Лига Новых Технологий

Вы приходите домой и включаете любимый стриминг. Лента сразу же выдаёт вам несколько фильмов и сериалов, которые… действительно хочется смотреть. Сегодня разберём, как именно рождается эта магия вне Хогвартса, и что сидит под капотом рекомендательного движка онлайн-кинотеатра.

Так как лично я чаще других сервисов включаю Кинопоиск (да, я посчитал с точностью до минуты), то детализировать детали и анализировать нюансы я буду именно на его примере. И да, в этой статье не будет сложных технических терминов и греческих букв. Её цель - раскрыть основные принципы стримингов человечьим языком и наглядно.

Итак, погнали:

Этого стриминга в Химках видал, неточными рекомендациями торгует!

Давайте пойдём поэтапно. Что нужно сделать онлайн-кинотеатру, чтобы быть классным? Рискну предположить, что сначала ему нужно вот что:

1. Составить хорошую библиотеку. Добавить к себе сериалов и фильмов крутых и разных, да побольше!

2. Набрать пользовательскую базу. Чтобы я, вы, ваша мама, ваш коллега и вон тот парень оформили подписку. Но не только - важно, чтобы вы ещё регулярно смотрели (почему - объясню ниже, это важный момент).

Итак, у нас есть контент, и у нас есть пользователи. Говоря более научно, есть item, и есть user. И теперь кинотеатру нужно сделать третий шаг, ключевой:

1. Соединить user и item. Проще говоря, дать пользователю Васе именно тот фильм, сериал или аниме по манге (мало ли от чего прётся наш Василий), который ему а) нужен в целом и б) актуален прямо сейчас.

Но как это сделать?

Вариант первый - плясать от юзера Васи (user-based recommendations). Допустим, мы видим, что Вася с кайфом посмотрел последний российский детектив про жуткого маньяка. Ну окей, пульнём ему другие леденящие душу истории про серийных убийц. Но что если ему понравился именно тот детектив, а новые не зайдут?

Хорошо, тогда можно использовать обратный подход - плясать от контента (item-based recommendations). Пусть алгоритмы глянут, что там "сидит" внутри этого детектива - сюжетные повороты, темп повествования, атмосфера, антураж, локации, год выпуска, набор актёров, подмешивание других жанров и т.д. Находим максимально похожий тайтл и кидаем его Васе на первое место в ленте!

Но Вася проходит мимо и садится смотреть турецкий сериал с Серканом Болатом, или как там его зовут. Почему? Да хрен его знает. Может после того сериала у него детективный передоз, и больше он не хочет смотреть на мрачные расследования? А может Вася планирует поездку в Турцию, и хочет полюбоваться видами Стамбула? Или ещё проще - у Васи появилась девушка, и пульт теперь у неё (ну или мы просто чего-то о нём не знаем). Люди - существа иррациональные, причин может быть очень много, а на поверхности - ни одной.

Как видите, чистый user-based и item-based - это упражнение, конечно, интересное, но полезное лишь для общего развития. А для точных стриминговых рекомендаций нужно что-то позабористее. Но что?

Существует три вида лжи…

… ложь, наглая ложь и статистика. Так про статистику говорил то ли Бенджамин Дизраэли, то ли Марк Твен (но не Ленин, как многие думают, Ильич как раз статистику очень любил и уважал). Смысл цитаты в том, что статистическими выводами можно:

• а) вертеть как угодно

• и б) делать это на максимально серьёзных щщах

Ведь вывод будет подкреплён (ну, типа) анализом выборки, а не просто взят с потолка.

Не буду спорить, но в случае рекомендательных систем - это вовсе не минус, а очень даже плюс. Потому что нас интересует не единственно верная истина, а набор наиболее релевантных вариантов. Но давайте конкретнее:

В рекомендательных системах онлайн-кинотеатра выбор на основе большой статистики воплощён в виде коллаборативной фильтрации (КФ). КФ - это база-основа любого годного стриминга, от Ютуба до Яндекс Музыки. Онлайн-кинотеатры в целом, и Кинопоиск в частности - не исключение.

Давайте разберём, что это такое:

Коллаборативная фильтрация работает на предположении, что:

Пользователи, которые одинаково оценили какие-либо тайтлы (т.е. фильмы/ сериалы) в прошлом, склонны давать похожие оценки другим тайтлам в будущем.

