Przetwarzanie języka naturalnego, znane pod nazwą NLP (Natural Language Processing), od wielu lat pozostaje jednym z najciekawszych obszarów sztucznej inteligencji. To dziedzina, która próbuje opisać, zrozumieć i modelować język w formie, jaką posługują się ludzie, a następnie przekładać go na strukturę, którą można przetwarzać algorytmicznie. W praktyce NLP obejmuje szeroki zakres zagadnień, od analizy sentymentu i klasyfikacji tekstu po tłumaczenia maszynowe, streszczenia, automatyczne odpowiadanie na pytania i modele generatywne. Bez względu na złożoność tych zadań punktem wspólnym pozostaje konieczność zmiany języka naturalnego na liczby oraz odnalezienia regularności, które pozwalają maszynie przewidywać, jakie słowo pojawi się w tekście jako następne.

Drugiego kwietnia 2025 roku (możecie się łatwo domyśleć, dlaczego nie pierwszego) Jimmy Bogard, właściciel projektu Automapper, ogłosił, że komercjalizuje swoje dwa największe projekty opensource: wspomnianego już Automappera oraz być może nieco mniej znanego MediatR, którego, o ironio, zaledwie dwa miesiące wcześniej na łamach serwisu Reddit zarze- kał się nigdy nie skomercjalizować.

W momencie pisania tego artykułu (listopad 2025) C++26 znajduje się w stanie feature freeze od czerwca 2025 roku. Oznacza to, że nie zostaną już dodane żadne nowe funkcjonalności, a komitet skupia się na rozwiązywaniu uwag krajowych ciał normalizacyjnych oraz naprawie błędów. Finalizacja standardu przewidywana jest na marzec 2026 roku w Londynie. C++26 przynosi przełomowe zmiany, szczególnie w zakresie refleksji. Jest ona wg Herba Suttera „bardziej transformacyjna niż jakiekolwiek 10 innych głównych funkcjonalności, na które kiedykolwiek zagłosowaliśmy do standardu, razem wziętych”.

Wizualizowanie ruchów obiektów nie należy do zadań trywialnych. Stosując specjalistyczny czujnik oraz implementując odpowiedni algorytm, można śledzić ruchy obiektu w czasie rzeczywistym. W tym artykule w przystępny sposób pokażemy, jak, z wykorzystaniem sensora IMU, mikrokontrolera, filtru komplementarnego lub Kalmana, można to osiągnąć.

Czas największego boomu w dziedzinie informatyki i komputeryzacji przypada na lata 60. i 70. XX wieku. Wtedy komputery stały się na tyle tanie, choć brzmi to może dosyć przewrotnie, że stać na nie było nie tylko wojsko i agendy rządowe najbardziej rozwiniętych krajów świata. Okres II Wojny Światowej był katalizatorem wielu technologicznych przełomów, jednym z nich był obszar IT. W trakcie wojny i tuż po niej tworzone były koncepcje, które dojrzewały i owocowały również w Polsce. Pomimo zapadającej powoli „żelaznej kurtyny”.

W dużych przedsięwzięciach programistycznych autonomia stosujących zwinne metodyki pracy developerów zderza się często ze złożoną rzeczywistością większych systemów i potrzebą zapewnienia jakości. Wkraczają wtedy architekci i podejmują trud analizy licznych atrybutów jakościowych (zwanych ities, z racji swoich angielskich nazw – security, reliability, testability itp.), które bywają sprzeczne i trudne do zdefiniowania. W tym artykule opiszemy te wyzwania, rolę, jaką pełnią architekci w odkrywaniu, definiowaniu i priorytetyzacji kluczowych ities, a także w procesie wyboru wzorców i taktyk architektonicznych, które mają za zadanie zapewnić sukces biznesowy projektu.

Choć na ogół jestem dużym miłośnikiem nowych technologii, z jakiegoś powodu do rozwiązań z zakresu sztucznej inteligencji podchodzę z dużą rezerwą. Bardzo sceptycznie patrzyłem na entuzjastyczne zapewnienia, że już za kilka lat przestaniemy pisać kod źródłowy, i z dużym spokojem podchodzę do śmiałych pomysłów wymiany ludzkiej załogi na sztuczną inteligencję. I co tu dużo mówić: im dłużej obserwuję rynek, tym bardziej utwierdzam się w przekonaniu, że moje podejście jest ze wszech miar słuszne.