В настоящий момент доля «красных» на рынке CPU для ЦОД достигла отметки в 50%, в конце 2024 года она была всего 20%, а в 2017 году фирма контролировала всего 2% рынка серверных процессоров. AMD сумела существенно укрепить свои позиции за счет успеха процессоров линейки EPYC Genoa.

Канал Осьминог Пауль

С 2011 на почту было понавязано куча сервисов и проще было расчистить память, чем все переносить на альтернативную почту. Ну и я понял: придется выкачивать все фото из гугла, а потом - удалять, так как именно фотки кота занимали 98% хранилища. При выкачивании фоток, кстати, получилось почему-то 25ГБ, но ладно, больше - не меньше. Выкачал я их. А вот удаление - отдельный эпик - выбирая чуть ли не по одной фотографии, но не более 500 штук за раз их надо было удалить. Но подробно про очистку хранилища не буду останавливаться, пойдём дальше.

Но есть один нюанс: я нифига такого не умею. Свое облако, свой сервер, что-то там с портами и айпишниками, а еще страшные слова типа докера встречались... В общем, на первый взгляд страшно, очень страшно. И как мне было радостно когда я узнал, что существуют ОС, которые всё сделают за тебя!

Установка системы

Я выделил две основные: Casa OS и Umbrel.
Не то чтобы они сильно отличались, но покурив функции и доступные приложения, я остановил выбор на Umbrel OS.

Что нам понадобится:

• Компьютер в роли сервера - тут насколько позволит ваша фантазия и/или финансы. Подойдет старый ноутбук, Raspberry Pi 4/5, отдельный комп, реальный сервер... Я себе под это дело купил дешманский компик на селероне + оперативку в него, а друзья, например, используют старый ноут в качестве сервера. Стоит отметить, что на х86-64 архитектуру можно поставить больше, чем на ARM, так что можно отталкиваться от этих требований. А, кстати! До кучи можно купить Umbrel Home - это комп с предустановленной системой, ничего настраивать не надо, но стоит раза в три дороже, чем купить просто аналогичный комп и накатить на него систему. Минимально требуется 2 ядра, 4 гига оперативки, 32 гига ssd. Естественно, лучше больше.

• Флешка для записи образа - от 4ГБ

• Патч-корд - чтобы прицепить сервер к роутеру

• Роутер - чтобы было куда прицепить сервер. В теории можно настроить работу по WiFi, но я пробовал, это лишний гемор, плюс нестабильность. Так что в моем случае Wi can't Fi.

Запись флешки

Тут есть подробное описание для разных систем, я расскажу про х86.

1. Скачиваем Balena Etcher

2. Скачиваем образ Umbrel (Нас интересует файл umbrelos-amd64-usb-installer)

3. Вставляем флешку

4. Запускаем Etcher

5. Выбираем скачанный образ системы

6. Нажимаем Flash!

Установка системы

Ну вот, полдела сделано. Теперь надо вставить флешку в будущий сервер, загрузиться с неё и увидеть следующее окно:

Тут с выбираем жертву диск, на который мы развернем нашу панацею. Диск должен быть пустой, т.к. система его отформатирует. Так что memento mori своих данных.

Когда все закончится - надо будет нажать любую клавишу, чтобы выключить комп. Потом отключить от него флешку и всю периферию, подключить к роутеру и включить. Первая загрузка может занять до 10 минут.

После всех манипуляций мы можем зайти на umbrel.local и увидеть рабочий стол нашего домашнего сервера. Если не получается подключиться по имени - можно в настройках роутера найти устройство и посмотреть ip, после чего подключиться по нему.

Теперь у меня есть свои гугл документы, свой гугл диск, и даже свой гугл хугл!

Прикиньте, вбиваешь запрос и быстро получаешь результаты без рекламного мусора! Кроме того, в самом поисковике куча настроек. Теперь он у меня настроен, как поиск по умолчанию.

В общем, какое-то время я так и сидел с сервером в локалке, а потом решил, что у меня на роутере есть VPN и... В общем, теперь я могу подключаться к своему серверу отовсюду через VPN. А с помощью приложения NextCloud я настроил автосинхронизацию и вообще доволен.

Заключение

Я доволен решением, которое у меня получилось. До кучи на всякий случай просканировал все свои порты - изнутри открытых портов нет, только через VPN, так что должно быть безопасно.