То есть, если фильм "Ромашка" понравился многим пользователям с похожей историей просмотров, то он скорее всего понравится и другим пользователям с такой же (или почти такой же) историей просмотров.

Давайте на примере (очень упрощённо и схематично):

Допустим, недавно Вася посмотрел до конца и поставил высокую оценку вот таким тайтлам:

• Мастер и Маргарита

• Атака Титанов

• Фишер

• Игры

А Петя сделал то же самое вот с таким контентом:

• Киберслав

• Атака Титанов

• Фишер

• Игры

Итак, у Васи и Пети все тайтлы одинаковые, кроме одного различия: Мастер и Маргарита против Киберслава (ставьте лайк, если хотели бы увидеть такой кроссовер). По логике КФ, если пользователи “обменяются” своими 4 тайтлами (Вася глянет Киберслава, а Петя М&М), то им должно понравиться. Собственно, отсюда и слово “коллаборативная” в названии - пользователи как бы сотрудничают, подкидывая наилучшие рекомендации друг другу.

Понятное дело, что пример выше упрощён до неприличия. В реальности должны быть не Вася с Петей, а несколько сотен тысяч (а лучше миллионов) юзеров, и тайтлов в анализе должно быть слегка больше четырёх. И тогда рекомендательная система может на больших данных глянуть, что смотрят юзеры с похожими предпочтениями, и сделает статистически значимый вывод.

Чтобы было ещё понятнее, давайте проведём аналогию с чем-нибудь из жизни. Я вот с утра в зал сходил, давайте с ним и сравним:

Зал видит, что вы сделали жим сотку, гантели по тридцатке и пошли на кардио. А ещё он в своей базе данных видит, что были другие посетители, которые делали то же самое. Многие из них ещё делали румынскую тягу и французский жим. Логично будет порекомендовать эти упражнения и вам (вероятность попадания будет статистически высокая).

Однако, что будет, если вам нельзя делать румынскую тягу по медицинским показаниям, а во время французского жима вы год назад уронили гантелину на голову и теперь у вас психологический блок на это упражнение? Или ещё прикольнее - система подобрала целых 10/ 20/ 50/ да хоть тысячу статистически актуальных упражнений. Какое порекомендовать первым, а какое последним? И вообще, зачем всех под одну гребёнку пихать? Я же уникальная снежинка, предложи мне что-нибудь эдакое!

Вот и с контентом в онлайн-кинотеатре то же самое.

• А что если Вася сильно отличается от других юзеров, которые смотрели похожие тайтлы?

• А если актуальных рекомендаций много, то какую порекомендовать первой, второй, двадцать седьмой?

• И вообще, настроение у Василия игривое, он хочет сюрпризов, удивите!

• Или ещё сложнее - что если Вася только-только зарегался на Кинопоиске, и у него ещё нет никакой истории (a.k.a. “холодный юзер”)?

(Cat)бустим коллаборативную фильтрацию

Для преодоления вышеописанных преград, коллаборативная фильтрация отлично дополняется градиентным бустингом. Для начала очень кратко распишу, что это вообще за зверь такой:

Итак, градиентный бустинг - это такой метод машинного обучения, когда несколько “небольших” моделей применяются последовательно, и каждая из них исправляет ошибки предыдущей. Шаг за шагом ошибка становится всё меньше и меньше, а результат всё точнее и точнее.

Множество маленьких моделек градиентного бустинга ещё называют “ансамбль моделей”. По-французски emsemble значит "вместе", ну вы поняли.

Давайте разберём на примере пиццы. Ну а что, в зал мы уже сходили, так что имеем право.

Итак, допустим, вы понятия не имеете, как готовить пиццу (= не знаете юзера Васю), но слышали, что её делают из теста и сыра. Вы кидаете кусок теста и сыра в печку. Получилась дрянь. Вы думаете: “А что, если раскатать тесто и положить на него сыр?”. Уже лучше, но тесто сгорело. Вы повторяете попытку, уменьшая жар. Ещё лучше, но сыр подгорел. Вы насыпаете его более равномерно. Отлично, но не хватает томатной пасты. Вы добавляете пасту. Теперь это уже похоже на пиццу, но всё равно есть что улучшать. Вы можете дальше повторять итеграции, играясь с рецептом и технологией готовке, пока у вас не получится идеальная пицца как у дядюшки Джузеппе.

