Пожалуй, это самая фундаментальная статья про данные для агентов, которую я читал в этом году. Авторы - Pramod Sadalage и Prem Chandrasekaran из Thoughtworks, опубликована на сайте Мартина Фаулера. По сути, это карта работ, которыми мы в данных будем заниматься ближайшие несколько лет.
Главная мысль уже пару раз звучала в материалах выше про онтологию - аналитик годами копит неявный контекст: какую таблицу лучше не трогать, что «выручка» у нас уже без возвратов, что финансовый год начинается в феврале. Агенту всё это нужно сказать явно, дать доступ в реальном времени и качество, на которое можно опереться.
Ключевое отличие в том, что человек, увидев странные данные, перепроверяет. Агент уверенно действует. У людей есть нюх на подозрительно круглую цифру или цену, которая «как-то низковата». У агента нюха нет.
Ответ - контракты на данные, где схема работает как закон, а не как вежливая рекомендация. Freshness SLA, проверки качества в CI/CD, карантин для всего, что не прошло валидацию. Агент видит только сертифицированный слой, а плохие данные уезжают в dead-letter queue к человеку. Ответ «у меня нет актуальной цены» лучше уверенной ошибки.
Десятилетие «schemaless - это гибкость» заканчивается. Прощай, NoSQL 🙂 Ну, почти: хранить можно где угодно, но договор о данных теперь обязателен.
Вторая идея, которая мне особенно понравилась, - маршрутизация по порогу достоверности. Ниже порога агент зовёт человека. Важно, что порог задают показатели качества данных (свежесть, полнота, согласованность), а не только уверенность модели. Модель может быть абсолютно уверена в устаревшем ответе. Авторы честно признают, что свести всё это в один скор пока никто не умеет, и советуют начинать с жёсткого правила: любое нарушение контракта сразу уходит к человеку.
Третье - семантический слой. Он даёт агенту тот контекст, который у аналитика есть неявно. В статье он разложен на три модели: доменную (что существует), семантическую (как считаются цифры) и модель возможностей (что агенту разрешено делать). Существительные, числа, глаголы. Врезка с определениями терминов полезна сама по себе, потому что semantic layer, ontology и knowledge graph все понимают по-разному.
Лучше всего объясняет, куда вкладываться, одна цифра. В бенчмарке AtScale точность text-to-SQL выросла с менее чем 20% на сырой схеме до более чем 92,5% с семантическим слоем. На той же модели.
Когда агенты становятся основными потребителями данных, архитектура данных и есть архитектура ИИ.
https://martinfowler.com/articles/making-data-ready-for-agentic-ai.html
Главная мысль уже пару раз звучала в материалах выше про онтологию - аналитик годами копит неявный контекст: какую таблицу лучше не трогать, что «выручка» у нас уже без возвратов, что финансовый год начинается в феврале. Агенту всё это нужно сказать явно, дать доступ в реальном времени и качество, на которое можно опереться.
Ключевое отличие в том, что человек, увидев странные данные, перепроверяет. Агент уверенно действует. У людей есть нюх на подозрительно круглую цифру или цену, которая «как-то низковата». У агента нюха нет.
Ответ - контракты на данные, где схема работает как закон, а не как вежливая рекомендация. Freshness SLA, проверки качества в CI/CD, карантин для всего, что не прошло валидацию. Агент видит только сертифицированный слой, а плохие данные уезжают в dead-letter queue к человеку. Ответ «у меня нет актуальной цены» лучше уверенной ошибки.
Десятилетие «schemaless - это гибкость» заканчивается. Прощай, NoSQL 🙂 Ну, почти: хранить можно где угодно, но договор о данных теперь обязателен.
Вторая идея, которая мне особенно понравилась, - маршрутизация по порогу достоверности. Ниже порога агент зовёт человека. Важно, что порог задают показатели качества данных (свежесть, полнота, согласованность), а не только уверенность модели. Модель может быть абсолютно уверена в устаревшем ответе. Авторы честно признают, что свести всё это в один скор пока никто не умеет, и советуют начинать с жёсткого правила: любое нарушение контракта сразу уходит к человеку.
