Обзор: от AGI до биржи — как технологии меняют кодинг, трейдинг и архивацию

Коротко

• Готовые промпты становятся ключевым навыком для программистов, экономя время на рутинных задачах.
• Математические подходы к трейдингу могут оказаться эффективнее сложных моделей машинного обучения.
• Выбор носителя для архивации данных критически зависит от требуемого срока хранения и бюджета.
• Планирование запроса в PostgreSQL может занимать в 20 раз больше времени, чем его выполнение, из-за устаревшей статистики.
• В экспертной среде ведутся открытые дискуссии о сроках появления и последствиях искусственного общего интеллекта (AGI).

Новая реальность программирования

Что случилось

Появилась подборка готовых промптов (шаблонов запросов) для нейросетей, адаптированных под конкретные языки программирования, такие как Python, JavaScript и C++.

Почему важно

Это сигнализирует о смене парадигмы: эффективное взаимодействие с ИИ становится таким же важным навыком, как и знание синтаксиса языка. Ручная правка кода уступает место формулировке точных задач для ИИ-ассистента.

Кому важно

Всем разработчикам, особенно тем, кто работает с перечисленными языками и стремится оптимизировать свой workflow, сократив время на рутинные преобразования кода.

Что делать

Изучить доступные шаблоны промптов, интегрировать их в свой процесс разработки и практиковаться в формулировке задач для ИИ, чтобы автоматизировать стандартные операции.

Источник

Готовые промпты для программистов: шаблоны под Python, JavaScript и C++

Трейдинг: математика против интуиции ИИ

Что случилось

Автор статьи провел эксперимент по использованию машинного обучения (ML) для торговли на Московской бирже, делегируя ИИ поиск алгоритма и полезных признаков.

Почему важно

Эксперимент показал, что технически система работает, но ее практическая эффективность под вопросом. Это ставит под сомнение слепое следование сложным ML-моделям, в то время как классические математические и статистические подходы могут быть проще и надежнее.

Кому важно

Трейдерам, алгоритмическим инвесторам и разработчикам торговых систем, которые ищут устойчивые стратегии и хотят избежать переобучения моделей на исторических данных.

Что делать

Не отказываться от ML, но рассматривать его как один из инструментов в арсенале. Сфокусироваться на понимании базовой математики рынка, проверке гипотез и создании простых, интерпретируемых моделей перед внедрением сложных нейросетей.

Источник

Как зарабатывать на бирже, не предсказывая цену: математика против ML-интуиции

Долгосрочное хранение данных

Что случилось

Опубликован подробный обзор всех типов физических носителей для архивации — от устаревших дискет (FDD) до современных ленточных библиотек (LTO) и долговечных M-Disc.

Почему важно

Цифровая информация хрупка, а выбор неправильного носителя может привести к безвозвратной потере данных через несколько лет. Обзор помогает принять взвешенное решение, основанное на сроке хранения, объеме данных и бюджете.

Кому важно

Системным администраторам, дата-инженерам, архивариусам, фотографам и любым частным пользователям, которые хотят сохранить важные файлы на десятилетия.

Что делать

Оценить критичность и требуемый срок хранения своих данных. Для краткосрочного архива подойдут HDD и SSD, для среднесрочного — Blu-ray, а для долгосрочного (десятки лет) — специализированные решения вроде M-Disc или LTO с контролем условий хранения.

Источник

Архивация. Где лучше хранить холодные данные? Полный обзор на все типы физических носителей от FDD до LTO и M-disk

Скрытая проблема производительности PostgreSQL

Что случилось

Обнаружен случай, когда время планирования (подготовки) запроса в PostgreSQL составляло 500 мс, в то время как само выполнение занимало лишь 25 мс.

Почему важно

Такая диспропорция резко снижает отзывчивость приложения для пользователя. Проблема часто остается незамеченной, так как мониторинг обычно фокусируется на времени выполнения, а не на планировании.

Кому важно

Бэкенд-разработчикам, DevOps-инженерам и DBA (администраторам баз данных), работающим с PostgreSQL и стремящимся к максимальной производительности систем.

Что делать

При анализе медленных запросов обязательно смотреть не только на execution time, но и на planning time. Регулярно обновлять статистику по таблицам (команда ANALYZE), особенно после больших изменений данных, так как устаревшая статистика — частая причина долгого планирования.

Источник

500 мс на планирование: как статистика PostgreSQL замедлила запрос в 20 раз

Горизонт AGI: эксперты считают оставшееся время

Что случилось

На Давосском форуме руководители конкурирующих компаний в области ИИ открыто обсуждали оставшееся время до создания искусственного общего интеллекта (AGI).

Почему важно

Публичная дискуссия такого уровня между прямыми конкурентами — редкое явление. Она указывает на то, что тема AGI перешла из области футурологии в плоскость практических и срочных обсуждений среди создателей технологий, что связано с глубокими технологическими, экономическими и этическими последствиями.

Кому важно

Технологическим предпринимателям, инвесторам, регуляторам, исследователям в области AI safety (безопасности ИИ) и всем, чья профессиональная деятельность может быть радикально трансформирована в ближайшие годы.

Что делать

Следить за развитием дискуссии, изучать потенциальные сценарии impact (воздействия) AGI на свою отрасль и рассматривать эти вопросы в стратегическом планировании.

Источник

День после появления AGI

Риски и неопределенности

• Переоценка возможностей ML: Слепое доверие к сложным моделям машинного обучения в трейдинге может привести к финансовым потерям из-за переобучения или неучтенных рыночных факторов.
• Скорость технологических изменений: Прогнозы о сроках появления AGI носят спекулятивный характер, что создает неопределенность для долгосрочного планирования в бизнесе и политике.
• Долговечность цифровых носителей: Даже при выборе специализированных решений для архивации существует риск физической деградации носителя или морального устаревания считывающих устройств.
• Зависимость от промптов: Шаблонизация работы с ИИ может привести к снижению глубины понимания кода у новых поколений разработчиков.

Сегодняшние материалы подчеркивают, что эффективность лежит на стыке понимания фундаментальных принципов (математики, устройства СУБД, физики носителей) и грамотного применения новых инструментов (ИИ-ассистентов, ML). Ключевой навык — сохранять критическое мышление, не подменяя его автоматизацией.