Градиентный бустинг в онлайн-кинотеатре работает точно так же, только шагов и ошибок в “дереве решений” может быть гораздо-гораздо больше, ну и тесто с сыром не нужно портить (это ж машинное обучение, в конце концов).

У Кинопоиска за градиентный бустинг отвечает штука под названием CatBoost.

CatBoost - это набор библиотек (= готовых шаблонов и решений) градиентного бустинга, который Яндекс использует во многих своих сервисах: в маркетплейсе, прогнозе погоды, рекламных системах, музыкальном стриминге и т.д. Ну и в онлайн-кинотеатре, само собой.

“Cat” здесь значит “категориальный”, то есть модель заточена на работу с категориями, а не только с числовыми данными. Она умеет мыслить не только понятиями "один-ноль" и “больше-меньше”, но и отличать кошечку от собачки, Турцию от Кореи (а Южную Корею от Северной), детектив от триллера (или от комедии, хоррора, пеплума, …), Юру Борисова от Ванпанчмена и т.д.

Итак, вернёмся к нашему юзеру Васе. 

Сценарий первый. Коллаборативная фильтрация отобрала ему 50 самых-самых релевантных фильмов. И ещё 10 сериалов в качестве бонуса. Как всю эту очередь расставить в ленте?

Допустим, в списке есть Начало и Интерстеллар. Кого поставить выше? CatBoost видит, что Вася ставил всем фильмам Нолана оценку 8+ (любит он Нолана, в общем). Также он видит, что Вася плюс-минус одинаково хорошо смотрит и Ди Каприо, и Макконахи. Он идёт дальше, перебирает другие факторы. И видит, что по вечерам Васе чуть лучше заходит космическая тематика. А ещё он в Яндексе недавно чёрные дыры искал - совпадение? Сейчас как раз вечер, так что поставим Интерстеллара чуть выше Начала.

Понятно, что в реальности алгоритм будет ранжировать (да, забыл сказать, такая операция называется “ранжирование”) из множества единиц контента и одновременно учитывать сотни и тысячи единиц информации о пользователе. Но логика такая.

Сценарий второй. Вася из другой реальности (скажем, с Земли-616) только-только зарегался на Кинопоиске. Данных по нему нет, сравнить с другими пользователями не выйдет, коллаборативно фильтрануть не получится. Но! Во-первых, он наверняка зарегается не просто так из вакуума, а придёт за определённым тайтлом.

Ну например, увидит сериал “Игры” и такой: “О, это мне надо, хочу смотреть на младшего Верника в антураже брежневского Союза”. И оформит подписку. 

И алгоритмы такие: “Ага, ему нравится младший Верник (ну или Серебряков, единственный в своём роде), антураж СССР, спортивная тематика, драмы с элементами детектива, современные российские сериалы, …”. Это всё гипотезы, каждую из них CatBoost может начать отрабатывать. Рекомендовать, смотреть на результат. Рекомендовать дальше, улучшать результат, отрабатывать ошибку. И так далее, далее, далее. Повышая знание о пользователе, учитывая всё новые факторы, делая “градиент” всё более плавненьким. В какой-то момент у Василия будет достаточно истории, и его получится нормально запихнуть в коллаборативную фильтрацию.

Если Вася всё же пришёл из ниоткуда (действительно холодный юзер), то ему сначала дадут глянуть что-нибудь из самого популярного. Посмотрят, как он реагирует на разные тайтлы из топ-10, а дальше см. выше.

Здесь ещё можно было бы разобрать, какие факторы учитываются в градиентном бустинге, как именно алгоритм достаёт эти данные, с какой скоростью он учится… и многое другое.

Однако, статья и так получилась чуть больше, чем я планировал, поэтому на этой ноте откланяюсь. Напоследок держите набор простейших действий, способных здорово помочь КэтБусту и натренировать Кинопоиск. С другими онлайн-кинотеатрами тоже должно сработать - вплоть до Netflix или даже Youtube (последний - это тоже своего рода стриминг). Итак:

• Ставим высокие оценки фильмам и сериалам, которые вам нравятся, и низкие - тем, которые не зашли. Для этого в конце просмотра есть специальная голосовалка, не пропускаем её.

• Если листаем ленту и видим что-то прикольное, не стесняемся добавлять в “Буду смотреть”.

• Если видим, что рекомендательная система прогадала и запихнула в ленту залётные неактуальные тайтлы, то прожимаем кнопку "Неинтересно".