Третье - семантический слой. Он даёт агенту тот контекст, который у аналитика есть неявно. В статье он разложен на три модели: доменную (что существует), семантическую (как считаются цифры) и модель возможностей (что агенту разрешено делать). Существительные, числа, глаголы. Врезка с определениями терминов полезна сама по себе, потому что semantic layer, ontology и knowledge graph все понимают по-разному.
Лучше всего объясняет, куда вкладываться, одна цифра. В бенчмарке AtScale точность text-to-SQL выросла с менее чем 20% на сырой схеме до более чем 92,5% с семантическим слоем. На той же модели.
Когда агенты становятся основными потребителями данных, архитектура данных и есть архитектура ИИ.
https://martinfowler.com/articles/making-data-ready-for-agentic-ai.html
martinfowler.com
Making Your Data Ready for Agentic AI
For data to be used by agents, we need to understand how the data needs to be different for machines than for humans
👍10🤔3🔥2❤1
Нашёл хорошую подборку докладов: записи конференции CONTEXT 2025 от DataHub.
Полторы тысячи человек из data и AI, дюжина сессий, и почти все спикеры - практики из компаний, где агенты работают в проде, а не только в презентациях.
Да, мероприятие вендорское, и термин context management продвигает компания, которая продаёт платформу с таким названием. Но спикеры рассказывают про свою инфраструктуру, а не про чужой продукт, и этим записи ценны.
Что стоит посмотреть:
- Apple - агенты как «цифровые стюарды» каталога данных. Они сами находят пробелы в метаданных, пишут правила качества данных и подстраивают процессы под новые политики. При этом человек остаётся в контуре, без иллюзий про полную автономию.
- Netflix - каталог всех технических активов, а не только данных: API, модели, метрики. Логика простая: то, что строишь для людей сегодня, завтра станет контекстом для агентов.
- Robinhood и Block - end-to-end lineage. Robinhood автоматизировал GDPR-проверки по всему озеру данных и за счёт этого вышел в UK и EU. Block теперь заранее оценивает blast radius перед удалением данных.
- Webster Bank и Valley Bank - про BCBS 239. Самая сильная мысль конференции, на мой взгляд: регулятору и AI-агенту нужно одно и то же, а именно трассируемые и управляемые данные. Строишь один раз, получаешь пользу дважды.
- Mikhael Mazu - миграция клиринговой системы, которой 17 лет и которая обслуживала 36 бизнесов. Полгода ушло только на архитектуру метаданных, зато проект, рассчитанный на 36 месяцев, закрыли за 22.
- João Moura из CrewAI - о том, почему 95% AI-пилотов проваливаются. Его ответ: мешают люди, а не технологии.
- Ещё в программе Jeff Weiner о скорости и качестве решений и неожиданный Alex Pall из The Chainsmokers. Он рассказывает, как метаданные возвращают музыкантам права и деньги. Та же задача атрибуции стоит перед каждым, кто прогоняет данные через training pipeline.
Общий вывод я бы сформулировал так: выигрывают не те, у кого лучше модель, а те, у кого порядок в контексте. Lineage, каталог, governance внутри рабочего процесса разработчика - скучная инфраструктура, без которой агент остаётся демкой.
Все записи в открытом доступе: datahub.com/resources/context/
Полторы тысячи человек из data и AI, дюжина сессий, и почти все спикеры - практики из компаний, где агенты работают в проде, а не только в презентациях.
Да, мероприятие вендорское, и термин context management продвигает компания, которая продаёт платформу с таким названием. Но спикеры рассказывают про свою инфраструктуру, а не про чужой продукт, и этим записи ценны.