Теперь что касается моих затрат: я купил дешманский компьютер чуть меньше десятки, купил в него оперативки тысячи за две... Ну роутер не считаю, так как не под затею покупался. Можно было бы выбрать малину, но я хотел именно OnlyOffice, а он только на х86 поддерживается (по-крайней мере на момент всех моих манипуляций), но на малину можно поставить Collabora Online, это как LibreOffice, только онлайн.

И да, год Яндекс диска стоит дешевле, я в курсе. Но тут уже принцип - снизить зависимость от корпораций, да и памяти у меня побольше получилось, чем Яндекс может предложить.

• Гипервизор

  Т.к. отдавать всё ресурсы на одну ОСь и работать только с ней-более чем глупо. Воспользовался одним из моих любимых гипервизоров ProxMox. Можно долго петь ему деферамбы, но я не буду, знающие люди и без меня прекрасно понимают всю его мощь и прелесть.

  На данный момент запущено и стабильно работают с аптаймом 200+ дней 6 виртуальных машин и 10 LXC контейнеров. Почему именно LXC, а не тот же Докер? Лично для меня некоторые вещи удобнее именно в LXC контейнерах чем в Докере, хоть он так-же присутствует и о нем поговорим чуть дальше. (бекапы, скрипты автоматических установок, перемещения между гипервизорами, токая настройка сети и Vlan'ов, да и принцип +- одинаковый, да и не сильный проигрыш в ресурсах).

• Программный роутер

Немного о построении домашней сети. Имеется в наличии две квартиры и дача. На всех трёх в качестве "перимитральной защиты" используются Микротики HAP AC Квадрат. Очень любимые мною железки и как по производительности и как по соотношению цена-качество. Все три точки объедены посредством WireGuard (в данный момент один из самых достойных протоколов за скорость работы и простоту настройки) напрямую. Плюс каждая отдельно соединенна "звездой" через VPS в Нидерландах. Думаю в наше время никому не надо объяснять для чего это нужно?)))

В таком случае логично было бы поставить в качестве программного роутера CHR. Но нет))) тут в бой вступает:

Для тех кто не знает, PFSense это очень мощный программный роутер основанный на FreeBSD и имеющий на борту кучу плагинов для работы со всеми существующими сетевыми задачами, а так же много дополнительных пакетов работающих "из коробки", установил-настроил-забыл.

Моё знакомство с ним произошло в 2010 году, использую его везде где возможно до сих пор, очень советую хотя бы "поковырять и посмотреть что под капотом"

Так для чего он в домашней лабе если на "периметре" есть Микрот? всё просто, во всех учебниках по построению сетей и не только сказано: Разделяй и властвуй! Чем больше сеть разбита на сегменты и чем больше настроено правил прохождения трафика между ними чем надёжнее и защищённее вся сеть в целом.

Например те-же китайские и не только IoT устройства (лампочки, пылесосы, умные холодильники и чайники, Алисы и иже с ними, хабы умных домов, в общем всё что подключается в основном по WiFi и каким либо образом управляется) постоянно сканируют сеть в которой они находятся и засылают "статистику" своим хозяевам. Про телевизоры Самсунг вообще молчу, один из главных врагов в домашней сети)))

Именно для этого делается внутри основной сети закрытый периметр в которые входят виртуалки и контейнеры. Для которых применены определенные политики и правила прохождения трафика.

• DNS

Думаю не для кого не секрет, с чего начинается доступ в интернет домашних устройств и не только. Любому устройству выходящему "наружу" нужно сделать преобразование доменных имён в понятный для устройства IP адрес и установить связь с конечной точкой.

Многие провайдеры после установки ТСПУ начали делать "подмену" ответов DNS серверов для блокировок. Да и вообще, зачем и провайдеру и властям знать какие запросы вы посылаете на общедоступные DNS?

Именно тут в бой вступает ADGuard Home. Главная задача у него "резать рекламу" на всех устройствах которые запрашивают DNS у него. Конкретно у меня это абсолютно все устройства находящиеся в моей домашней сети.

Вторая задача, это шифрование запросов к внешним DNS серверам. В таком случае провайдер и "контора солнышек" (РКН) не смогут узнать запрос имени к какому именно ресурсу осуществляется.

Третья задача, это обращение по локальным "общепонятным" адресам внутри сети, например чтобы не запоминать у кого какие IP адреса, перехожу просто в адресной строке dns.loc и попадаю в интерфейс управления Adguard, удобно и экономит время.