• Если вас зацепил какой-то фильм или сериал из ленты, но вы не хотите его смотреть прямо сейчас, то можно включить его хотя бы на пару минут (а лучше минут на 5-10). Это станет важным сигналом для рекомендательных систем.

Если не забывать про эти простые шаги, то алгоритмы скажут вам “спасибо”, коллаборативная фильтрация станет ещё более меткой, а вы сможете тратить ещё меньше времени на поиск персонализированной актуалочки.

Очень надеюсь, что вам стало понятнее, по какой логике алгоритмы этих наших стримингов вываливают на нас именно те фильмы, сериалы и прочее народное творчество, которое актуально, релевантно и желанно именно нам и именно в данный конкретный момент времени.

P.S. Понятно, что выше я описал основные подходы и базовую логику их применения. На самом деле сложность и продвинутость сего действия нужно умножить на дцать, и вообще, там всё переплетено так, что мама не горюй. Но принцип именно такой. 

Если вам понравилось, то подписывайтесь на мой тг-канал Дизраптор, где я человечьим языком разбираю интересное из технологий, инноваций и бизнеса. А на втором канале Фичизм выходят самые кайфовые фичи и всё такое.

Кто из нас не мечтал о будущем с летающими машинами и роботами-водителями? Это уже почти реальность, Tesla, Waymo и другие технологические гиганты вот-вот выпустят полностью автономные автомобили. Но что, если я скажу вам, что настоящая революция в транспорте пришла совсем с другой стороны?

Представь: перед тобой задача создать систему городского транспорта будущего, да не просто создать, а чтобы она ещё и была дешевой, надежной и реализуемой. Все вокруг говорят об искусственном интеллекте, нейросетях, лидарах за миллионы долларов. Вы смотрите на эти сложные системы и думаете: "А что, если мы слишком усложняем? Что, если решение лежит не в создании искусственного водителя, а в том, чтобы дать реальному человеку новые возможности?"

Вот тут и появляется Vay, немецкий стартап который посмотрел на проблему под другим углом.

Компания Vay предоставляет услугу теледрайвинга, при которой удаленные операторы управляют автомобилями из центра, используя стандартные элементы управления, такие как руль и педали, а также системы видеонаблюдения с обзором на 360 градусов.

Клиенты заказывают автомобиль через приложение, после чего оператор дистанционно доставляет его к месту нахождения клиента. Затем клиент самостоятельно управляет автомобилем до пункта назначения, а по завершении поездки оператор удаленно возвращает автомобиль на базу или к следующему клиенту.

У нас уже есть Tesla, зачем Vay?

Прошло уже несколько лет с того дня, как Илон Маск заявил о безусловных перспективах беспилотных автомобилей, “Миллионы роботакси … Автономность пятого уровня без геозон” и так далее. На дворе 2025, что мы имеем? Машину в космос запустили, DOGE пропампили, а вот до безопасного и реального пятого уровня автономности пока далеко.

В отличие от компаний специализирующихся на полностью автономных системах, Vay не нужно проводить огромное количество симуляций, чтобы обеспечить безопасность. Их основной принцип безопасности заключается в том, что водитель-человек может принимать решения. Vay в отличие от Tesla или Waymo не мечтает однажды избавиться от руля, который во время поездок крутится, словно управляемый Человеком-невидимкой. В подходе к дистанционному вождению также используется довольно недорогая технология камер, которая стоит в несколько раз дешевле лидарных сенсорных систем, которые предпочитают ведущие компании автономных машин.

Кстати, об уровнях:

Это классификация автономного вождения (SAE J3016) отражающая степень автономности автомобиля, своего рода шпаргалка для амбициозных изобретателей и продвинутых водителей. Наши сегодняшние герои решили не дергать Бога за бороду и остановились на четвертом уровне автономии. На первый взгляд кажется, что Vay должна быть на уровне 2 или 3, ведь управление остаётся за человеком, хоть и удалённым, однако, водитель не находится в автомобиле, а по классификации SAE уровни 0-3 требуют, чтобы водитель находился в машине и мог взять управление. Уровни 4-5 допускают отсутствие водителя в машине, что соответствует концепции Vay, когда автомобиль может двигаться без вмешательства водителя в определённых условиях. Также четвертый уровень соответствует концепции геозоны Vay, 4 уровень подразумевает, что авто может самостоятельно функционировать на определенной территории, например в пределах города.