Что стоит посмотреть:
- Apple - агенты как «цифровые стюарды» каталога данных. Они сами находят пробелы в метаданных, пишут правила качества данных и подстраивают процессы под новые политики. При этом человек остаётся в контуре, без иллюзий про полную автономию.
- Netflix - каталог всех технических активов, а не только данных: API, модели, метрики. Логика простая: то, что строишь для людей сегодня, завтра станет контекстом для агентов.
- Robinhood и Block - end-to-end lineage. Robinhood автоматизировал GDPR-проверки по всему озеру данных и за счёт этого вышел в UK и EU. Block теперь заранее оценивает blast radius перед удалением данных.
- Webster Bank и Valley Bank - про BCBS 239. Самая сильная мысль конференции, на мой взгляд: регулятору и AI-агенту нужно одно и то же, а именно трассируемые и управляемые данные. Строишь один раз, получаешь пользу дважды.
- Mikhael Mazu - миграция клиринговой системы, которой 17 лет и которая обслуживала 36 бизнесов. Полгода ушло только на архитектуру метаданных, зато проект, рассчитанный на 36 месяцев, закрыли за 22.
- João Moura из CrewAI - о том, почему 95% AI-пилотов проваливаются. Его ответ: мешают люди, а не технологии.
- Ещё в программе Jeff Weiner о скорости и качестве решений и неожиданный Alex Pall из The Chainsmokers. Он рассказывает, как метаданные возвращают музыкантам права и деньги. Та же задача атрибуции стоит перед каждым, кто прогоняет данные через training pipeline.
Общий вывод я бы сформулировал так: выигрывают не те, у кого лучше модель, а те, у кого порядок в контексте. Lineage, каталог, governance внутри рабочего процесса разработчика - скучная инфраструктура, без которой агент остаётся демкой.
Все записи в открытом доступе: datahub.com/resources/context/
DataHub
CONTEXT: The Metadata and AI Summit - DataHub
Learn how to prepare your data stack for the AI agent era at CONTEXT: The Metadata & AI Summit on demand. Build trusted data for AI.
👍8🔥2❤1
В копилку тем, кто много работает с json. Кажется интересная либа
https://lemire.me/blog/2026/10/12/parsing-json-at-tens-of-gigabytes-per-second-in-python/
https://lemire.me/blog/2026/10/12/parsing-json-at-tens-of-gigabytes-per-second-in-python/
Daniel Lemire's blog
Parsing JSON at tens of gigabytes per second… in Python
Python used to have limited parallelism, due to its global interpreter lock (GIL). Only one thread could run Python code at a time. Python 3.14 comes in a free-threaded version (python3.14t), without the global interpreter lock. Several threads can now run…
🤝6✍2🔥1
Forwarded from
В 2023 году мы уже исследовали российский рынок Data Catalog. За три года класс решений заметно изменился: каталог данных перестал быть просто справочником технических метаданных и всё чаще становится инфраструктурой доверия к данным – связывает происхождение и качество данных, бизнес-контекст, владельцев, правила управления и процессы работы с данными.
В новом исследовании «Data Catalog-круг Громова 2026» мы рассмотрели 7 российских платформ: Arenadata Catalog, SBF DataManagement, RT.DataGovernance, Data Ocean Governance, Q.DataCatalog, VK Data Catalog и Юнидата. Отдельно представили профиль Axenix Dat .ax Meta, а OpenMetadata использовали как референсную платформу вне сравнительного контура.
➡️ Свежий отчёт поможет разобраться:
– чем российские Data Catalog отличаются по глубине функциональности, архитектуре и зрелости эксплуатации,
– насколько хорошо они интегрируются в корпоративный ИТ-ландшафт и соответствуют требованиям безопасности и импортозамещения,
– какие возможности есть для управления доступом, аудита и работы в закрытых контурах,
– какие возможности ИИ уже реализованы на практике,
– как выбрать платформу под свои задачи и подготовить пилот.❗️ Все решения проверены по 325 критериям: оценивается не только заявленный функционал, но и глубина реализации и степень его подтверждения документацией и демонстрациями.
