TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #52 · 19.06

У Каца обстоятельный ролик про самокаты. Самое главное — приводятся исследования, показывающие, что на электросамокаты чаще пересаживаются именно с автомобиля и такси, а не с общественного транспорта. Это, пожалуй, был самый неоднозначный момент в спорах, в том числе в моих дискуссиях с некоторыми людьми в комментариях под предыдущими записями. Даже фанаты автомобилей в общем-то понимают, что снижение автомобилизации города это благо для всех его жителей, включая самих автомобилистов. Но некоторые сторонники автомобилей выступали против электросамокатов с риторикой «Пусть эти люди продолжают пешком ходить / на автобусах ездить». На деле рассматривается так называемая «проблема последней мили» — перемещение от крупного транспортного узла до точки назначения. И ее очень плохо решает рейсовый общественный транспорт, но хорошо решают такси, каршеринг и, с некоторыми поправками, личные авто. Средства микромобильности, к которым относятся велосипеды и самокаты, тоже призваны решать именно эту проблему. Так что да: электросамокатчик это по статистике чаще всего не выехавший на дорогу автомобилист (на своей машине или каршеринге/такси). Впрочем, выводы Кац, разумеется, делает самые банальные, ничего не говорящие о том, как решать проблему простым жителям здесь и сейчас. Надеяться на какую-то адаптацию городов в России для людей было бы очень наивно. P.S. Недавно проехался на кикшеринге с новым ограничением 20км/ч. По субъективным ощущениям стало сильно медленнее, но по часам — не сильно медленнее. Все ещё один из самых удобных способов перемещения по городу. #life https://youtu.be/UOSOPAlxwD4

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #penetrationtesting

当前筛选 #penetrationtesting清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #9289 · 22.12.2025 г., 07:14

💀NeuroSploit v2 - продвинутый AI-фреймворк для тестирования на проникновение (пентеста). NeuroSploit v2 использует большие языковые модели, чтобы автоматизировать и усилить offensive security. Фреймворк помогает анализировать цели, находить уязвимости, планировать эксплуатацию и поддерживать защитные меры, сохраняя фокус на этике и операционной безопасности. Основные возможности: • Агентная архитектура Специализированные AI-агенты под разные роли: Red Team, Blue Team, Bug Bounty Hunter, Malware Analyst. • Гибкая интеграция LLM Поддержка Gemini, Claude, GPT (OpenAI) и Ollama с настройкой через профили. • Тонкая настройка моделей Отдельные LLM-профили для каждой роли: выбор модели, температура, лимиты токенов, кэш и контекст. • Markdown-промпты Динамические шаблоны промптов, адаптирующиеся под задачу и контекст. • Расширяемые инструменты Интеграция Nmap, Metasploit, Subfinder, Nuclei и других security-инструментов через конфигурацию. • Структурированные отчёты JSON-результаты кампаний и удобные HTML-отчёты. • Интерактивный CLI Командная строка для прямого управления агентами и сценариями. NeuroSploit v2 - пример того, как agentic AI превращает пентест из ручной работы в управляемую автоматизацию. git clone https://github.com/CyberSecurityUP/NeuroSploitv2.git cd NeuroSploitv2 ▪Github: https://github.com/CyberSecurityUP/NeuroSploit @ai_machinelearning_big_data #python#Penetrationtesting#llm#mlops#Cybersecurity