Примечательно, что даже Илон Маск недавно признал, что в Tesla разрабатываются возможности удалённого вождения. Это подтверждает что теледрайвинг является скрытым фактором, способствующим развитию и масштабированию автономных технологий. Vay перепрыгнула конкурентов, которые сделали шикарные, но не идеальные системы только лишь тем, что дала умной машине человека, который компенсирует все недостатки автономной системы. Это подтверждает концепцию, согласно которой ИИ работает эффективнее, когда им не пытаются заменить человека, а напротив, предпринимают попытки дополнить и улучшить возможности человека. Так немцы и поступили.

Главное не рассказывайте им про существование танков.

А что если пропадёт интернет?

Vay использует несколько мобильных сетей и собственное оборудование для обеспечения надежного соединения между автомобилем и удаленным водителем. В случае сбоя одной из сетей, сигнал может быть получен через другую, что минимизирует риск полной потери связи. Если же возникают проблемы, препятствующие безопасному управлению автомобилем, система автоматически выполняет так называемый "маневр минимального риска", останавливая автомобиль в безопасном месте по готовым паттернам. Ситуация, что машина застревает в тоннеле без связи с миром и пассажир каким то образом оказывается в ловушке исключена, поскольку Vay пока функционирует лишь на определенной территории, которая имеет достаточно плотное покрытие мобильными сетями.

Вопрос скорее в том, как Vay собирается расширять рамки и отправлять машины в дальние поездки. Интернет объективно есть не везде, а в путешествие хочется. Возможно поможет система спутникового интернета, которая обладает внушительным покрытием, но имеет недостатки в виде задержек, а может проблему отсутствия интернета решит резервный индус с ноутбуком в багажнике. Пиши в комментарии, как бы ты решил эту проблему?

Техническая часть для самых любопытных

Система Vay реализует удаленную доставку автомобиля через станцию teledrive, где оператор управляет автомобилем с помощью рулевого модуля, педалей и нескольких экранов с потоковым видео с бортовых камер. Передача данных выполняется по многоканальной схеме через 4G/5G с резервированием на случай разрыва соединения. Основные управляющие команды передаются с минимальной задержкой (30–50 мс), но система адаптирована к компенсации лагов до 200 мс с помощью предсказательных алгоритмов. В автомобиле и на станции установлены независимые контроллеры, обменивающиеся данными по зашифрованным каналам. При потере связи или отказе одного из компонентов активируется протокол минимального риска (MRM), который анализирует текущие параметры движения и инициирует предустановленный сценарий – от снижения скорости до полной остановки.

Вся система построена на архитектуре с дублирующими сенсорами и контроллерами, что позволяет поддерживать управление даже при сбоях. Данные с камер, IMU, GPS и других сенсоров обрабатываются на борту автомобиля, фильтруются и передаются оператору в реальном времени. Параллельно система диагностирует качество связи и оценивает, насколько стабильно соединение для продолжения движения. Для устойчивой работы система требует стабильное соединение с пропускной способностью не менее 10 Мбит/с при задержке не выше 100 мс. Однако, в условиях ухудшенного сигнала система адаптируется, снижая частоту обновления кадров и разрешение видео. В крайнем случае включается аварийный режим с передачей кадров в более сжатом формате, но с сохранением управляющих команд в приоритетном канале.

В отличие от обычного водителя, ограниченного одной перспективой, оператор Vay может переключаться между различными камерами, улучшая контроль за ситуацией. Это решает проблему слепых зон и позволяет лучше оценивать габариты автомобиля в сложных маневрах. Дополнительно, перспективные исследования рассматривают возможность использования алгоритмов наложения нескольких ракурсов для создания эффекта 360-градусного обзора без искажений.

Для тестирования используется многоуровневая схема: программная эмуляция, тестирование на аппаратных стендах и испытания на закрытых трассах. Проверяются не только стандартные сценарии движения, но и работа системы при искусственно вызванных задержках сигнала, помехах и сбоях в каналах передачи данных. Автомобили Vay работают в строго определенной зоне, где предварительно оценивается стабильность связи, топология маршрутов и условия движения.

А что у нас?