Какие тренды мы увидели:
Сохраните себе отчёт, чтобы быстро ориентироваться в российском рынке каталогов данных в 2026 году и сформировать шорт-лист решений для своей компании.
Обсудить исследование: https://t.me/gromovcircles_chat/167/242
Круги Громова | Подписаться и стать частью Data-сообщества
#КругиГромова #DataCatalog #DataGovernance #исследование_КругиГромова
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3❤2👎2💩2🔥1
На Хабре вышел перевод статьи Сэма Роуза из ngrok про механизм работы процесса кэширования тоненов. Попутно она объясняет, как вообще устроена LLM.
Очень хорошая и глубокая статья. Без этого понимания к модели, на мой взгляд, лучше не подходить: промпт-инженерия превращается в заклинания, а счёт за API - в сюрприз.
Первое, что ломает интуицию: кэшируется не ответ. Отправьте один и тот же промпт десять раз и получите десять разных ответов, хотя в usage будет написано, что входные токены взяты из кэша.
Кэширование происходит внутри механизма attention. Attention разобран на примере “Mary had a little” с реальными весами GPT-2. Каждый токен смешивает эмбеддинги предыдущих в пропорции их важности, а маска с минус бесконечностью не даёт будущему влиять на прошлое. На простом наблюдении держится вся экономика. Модель генерирует по одному токену и на каждой итерации прогоняет весь контекст заново. При этом веса уже обработанных токенов не меняются. Значит, матрицы K и V можно посчитать один раз, сохранить и дальше считать только новую строку. Это и есть KV-кэш. Провайдеры держат его 5-10 минут после запроса.
Из этого следуют инженерные выводы, которые полезнее любого гайда по промптам:
• Совпадение работает по префиксу. Стабильная часть промпта должна идти первой, всё изменчивое - в конец. Если сдвинуть один символ в начале, платишь полную цену.
• Temperature, top_p и top_k кэш не ломают. Они работают уже после attention, на этапе выбора токена.
У вендоров разная философия. OpenAI кэширует автоматически, и в тестах автора попадание было около 50%. Anthropic даёт явный контроль за доплату и попадает в 100% случаев. Для длинных контекстов, где нужна предсказуемая задержка, это архитектурное решение.
https://habr.com/ru/articles/978498/
Очень хорошая и глубокая статья. Без этого понимания к модели, на мой взгляд, лучше не подходить: промпт-инженерия превращается в заклинания, а счёт за API - в сюрприз.
Первое, что ломает интуицию: кэшируется не ответ. Отправьте один и тот же промпт десять раз и получите десять разных ответов, хотя в usage будет написано, что входные токены взяты из кэша.
Кэширование происходит внутри механизма attention. Attention разобран на примере “Mary had a little” с реальными весами GPT-2. Каждый токен смешивает эмбеддинги предыдущих в пропорции их важности, а маска с минус бесконечностью не даёт будущему влиять на прошлое. На простом наблюдении держится вся экономика. Модель генерирует по одному токену и на каждой итерации прогоняет весь контекст заново. При этом веса уже обработанных токенов не меняются. Значит, матрицы K и V можно посчитать один раз, сохранить и дальше считать только новую строку. Это и есть KV-кэш. Провайдеры держат его 5-10 минут после запроса.
Из этого следуют инженерные выводы, которые полезнее любого гайда по промптам:
• Совпадение работает по префиксу. Стабильная часть промпта должна идти первой, всё изменчивое - в конец. Если сдвинуть один символ в начале, платишь полную цену.
• Temperature, top_p и top_k кэш не ломают. Они работают уже после attention, на этапе выбора токена.
У вендоров разная философия. OpenAI кэширует автоматически, и в тестах автора попадание было около 50%. Anthropic даёт явный контроль за доплату и попадает в 100% случаев. Для длинных контекстов, где нужна предсказуемая задержка, это архитектурное решение.
https://habr.com/ru/articles/978498/
👍5❤1✍1
С середины года все вендоры дружно сменили вывески: была CDP, стала Agentic CDP. При этом даже CDP Institute признаёт, что это не новая категория, а эволюция класса продукта. Сбор данных, единый профиль, идентификация, активация - всё на месте.