• Мониторинг

Когда сервисов или устройств в домашней сети больше чем несколько, желательно настроить систему мониторинга, чтобы знать где-что отвалилось или работает не так как должно, а так же предотвращать будущие проблемы, например переполнение дисков логами, критическое повышения температуры отдельных устройств и тд.тп, данная тема как и предыдущие пункты заслуживают отдельного поста и разборов компонентов "по полочкам".

Для себя давно выбрал Zabbix как универсальный-надёжный "комбаин" для мониторинга всего и вся вообще. Есть куча шаблонов как для оборудования так и для ПО или ОС. Он всегда оповестит меня если в сети появится новое устройство которого там не должно быть или если на даче отвалилась камера, если честно применения систем мониторинга очень много, и все не обхватить.

Но иногда, когда не охото разворачивать с нуля этого монстра, на помощь приходит маленький-удобный-интуитивно понятный UptimeKuma. Если что-то надо быстро "помониторить" использую его как альтернативу. А в лабе поднято и то и то)))

• Хранилище (Облачко, файлопомойка, ftp-сервер, хранилище фотографий, хранилище бекапов, медиасервер и тд.)

Один из основных компонентов, ради которого в принципе всё это и начиналось)

Если честно, для хранилок перепробовал много чего, и TrueNAS и FreeNAS и OpenMediaVault, но стоило пару раз поюзать железки NAS Synology как они мне запали в душу)))

В связи с этим, выбор для дома не заставил себя ждать и появилась виртуалка с Xpenology DSM. Это тоже "комбаин" который включает в себя множество отдельных функций.

В том же яндекс-диске у меня почти пол террабайта (когда то давно они потеряли мои данные и начислили много места + выслуга лет ящика), но пользовать их полноценно без оплаты невозможно, ограничение по скорости и размеру файла 1гб на "бесплатных" тарифах иногда просто убивает(((

Именно по этому наличие своего места без всяких ограничений было жизненно необходимо. Плюс ко всему есть клиенты, базы которых надо было тоже куда-то сливать в отдельное место на случай пожаров и шифровальщиков.

В принципе в заголовке списка написано для чего он используется, отдельно хочу отметить работу с видеонаблюдением, surveillance station заслуживает отдельных похвал!!!

• Маленький подытог

  Думаю для первой части достаточно. В следующей части разберем всё остальное)

  Спасибо за внимание, чукча не писатель)

Инженер машинного обучения (ML-инженер — от англ. Machine Learning Engineer) — это специалист, который разрабатывает и внедряет алгоритмы, позволяющие программам обучаться на данных и принимать решения без явного программирования. Скажем, специалист по Data Science анализирует данные и строит модели, а ML-инженер оптимизирует их и интегрирует в реальные приложения.

Профессия находится на пересечении программирования, математики, статистики и прикладного машинного обучения. ML-инженер не просто строит модель, а делает так, чтобы она эффективно работала в продакшене, обрабатывала большие объемы данных, быстро реагировала на запросы пользователей и корректно обновлялась по мере поступления новых данных.

Чем занимается ML-инженер на практике

Работа ML-инженера включает сразу несколько направлений. В первую очередь это сбор и подготовка данных. Реальный мир далек от идеала, и данные часто приходят в сыром виде: с пропусками, ошибками и несоответствиями. Инженер должен очистить их, привести к единому формату и расширить с помощью внешних источников.

Следующий этап — выбор и обучение модели. Здесь инженер выбирает один или несколько алгоритмов, проводит эксперименты, настраивает параметры, оценивает качество. Он должен понимать, как работают линейные регрессии, деревья решений, градиентный бустинг, нейронные сети и уметь выбрать нужный инструмент под задачу.

Самое сложное и ответственное начинается после того, как модель готова. ML-инженер превращает ее в часть работающего приложения. Это означает упаковку модели в API, написание серверного кода, оптимизацию по скорости и памяти, мониторинг качества в реальном времени и повторное обучение по мере необходимости. Он также работает над масштабируемостью и надежностью, так как в реальных условиях модели должны обрабатывать тысячи или миллионы запросов ежедневно.

Кроме того, инженер взаимодействует с другими специалистами: аналитиками, продукт-менеджерами, разработчиками. Он объясняет, как работает модель, какие у нее ограничения, как интерпретировать результаты. Коммуникация — неотъемлемая часть его работы.

Какие навыки и знания нужны

Чтобы стать инженером машинного обучения, нужно сочетание теоретической базы и практических навыков:

• Уверенное владение языками программирования, прежде всего Python. Большинство библиотек машинного обучения, таких как scikit-learn, TensorFlow, PyTorch, написаны именно на нем.