Беспилотный автотранспорт на российских дорогах уже стал реальностью. «Яндекс» тестирует умные такси, а в июле 2023 года на федеральную трассу М-11 «Нева» вышли автономные тягачи, от КАМАЗ и СберАвтоТех, которые работают в автономном режиме. Им, кстати, тоже помогают дистанционные операторы, но это временная мера при тестировании, а не схема работы. Беспилотные грузоперевозки по трассе М-11 «Нева» начались летом 2023 года. С вводом обхода Твери трасса стала полностью доступной для автономного транспорта (раньше нужен был оператор при въезде в город).

С трех до полутора суток сокращено время кругового рейса Москва – Санкт-Петербург – Москва. С момента старта проекта они проехали более 3 млн км и перевезли свыше 330 тыс. кубометров груза. В 2025 году парк планируется расширить до 93 автомобилей.

Как видишь, в России сделали ставку на автономные грузоперевозки, а не на беспилотное такси и разработчики уже имеют успехи в развитии систем и инфраструктуры.

Делай ставку на mad.online, подписывайся и поехали 🚗

Представь: перед тобой стоит задача изучить загадочный спутник Сатурна под названием Титан. Условия там нетривиальные: густая атмосфера в четыре раза плотнее земной, ледяные метановые моря и гравитация, которая заставляет все земные технологии сходить с ума. Вы смотрите на это всё и думаете: «Ну и как тут работать? Робот не проедет, дрон не взлетит и даже не открыто ни одного пункта выдачи WB…»

Никто не запрещает просто использовать для передвижения Ниву, единственный в мире транспорт, способный передвигаться по Титану, но это слишком технологически сложный и дорогой вариант для NASA. В какой-то момент твой взгляд останавливается на воздушном шарике.

Это простое решение превращается в ключ к покорению Титана. Если природа спутника не хочет подчиняться твоим правилам, подчинись её, как и поступили Boeing со своей идеей очень большого шарика дирижабля

Почему именно дирижабль?

Дирижабль это не просто мешок с газом, а умный механизм с системой балансировки, где внутри находятся баллоны, способные заполняться либо метаном, либо азотом, позволяя управлять высотой без сложных двигателей. Когда нужно подняться, баллоны заполняются лёгким метаном, и аппарат плавно взмывает вверх, когда требуется снижение, часть метана заменяется более тяжёлым азотом, что заставляет дирижабль мягко опускаться без резких движений и потерь энергии, всё работает на простых физических принципах.

Такой подход делает дирижабль наиболее эффективным средством передвижения по Титану. В отличие от роверов, он не застрянет в мягком льду или жидком метане. В отличие от дронов, ему не нужно преодолевать плотное воздушное сопротивление. В отличие от ракет, он не требует больших запасов топлива. Используя законы природы, а не борясь с ними, аппарат получает максимальную автономность и надёжность.

Как это работает?

За горизонтальный полёт отвечают вентиляторы, питающиеся от солнечных панелей, адаптированных под слабый свет Титана, который далеко не земное солнце, но всё же даёт достаточно энергии для движения.

Для вертикального перемещения дирижабль использует принцип аэростатической подъёмной силы, регулируя его через газовую балластную систему. Внутри оболочки расположены герметичные баллоны, в которые закачиваются либо метан (CH₄), либо азот (N₂). Поскольку плотность метана ниже плотности атмосферы Титана (основной компонент это азот), наполнение баллонов этим газом увеличивает архимедову силу, поднимая аппарат. Для снижения часть метана заменяется азотом, повышая среднюю плотность наполнения и уменьшая подъёмную силу. Стабилизация высоты возможна за счёт точечного регулирования объёма газа с помощью автоматизированных клапанов.

Это минималистичные и точные механизмы, ничего не сломается в разреженной атмосфере, никакого риска утонуть в метановых морях и абсолютная автономность в условиях, где другой транспорт просто не выживет, практически дзен-философия в космической технике.

Для чего всё это?

Титан это окно в прошлое и будущее нашей планеты. Его химические процессы могут подсказать нам как появляются условия для жизни, а технологии, отработанные на этом спутнике, станут основой для исследований других сложных локаций, таких как Венера, Юпитер или даже Челябинск.

Это история о том как человеческая изобретательность преодолевает барьеры. В космосе, где каждый грамм топлива и каждый ватт энергии на счету, простота становится не только элегантным решением, но и новым подходом к исследованию вселенной.

Чтобы узнать больше способов применения воздушных шаров подписывайся на mad.online 🎈

И это, тадаам, CD -плеер!