Дмитрий Изместьев из нашей команды CleverDATA разобрал это в интервью TAdviser.
Раньше маркетолог был оператором: собрал сегмент, написал правило, настроил триггер, посмотрел на дашборд, повторил. Теперь он ставит цели и принимает результат. Сегменты, гипотезы, сборку коммуникации и даже проверку ссылок делает агент. Непрерывно, а не от кампании к кампании.
Разницу хорошо видно на примере из интервью. Фитнес-клуб хочет каждый день находить клиентов, у которых через месяц заканчивается абонемент, и предлагать им продление со скидкой. Задача банальная. Но в классической CDP это либо ручная пересборка сегмента каждое утро, либо тикет разработчикам. В проактивной её достаточно один раз одобрить, дальше она работает сама.
Но многие слышат слово "агент" и делают вывод: зачем CDP, если есть LLM? Отдадим модели клиентскую базу, пусть разбирается. На выходе получают счёт за токены и персональные данные, которые ушли туда, куда не должны были. Пилот без болида - это просто человек в красивом комбинезоне.
Ценность агента целиком определяется тем, что лежит под ним: качеством единого профиля, точностью идентификации и контуром, который не выпускает персональные данные наружу. Модель здесь - самая маленькая часть системы. Её можно поменять сравнительно легко. Чистые данные и архитектуру контуров быстро не соберёшь.
Это работает и в обратную сторону. Дмитрий приводит хорошее определение: ИИ - отличная технология, которая на основе ваших ошибочных данных помогает прийти к неверным решениям в разы быстрее и с прекрасным оформлением. Поэтому онбординг проактивной CDP - не формальность. Если отвечать на вопросы про цели и KPI отписками, агент будет очень продуктивно оптимизировать не то.
Agentic CDP - это не про агентов. Это про то, что у компаний наконец появился повод навести порядок в клиентских данных. Те, кто годами строил нормальный профиль клиента, получают агента как бонус. Остальные получают дорогую машину, которая очень быстро делает ерунду.
https://www.tadviser.ru/a/974329
Дмитрий Изместьев из нашей команды CleverDATA разобрал это в интервью TAdviser.
Раньше маркетолог был оператором: собрал сегмент, написал правило, настроил триггер, посмотрел на дашборд, повторил. Теперь он ставит цели и принимает результат. Сегменты, гипотезы, сборку коммуникации и даже проверку ссылок делает агент. Непрерывно, а не от кампании к кампании.
Разницу хорошо видно на примере из интервью. Фитнес-клуб хочет каждый день находить клиентов, у которых через месяц заканчивается абонемент, и предлагать им продление со скидкой. Задача банальная. Но в классической CDP это либо ручная пересборка сегмента каждое утро, либо тикет разработчикам. В проактивной её достаточно один раз одобрить, дальше она работает сама.
Но многие слышат слово "агент" и делают вывод: зачем CDP, если есть LLM? Отдадим модели клиентскую базу, пусть разбирается. На выходе получают счёт за токены и персональные данные, которые ушли туда, куда не должны были. Пилот без болида - это просто человек в красивом комбинезоне.
Ценность агента целиком определяется тем, что лежит под ним: качеством единого профиля, точностью идентификации и контуром, который не выпускает персональные данные наружу. Модель здесь - самая маленькая часть системы. Её можно поменять сравнительно легко. Чистые данные и архитектуру контуров быстро не соберёшь.
Это работает и в обратную сторону. Дмитрий приводит хорошее определение: ИИ - отличная технология, которая на основе ваших ошибочных данных помогает прийти к неверным решениям в разы быстрее и с прекрасным оформлением. Поэтому онбординг проактивной CDP - не формальность. Если отвечать на вопросы про цели и KPI отписками, агент будет очень продуктивно оптимизировать не то.
