INNOPROG — здесь об IT

Выходные – АКТИВИРОВАНЫ 👾 Рабочая неделя подходит к концу, а значит пора узнать, ваш настрой? Выбирайте подходящий вайб и оставляйте реакцию в комментариях ✍️

Как алгоритмы формируют вашу ленту 👀 Если вы достаточно давно сидите в социальных сетях, то вы точно помните времена, когда лента новостей состояла из постов ваших друзей в хронологическом порядке. И вы, скорее всего, расстроились, когда этот порядок изменился – теперь непонятно, докуда листать, чтобы ничего не пропустить. В общем, Дуров, верни стену. Но все ли посты в такой ленте были вам действительно интересны? Первую алгоритмическую ленту запустил Facebook (принадлежит Meta, признанной экстремистской и запрещенной в РФ) еще в 2009 году. Алгоритм назывался EdgeRank. Там релевантность каждого поста для пользователя рассчитывалась как произведение 3 факторов:

• Насколько часто вы взаимодействуете с автором поста • Тип реакции (длинный комментарий круче лайка) и тип контента (фото и видео круче текста) • Свежесть поста

Алгоритм собирал все посты ваших друзей и групп, оценивал по формуле, а затем посты сортировались по убыванию баллов. Из этого и складывалась лента. Такой алгоритм в машинном обучении называется ранжированием (Learning to Rank). 📌EdgeRank был достаточно примитивным и устарел буквально за пару лет. Современное ранжирование делится на 2 этапа: 1. Отбор кандидатов. Из миллионов постов в секунду алгоритмы (например, векторный поиск или коллаборативная фильтрация) выбирают примерно 1000, которые могут вам понравиться 2. Тяжелое ранжирование. Нейросети детально изучают отобранные посты и считают вероятности ваших действий. Новые форматы диктуют свои требования, и алгоритмы учитывают уже не 3 фактора, а сотни тысяч, поэтому их поведение намного сложнее предсказать. Сами факторы уже не только явные (лайк, подписка), но и неявные. Например, время удержания. Здесь имеет значение, сколько миллисекунд вы смотрели на экран и замедлился ли скроллинг на конкретном видео.

Сейчас система высчитывает одновременно вероятность разных действий пользователя: лайка, репоста, комментария и времени просмотра для конкретного поста или видео. Для этого используют модели вроде

градиентного бустинга

или

глубокие нейросети

.

Важно заметить, что минусом более простых алгоритмов было формирование информационных пузырей, когда вам показывают только то, что вы точно лайкнете. Поэтому современные нейросети специально подмешивают в ленты совершенно новый для вас контент. А вдруг это вам тоже понравится? 👍

Делимся с вами игрой на Unreal Engine 5.7, которую создал один из наших сутдентов! Проект был создан совместно с нашим учеником в рамках обучающего курса в Unreal Engine 5.7. под руководством Джамбулата – преподавателя INNOPROG

Мы разобрали основные принципы визуального программирования(blueprint), а также оптимизация больших игровых локаций, компрессия тяжелых текстур и профилирования производительности проекта с помощью Unreal Insights.

Мы очень гордимся тем, что наш ученик не просто усвоил материал, а создал продукт, который можно запустить и играть. Это лучшая награда для нас как для школы! 💜 🎮 Проверьте игру в деле! Архив доступен для скачивания по ссылке: https://disk.yandex.ru/d/sCsj1ThtCVYDaA

Самый недооцененный ИИ-инструмент 2026 года 👾Идеально подходит для ресерча, обучения, подготовки контента и быстрой проверки фактов

👨‍💻 Почему писать ПРОСТО – это сложно, но круто! Разбираемся вместе с преподавателем нашей школы Павлом ❗️Часто новички думают, что крутой код – это, когда много всего, вложенные генераторы, лямбды и магия в одну строчку. На самом деле все наоборот

Настоящий профессионализм – уметь писать просто

И это сложно. Вот почему. 1. Простые имена переменных вместо однобуквенных и шифров Плохо (кажется, что быстро, но непонятно):

a = [1, 2, 3, 4]
b = [x**2 for x in a if x % 2 == 0]

