняшние материалы показывают, как технологии (AI, автоматизация, современные языки) проникают в самые разные области — от промышленности и банкинга до поддержки старых систем. Ключевой тренд — движение от экспериментов к созданию устойчивых, инфраструктурных решений, которые меняют процессы, а не просто их дополняют.