Agentic CDP - это не про агентов. Это про то, что у компаний наконец появился повод навести порядок в клиентских данных. Те, кто годами строил нормальный профиль клиента, получают агента как бонус. Остальные получают дорогую машину, которая очень быстро делает ерунду.
https://www.tadviser.ru/a/974329
TAdviser.ru
Проактивная CDP: как с помощью ИИ добиться реальной персонализации в маркетинге
ИИ становится важной частью современного маркетинга, меняя инструменты, процессы и способы взаимодействия с клиентами. О самых интересных кейсах, новых трендах и перспективах технологии мы поговорили с исполнительным директором компании CleverData Дмитрием…
😁4👍3
Клуб CDO
Сори за фотопик, но прям шикарный ролик про создание Doom с разбором алгоритмов и механик https://youtu.be/2QBew0sVT_U?si=gHj9CjC06-Vf-5y5
А вот и автор алгоритмов Джон Ромеро (создатель 2-х оригинальных игр Doom) с редакцией :)
🔥24👍7🤝2
Дайджест статей
📰 «Донащупывая» Data Lineage
🔗 https://habr.com/ru/articles/1095988/
💡 Строй lineage как DAG состояний данных, а не таблиц: UPDATE в ту же таблицу перестаёт давать циклы.
📰 Как мы делали «золотой датасет» для оценки агентов
🔗 https://habr.com/ru/companies/alfa/articles/1095638/
💡 Давай разметчикам тот же срез базы, что у DS, и сначала меряй, какую долю потока RAG вообще покрывает.
📰 Возможности сводных таблиц в Superset
🔗 https://habr.com/ru/articles/1094848/
💡 Для KPI-карточек в Superset 6 нумеруй города внутри региона и клади HTML-метрику в ячейку pivot.
📰 Как мы в AI VK рекомендации на стримы делили
🔗 https://habr.com/ru/companies/vk/articles/1096708/
💡 Дели пайплайн по задачам, а не по коду: общие кубики плюс кеш дают разделение без роста ресурсов.
📰 Пять граней диагностики Data Lakehouse: концепция единого рабочего места
🔗 https://habr.com/ru/articles/1097000/
💡 Пока нет observability, собери lineage+Gantt+Iceberg-checks+Spark Event Log в одном дашборде за недели.
📰 RAG под защитой: как не превратить корпоративную базу знаний в канал утечки
🔗 https://habr.com/ru/companies/infera_security/articles/1097220/
💡 Вектора не знают прав: фильтруй фрагменты по ACL до модели и защищай эмбеддинги как исходники.
📰 Лучшие ИИ для визуализации данных 2026: нейросети для графиков, диаграмм, дашбордов и схем
🔗 https://habr.com/ru/companies/karpov_courses/articles/1098518/
💡 Перед графиком от ИИ проверь полноту периода, дубли и метрику - красивый график не равен верному расчёту.
📰 RAG-бот по материалам эксперта: как я мерил качество поиска и почему гибрид оказался хуже чистого вектора
🔗 https://habr.com/ru/articles/1091058/
💡 Проверяй «гибрид лучше вектора» на своём стенде: шумный BM25 в RRF уронил semantic recall с 42% до 25%.
📰 ИИ-джинн должен сидеть в «лампе» или как мы нормализовали миллионы записей номенклатуры на обычном сервере
🔗 https://habr.com/ru/articles/1098614/
💡 Для НСИ бери извлекающие BERT/NER на CPU и правила, а LLM оставь на разметку: промпт - та же хрупкая regex.
📰 AI Changes the Data Interface, Not the Query Engine
🔗 https://www.infoq.com/articles/ai-changes-data-interface/
💡 Цифры считает DuckDB, агент только интерпретирует fact packet; lakehouse нужен при общих потребителях и ТБ.