Хорошо (просто, но писать чуть дольше):

numbers = [1, 2, 3, 4]
even_squares = [x**2 for x in numbers if x % 2 == 0]

Разница в паре секунд написания, но выигрыш в чтении – огромный. 2. Нет магическим числам Плохо (кто запомнит, что значит 86400?):

time.sleep(86400)

Хорошо (один раз объяснили - пользуемся везде):

SECONDS_IN_DAY = 86400
time.sleep(SECONDS_IN_DAY)

Код становится самодокументируемым. Это и есть простота. 3. Плоская структура вместо глубоких вложений Плохо (сложно следить за логикой):

if a:
    if b:
        if c:
            действие()

Хорошо (каждая проверка отдельно и понятно):

if not a: return
if not b: return
if not c: return
действие()

Почему это сложно: новичок пишет вложенные if, потому что так думает логически ("если да, то проверь дальше"). Профи переворачивает проверки в обратную сторону ("если нет - уходи") и делает код плоским. Это требует усилия, но читается мгновенно. 4. Простая функция, а не монстр на 100 строк Плохо (одна функция делает все: и валидацию, и расчет, и отправку):

def process_user(data):
    50 строк всего подряд

Хорошо (разбили на маленькие части):

def is_valid_user(data):
    return data.get("age", 0) > 18

def calculate_discount(user):
    return 10 if user["is_new"] else 0

def send_welcome(user):
    print(f"Привет, {user['name']}")

Каждую такую функцию можно протестировать отдельно и понять за секунду. Итог: Уметь написать однострочник с lambda и filter – это база. А вот уметь не написать его там, где он навредит – это уровень.

Писать код, который поймут другие (и вы сами через полгода), – сложно. Этому надо учиться на реальных примерах, ревью и постоянной практике

📌 Agentwashing – это ситуация, когда обычного чат-бота или простую ИИ-функцию называют AI-агентом, хотя на самом деле она ничего не делает самостоятельно Настоящий AI-агент должен уметь не просто отвечать на вопросы, а планировать действия, использовать инструменты, выполнять шаги и проверять результат. Например, не просто сказать «вот как можно забронировать встречу», а самому проверить календарь, предложить слот и подготовить приглашение. Термин стал актуальным, потому что многие компании начали называть «агентами» почти любые ИИ-продукты. Даже если это обычный помощник, который просто отвечает по шаблону. 📍Важно помнить, что Agentwashing может вводить в заблуждение пользователей, создавая иллюзию более глубокого и развитого интеллекта, чем есть на самом деле. Это часто делается для маркетинга или привлечения клиентов. ❤️ – если сталкивались с подобными «агентами» в своих проектах 👍 – если хотите научиться распознавать настоящие системы AI от маркетинговых «Agentwashing»

ИИ меняет рынок труда быстрее, чем кажется 📌Рассказываем, какие IT-профессии получают максимальный рост спроса на фоне развития нейросетей

SQL vs NoSQL. Почему все чаще возвращаемся к реляционным базам данных? 📝Для начала разберемся в терминах SQL – это язык работы с реляционными базами данных, такими как PostgreSQL, MySQL, Oracle или MS SQL Server. Данные в них хранятся в виде таблиц со строгой структурой, а связи между сущностями задаются на уровне базы данных. NoSQL – это целый класс нереляционных баз данных: документные (MongoDB), колоночные (Cassandra), графовые (Neo4j), key-value хранилища (Redis) и другие. Они предлагают более гибкие модели хранения данных и часто лучше подходят для специфических сценариев масштабирования. 📌Если упростить, то основные отличия выглядят так: SQL – строгая схема данных, связи между таблицами, транзакции и высокая консистентность. NoSQL – гибкая структура данных, простое горизонтальное масштабирование и высокая производительность для определенных типов нагрузок. Еще 10–15 лет назад NoSQL выглядел, как будущее. Рост объемов данных, микросервисы, высокая нагрузка – казалось, что традиционные реляционные базы данных не справятся. Появились MongoDB, Cassandra, Couchbase и десятки других решений. Многие компании начали массово уходить от SQL.

