Заметки о данных, ИИ, ИТ
и безопасности
Без маркетингового тумана. Так, как я думаю о задачах в реальной работе с собственниками и руководителями.
DALL-E 2 и новая визуальная продуктивность
OpenAI показала DALL-E 2. Разбираю, что это меняет для бизнеса - не для художников, а для тех, кто работает с визуальным контентом каждый день.
Стратегия выхода из вендорной зависимости
Почему компаниям нужен план выхода из вендорной зависимости и как начать его строить, пока это не стало срочным.
Устойчивость ИТ-систем в условиях нестабильности
Как руководителю думать об устойчивости ИТ-инфраструктуры, когда внешние условия меняются быстро и непредсказуемо.
Data mesh: это про владение данными, а не про платформу
Разбираю концепцию data mesh без хайпа - почему это прежде всего организационная модель, а не технический стек.
Log4Shell: что менеджер должен вынести из этого инцидента
Разбор уязвимости Log4Shell как управленческого урока - про зависимости, скорость реакции и невидимые риски.
GPT-3 в API: что с этим делать основателю
OpenAI открыла доступ к GPT-3 через API. Разбираю, что это меняет для бизнеса и где стоит притормозить.
Log4Shell: если вы не знаете свои зависимости, вы не знаете свою поверхность атаки
Уязвимость Log4Shell показала, что большинство компаний не представляют, какие библиотеки работают внутри их систем.
Владелец данных: кто подписывается под цифрой
В большинстве компаний данные есть, а ответственного за их качество - нет. Разбираю, что значит владение данными на практике.
Zero trust: что это на самом деле и когда оно стоит вложений
Концепция нулевого доверия стала одним из главных buzzword в безопасности. Разбираю, что за ней стоит и для кого это актуально.
Когда делить монолит: вопросы важнее хайпа
Микросервисы - популярный ответ на вопрос о масштабировании. Но правильный вопрос не 'делить или нет', а 'зачем и когда'.
Событийная архитектура: что менеджеру нужно знать до принятия решения
События и очереди сообщений решают реальные проблемы координации между сервисами. Они также вносят сложность, которую легко недооценить на уровне плана проекта.
Разрыв между экспериментом и продакшном: почему ML-модели не добираются до работы
Большинство ML-проектов дают хорошие результаты в эксперименте и плохо работают в производственной среде. Разбираю, почему это происходит.