📰 Why AI Agents Need a Shared Enterprise Ontology
🔗 https://dzone.com/articles/ai-agent-shared-ontology
💡 MCP и A2A не дают общего смысла: заведи федеративную онтологию сущностей, агентов и политик с версиями.
📰 How We Migrated Europe's Largest Data Lake: On Time and Without Turning the Lights Off
🔗 https://medium.com/booking-com-development/how-we-migrated-europes-largest-data-lake-on-time-and-without-turning-the-lights-off-61ee8a07db76
💡 Мигрируй волнами с копированием промежуточных таблиц, чтобы команды не ждали цепочку, и выкинь ненужное.
📰 «Донащупывая» Data Lineage
🔗 https://habr.com/ru/articles/1095988/
💡 Строй lineage как DAG состояний данных, а не таблиц: UPDATE в ту же таблицу перестаёт давать циклы.
📰 Как мы делали «золотой датасет» для оценки агентов
🔗 https://habr.com/ru/companies/alfa/articles/1095638/
💡 Давай разметчикам тот же срез базы, что у DS, и сначала меряй, какую долю потока RAG вообще покрывает.
📰 Возможности сводных таблиц в Superset
🔗 https://habr.com/ru/articles/1094848/
💡 Для KPI-карточек в Superset 6 нумеруй города внутри региона и клади HTML-метрику в ячейку pivot.
📰 Как мы в AI VK рекомендации на стримы делили
🔗 https://habr.com/ru/companies/vk/articles/1096708/
💡 Дели пайплайн по задачам, а не по коду: общие кубики плюс кеш дают разделение без роста ресурсов.
📰 Пять граней диагностики Data Lakehouse: концепция единого рабочего места
🔗 https://habr.com/ru/articles/1097000/
💡 Пока нет observability, собери lineage+Gantt+Iceberg-checks+Spark Event Log в одном дашборде за недели.
📰 RAG под защитой: как не превратить корпоративную базу знаний в канал утечки
🔗 https://habr.com/ru/companies/infera_security/articles/1097220/
💡 Вектора не знают прав: фильтруй фрагменты по ACL до модели и защищай эмбеддинги как исходники.
📰 Лучшие ИИ для визуализации данных 2026: нейросети для графиков, диаграмм, дашбордов и схем
🔗 https://habr.com/ru/companies/karpov_courses/articles/1098518/
💡 Перед графиком от ИИ проверь полноту периода, дубли и метрику - красивый график не равен верному расчёту.
📰 RAG-бот по материалам эксперта: как я мерил качество поиска и почему гибрид оказался хуже чистого вектора
🔗 https://habr.com/ru/articles/1091058/
💡 Проверяй «гибрид лучше вектора» на своём стенде: шумный BM25 в RRF уронил semantic recall с 42% до 25%.
📰 ИИ-джинн должен сидеть в «лампе» или как мы нормализовали миллионы записей номенклатуры на обычном сервере
🔗 https://habr.com/ru/articles/1098614/
💡 Для НСИ бери извлекающие BERT/NER на CPU и правила, а LLM оставь на разметку: промпт - та же хрупкая regex.
📰 AI Changes the Data Interface, Not the Query Engine
🔗 https://www.infoq.com/articles/ai-changes-data-interface/
💡 Цифры считает DuckDB, агент только интерпретирует fact packet; lakehouse нужен при общих потребителях и ТБ.
📰 Why AI Agents Need a Shared Enterprise Ontology
🔗 https://dzone.com/articles/ai-agent-shared-ontology
💡 MCP и A2A не дают общего смысла: заведи федеративную онтологию сущностей, агентов и политик с версиями.
📰 How We Migrated Europe's Largest Data Lake: On Time and Without Turning the Lights Off
🔗 https://medium.com/booking-com-development/how-we-migrated-europes-largest-data-lake-on-time-and-without-turning-the-lights-off-61ee8a07db76
💡 Мигрируй волнами с копированием промежуточных таблиц, чтобы команды не ждали цепочку, и выкинь ненужное.