Но сегодня мы наблюдаем обратный тренд. Все больше проектов снова выбирают PostgreSQL, MySQL и другие реляционные СУБД. Почему?

1. Большинство данных все-таки связаны между собой Заказы связаны с клиентами, клиенты с компаниями, товары с категориями, сотрудники с командами. Реляционная модель отлично описывает такие связи. В NoSQL эти отношения часто приходится реализовывать вручную, что усложняет код и повышает риск ошибок. 2. PostgreSQL умеет почти все Современный PostgreSQL – это уже не просто реляционная БД Он умеет:

• JSON и JSONB документы • полнотекстовый поиск • геоданные • очереди • аналитические запросы • горизонтальное масштабирование через экосистему расширенийВо многих случаях отпадает необходимость внедрять отдельную NoSQL-систему

3. Цена сложности оказалась высокой Каждая дополнительная технология в стеке - это:

• новые компетенции команды • мониторинг • резервное копирование • миграции • поддержка инфраструктуры

Часто оказывается дешевле и надежнее использовать одну мощную реляционную БД вместо нескольких специализированных хранилищ. При всем этом, NoSQL не становится бесполезным или проигрышным вариантом. Есть сценарии, где он остается лучшим выбором:

• огромные объемы событий и телеметрии • кэширование • графовые данные • распределенные системы с экстремальным масштабированием

👾Но для типичных бизнес-приложений SQL сегодня снова становится выбором по умолчанию

Программист для автоматизации больше не нужен 👀 Вот 5 задач, которые можно настроить через no-code сервисы и ИИ-инструменты самостоятельно

Кажется, момент настал – завтра ЕГЭ по информатике Впереди один из самых важных дней для многих выпускников. Желаем всем спокойствия, внимательности и уверенности в своих знаниях! Сдающие, как настроение? На сколько баллов оцениваете свою готовность прямо сейчас? 👾

👨‍💻 FastAPI vs Django vs Flask - какая разница? Разбираемся вместе с Григорием, преподавателем INNOPROG Те, кто только делает первые шаги в backend-разработке, часто спрашивают: какой фреймворк лучше выбрать - FastAPI, Django или Flask? И какая между ними вообще разница? Если объяснять по-простому: Django - это инструмент, в котором вы найдёте много всего готового: админка, авторизация, ORM, структура проекта и т.д. Flask - это конструктор, который даёт тебе базу, а дальше ты сам решаешь, что подключать и как всё собирать FastAPI - это современный инструмент под API, особенно хорошо подходит, когда ты делаешь backend для бота, frontend, мобильного приложения или микросервиса Как обычно выбирают между ними? - Если нужен большой сайт или сервис с кучей готовых вещей - чаще смотрят в сторону Django - Если хочется больше свободы и минимализма - берут Flask - Если нужен удобный и быстрый API на Python с валидацией данных и Swagger-документацией, обычно выбирают FastAPI То есть, если совсем кратко: - Django = много готового - Flask = много свободы - FastAPI = удобно делать API ❗️Что выбрать новичку? - Если хочешь базово понять, как работают веб-сервисы, можно зайти через Flask - Если хочешь делать что-то ближе к реальному сервису, смотри на FastAPI - Если нужен полноценный веб-проект с кучей готовой инфраструктуры, хорошим вариантом будет Django Но важно помнить: лучшего фреймворка вообще не существует Есть фреймворк, который лучше подходит под конкретную задачу! А с какого из них начинали вы? Пишите в комментариях к посту 👇

Почему большинство новичков бросают IT уже в первый год? Проблема не в сложном коде! Рассказываем, как этого избежать. 🚀

📌Разбираемся в теме оптимизации игр в Unreal Engine с помощью профайлера Unreal Insights вместе с преподавателем школы — Джамбулатом

В этом ролике вы узнаете: Как запустить Unreal Insights после упаковки (Packaged Build) игры. Какие данные собирает профайлер. Как анализировать производительность CPU и потоков. Как находить узкие места (bottlenecks), влияющие на FPS. С чего начать оптимизацию проекта на практике.