• Знания математики, особенно линейной алгебры, теории вероятностей и математической статистики тоже играют важную роль. Без них невозможно понять, как и почему работает та или иная модель, как интерпретировать ее поведение и где могут возникнуть ошибки. Для повторения основ у нас есть отдельный бесплатный курс базовой математики.

• Алгоритмы машинного обучения важно понимать на уровне реализаций: что такое переобучение, как работает регуляризация, какие метрики применимы для классификации, регрессии, кластеризации.

Также важно уметь работать с базами данных (SQL, NoSQL), системами хранения и обработки больших данных (Hadoop, Spark), знать основы DevOps и MLOps (Docker, CI/CD, Kubernetes, автоматизация моделей).

Плюсы и минусы профессии

➕ Востребованность и высокая оплата труда. Инженеры по машинному обучению — одни из самых востребованных специалистов в IT-сфере. Зарплаты выше среднего по рынку, особенно при наличии успешных проектов и глубоких знаний.

➕ Перспективность. ML активно применяется в медицине, финансах, ритейле, науке и других отраслях. Это дает широкие возможности для карьерного роста.

➕ Интеллектуальная работа. Работа подходит тем, кто любит решать сложные задачи и работать с данными.

➕ Богатая образовательная экосистема. По теме ML иного курсов, open-source инструментов, конференций и сообществ. Есть возможность постоянно учиться и обмениваться опытом.

➖ Высокий порог входа. Нужны глубокие знания математики, программирования, а также баз данных, алгоритмов и архитектур моделей.

➖ Работа бывает рутинной. Большую часть времени занимает обработка и подготовка данных, отладка моделей, а не изобретение революционных алгоритмов.

➖ Трудности с внедрением моделей. Не всегда удается успешно интегрировать модель в продукт. Требуются усилия по адаптации под инфраструктуру, масштабированию, мониторингу и учету бизнес-ограничений.

➖ Конкуренция. Растущая популярность профессии означает, что в крупных городах конкуренция среди кандидатов может быть высокой.

Зарплаты ML-инженеров

По данным Dream Job, средняя зарплата ML-инженеров в России за 2025 год составляет 165 000 рублей. Чаще всего зарплаты находятся в диапазоне от 100 000 до 230 000 рублей. Минимальная зафиксированная зарплата — 87 000 рублей, максимальная — 360 000.

Вилки джуниоров в машинном обучении, по данным HH Карьера, составляют от 70 000 до 110 000 рублей. Мидлов — от 220 000 до 250 000 рублей, а сеньоров — от 348 000 до 350 000 рублей.

Вот так выглядят зарплаты в профессии ML-инженер летом 2025 года.

Перспективы профессии

Машинное обучение используется в самых разных сферах: от финансов и медицины до логистики, маркетинга и развлечений. ML-инженеры разрабатывают алгоритмы для прогнозирования спроса, распознавания лиц, антифрод-систем и рекомендательных алгоритмов.

Спрос на таких специалистов продолжает расти, а уровень доходов остается одним из самых высоких на рынке. По данным исследования, наибольший спрос в сфере анализа данных и ML пришелся на последние четыре года — число предложений выросло в 2,5 раза.

Конечно, вход в профессию требует знаний, самообразования и реальных кейсов. Но те, кто готов учиться и двигаться вперед, найдут в этой области интересную работу с постоянными интеллектуальными вызовами и большими карьерными перспективами.

Как стать ML-инженером

Многие специалисты приходят в машинное обучение из смежных областей:  математики, физики, программирования, аналитики. Часто у них есть техническое образование, хотя это необязательно. Важнее — желание учиться и практиковаться.

Один из самых надежных способов — пройти профильное обучение. Это может быть вуз, где есть направления по ИИ и анализу данных, или курсы, ориентированные на практику. Онлайн-платформы предлагают мощные программы, которые можно проходить параллельно с работой или учебой.

Например, стартовать в профессии поможет онлайн-курс «Инженер машинного обучения» Практикума — за 4 месяца вы изучите полный жизненный цикл модели машинного обучения и сможете строить продвинутые ML‑модели. Вы освоите Docker, FastAPI, Airflow, MLflow, Yandex Cloud и другие инструменты, добавите 7 ML-проектов в портфолио и получите диплом о профессиональной переподготовке.

Начните учиться бесплатно!