Ставите ❤️, если было полезно!

📌Разбираемся в теме оптимизации игр в Unreal Engine с помощью профайлера Unreal Insights вместе с преподавателем школы — Джамбулатом

В этом ролике вы узнаете: - Как запустить Unreal Insights после упаковки (Packaged Build) игры. - Какие данные собирает профайлер. - Как анализировать производительность CPU и потоков. - Как находить узкие места (bottlenecks), влияющие на FPS. - С чего начать оптимизацию проекта на практике.

Ставьте ❤️, если было полезно!

📌 MCP (Model Context Protocol) — это стандарт, который помогает нейросетям подключаться к разным сервисам, данным и инструментам Если объяснять проще, MCP можно представить как «USB-порт для ИИ». Через него нейросеть может не просто отвечать текстом в чате, а получать доступ к внешним источникам: файлам, календарю, почте, базам данных, CRM-системам или другим приложениям. Например, без MCP ИИ может только подсказать, как составить письмо. А с подключенными инструментами он потенциально может найти нужный документ, взять из него информацию, подготовить ответ и помочь выполнить действие. Поэтому MCP стал особенно актуален на фоне развития AI-агентов. ❤️ – если используете MCP для расширения возможностей моделей 👍 – если хотите понять, как упростить работу с разными сервисами и данными

Tinder для карьеры: как работают сервисы поиска работы Найти работу через знакомых проще всего: вам могут порекомендовать подходящую компанию, а компании — вас. Но когда таких вариантов нет, в дело вступают сервисы поиска работы. И здесь процесс очень похож на дейтинг-приложения. И Tinder, и HeadHunter решают одну задачу — подобрать максимально подходящую пару. В дейтинге это люди, в найме — кандидат и работодатель. За это отвечают алгоритмы мэтчинга, которые анализируют данные и показывают варианты с наибольшей вероятностью успешного совпадения. Мэтчинг-поиск — это алгоритм, который ранжирует объявления не по привлекательности, а по вероятности найма. Сейчас принято говорить, что рынок превратился из рынка соискателей в рынок работодателей. Сервисы поиска работы тоже ориентированы на работодателей - именно они приносят деньги. С их точки зрения мы и рассмотрим алгоритм. 📌Big Data является HR трендом уже на протяжении десяти лет, и именно данные лежат в основе алгоритмов мэтчинга сейчас. 🔴Так, на HeadHunter система анализирует более 700 параметров для каждого резюме и сопоставляет их с вакансией. Алгоритм распознает синонимы и контекст в описаниях вакансий и резюме. Даже, если кандидат не использовал точные ключевые слова вакансии, но описал нужный опыт, система его найдет. В основе такого алгоритма лежит машинное обучение, что позволяет ему становиться точнее с каждым приглашением на собеседование и отказом. 🟢Авито столкнулись с падением метрик, когда запустили новое направление - Авито Работа. Рекомендательные алгоритмы ранжирования, которые работали для Товаров и других категорий, оказались неэффективными для этого раздела. Оказалось, что для разных категорий актуальны разные ключевые признаки. К тому же, простое ранжирование подразумевает, что продавец не может выбирать покупателей, а трафик распределяется неравномерно. Старый алгоритм учитывал только признаки продавца — то есть данные соискателя. Но найм — это всегда двусторонний процесс. У работодателей тоже есть свои требования: зарплата, график, опыт кандидата. HH использует защищенный патентом алгоритм. А вот в случае с Авито у нас есть уникальная возможность заглянуть «под капот» и увидеть использованные технологии:

• Python - для проверки ценности алгоритма • Vertica - для аналитических витрин • Sphinx - для доставки признаков до поиска • MLflow - для обучения модели • A/B тесты - для подтверждение гипотез

По результатам аналитики разработанного алгоритма Авито поняли, что его можно масштабировать и на поиск в других категориях. Также важно отметить, что алгоритмы мэтчинга работают не только на выгоду работодателей - соискатели также получают более релевантные вакансии для их резюме. 📝Поделитесь в комментариях своим опытом поиска работы на подобных сервисах. Какие сайты выдают вам более релевантные вакансии? Работают ли эти алгоритмы в вашу пользу?

Это ЗНАК, чтобы начать изучать что-то новое🚀 Станьте Python-разработчиком с нуля за 10 месяцев и получите диплом о профессиональной переподготовке по итогам обучения! 👾Записаться на пробное занятие с преподавателем школы можно на нашем сайте

«Главное не забрасывать и не ждать быстрых результатов!»

🚀Делимся историей Кирилла – ученика INNOPROG!

👨‍💻 Новые люди в команде INNOPROG Лев – Java Backend разработчик и новый преподаватель школы

Меня зовут Лев, я занимаюсь backend-разработкой для веб-приложений, также работаю в сфере автоматического тестирования. Мой опыт в преподавании IT-дисциплин составляет 3 года, ранее я также преподавал школьную математику. Для себя выбрал язык Java изначально, потому что он показался мне проще и «логичнее» остальных, но затем открыл для себя, что он по-настоящему очень производительный, а также на Java можно писать все: от микроконтроллеров, до полноценных систем. Работаю я зачастую с наиболее популярными технологиями(Git, Docker, Keycloak, брокеры сообщений и т.д.) и зависимостями Spring Boot(Security, Cloud, и т.д), также умею работать с Frontend-частью, например, на базовых HTML/CSS/JS, а также ReactJs. За время преподавания работал с людьми различных возрастов, как с детьми(8-15), так и со взрослыми(16+), большая часть взрослых учеников активно участвуют на различных соревнованиях(хакатонах) по программированию, некоторые уже работают либо разрабатывают собственные стартап-проекты.

📌Помогу освоить следующие направления: - Основы Java: изучение языка с нуля, будем смотреть, как все работает «под-капотом» для понимания процессов, а также попишем свои проекты - ООП на Java: главная особенность Java - она полностью состоит из ООП, это значительно упрощает разработку если уметь ими правильно пользоваться. После данного модуля можно уходить в конкретное направление, напр. Backend. - Backend на Spring Boot: Spring Boot - фреймворк(большая библиотека) для Java, благодаря которой разработка backend-сервисов и API значительно упрощается, но тем не менее добавляется большое количество других технологий для безопасности приложения, сбора метрик, работы с базами данных и т.д. 👾Записаться на пробное занятие к Льву можно здесь

Anthropic выкатили Claude Opus 4.8, как обновление флагманской модели Версия стала лучше в кодинге, рассуждении, агентных задачах и работе с длинным контекстом, причем цена для обычного использования не изменилась. Главный вайб релиза не в «вау, все в космос», а в том, что модель стала более осознанной: чаще замечает свои ошибки, честнее говорит об ограничениях и лучше ведет себя в долгих задачах. Что по плюсам. Во‑первых, заметно выросли метрики в кодинге: Anthropic пишет о лучших результатах на сложных бенчмарках вроде SWE-bench Pro и Terminal-Bench 2.1. Во‑вторых, модель стала полезнее для агентных сценариев — особенно там, где нужно долго держать контекст и не терять нить проекта. В‑третьих, у релиза есть приятные фичи для разработчиков: dynamic workflows в Claude Code, управление effort в claude.ai и более дешевый fast mode. Но минусы тоже есть, и они не косметические. DataCamp отмечает, что у Opus 4.8 есть регресс по prompt injection: без защит успешность атаки выросла примерно до 7% против 2.3% у 4.7, хоть с защитами это и снижается. Еще один момент — прирост в agentic‑задачах местами скромный, а в некоторых тестах есть просадки, так что это не «революция», а скорее очень сильный апдейт.

Мое мнение: если ты работаешь со сложными или уже готовыми проектами, где важны контекст, аккуратность и многошаговая логика, то Claude Opus 4.8 выглядит очень солидно. Для учебных задач и простых запросов его мощь может быть даже избыточной, но для реального продакшн-кода и больших кодовых баз — прям топовый кандидат.