Хабр
«Донащупывая» Data Lineage
Вступление Добрый день, Хабр! В рамках основной деятельности — проектирования витрин данных в корпоративных хранилищах, — неизбежно сталкиваюсь с вопросом происхождения...
❤3👍3
Forwarded from
26–27 ноября в Москве пройдет Матемаркетинг
Техническая конференция для аналитиков, performance-маркетологов и менеджеров цифровых продуктов. Ожидается более 2000 участников и свыше 100 докладов и мастер-классов.
❗️ Онлайн-день – 17 ноября❗️
Участники обсудят, какие задачи уже можно поручить ИИ-агентам, чем проверять качество их работы и что меняется в требованиях к специалистам по данным. Отдельная тема для маркетологов – измерение присутствия бренда в ответах языковых моделей (GEO).
Среди спикеров:
▪️Павел Злобин, руководитель маркетингового производства IT-Agency
▪️Денис Платонов, CEO ExciteKit и CPO UX Rocket
▪️Александр Давыдов, руководитель команды продуктовой аналитики Контура
▪️Денис Пехтерев, директор аналитики Т-Банка
▪️Сергей Бажин, главный аналитик данных ИТ-холдинга Т1
Между сессиями – карьерные консультации и активности на стендах партнеров: VK, Avito Tech, Magnit Tech, ПАО МТС, ИТ-холдинг Т1, Лемана Тех, UIS, UX Rocket и других компаний.
⏹ Программа и регистрация – на сайте мероприятия
⏹ Новости конференции – в ТГ-канале
Техническая конференция для аналитиков, performance-маркетологов и менеджеров цифровых продуктов. Ожидается более 2000 участников и свыше 100 докладов и мастер-классов.
Участники обсудят, какие задачи уже можно поручить ИИ-агентам, чем проверять качество их работы и что меняется в требованиях к специалистам по данным. Отдельная тема для маркетологов – измерение присутствия бренда в ответах языковых моделей (GEO).
Среди спикеров:
▪️Павел Злобин, руководитель маркетингового производства IT-Agency
▪️Денис Платонов, CEO ExciteKit и CPO UX Rocket
▪️Александр Давыдов, руководитель команды продуктовой аналитики Контура
▪️Денис Пехтерев, директор аналитики Т-Банка
▪️Сергей Бажин, главный аналитик данных ИТ-холдинга Т1
Между сессиями – карьерные консультации и активности на стендах партнеров: VK, Avito Tech, Magnit Tech, ПАО МТС, ИТ-холдинг Т1, Лемана Тех, UIS, UX Rocket и других компаний.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5❤1🔥1
Разыгрываем билет на Матемаркетинг'26
Коллеги, у нас специальная акция от организаторов конференции и редакции канала: один билет на офлайн-участие в Матемаркетинге - крупнейшей технической конференции по маркетинговой и продуктовой аналитике. Она пройдёт 26-27 ноября в Москве, в кластере «Ломоносов» (ИНТЦ МГУ). Билет получит тот, кто первым правильно ответит на вопрос:
«Что отвечает терминал на сайте конференции на команду system --status?»
Сайт: https://matemarketing.ru
Ответы пишите в комментариях к этому посту. Контакт первого, кто ответит правильно, мы передадим организаторам, и они вручат билет.
Подсказка: внимательность к деталям для аналитика - профессиональный навык.
Коллеги, у нас специальная акция от организаторов конференции и редакции канала: один билет на офлайн-участие в Матемаркетинге - крупнейшей технической конференции по маркетинговой и продуктовой аналитике. Она пройдёт 26-27 ноября в Москве, в кластере «Ломоносов» (ИНТЦ МГУ). Билет получит тот, кто первым правильно ответит на вопрос:
«Что отвечает терминал на сайте конференции на команду system --status?»
Сайт: https://matemarketing.ru
Ответы пишите в комментариях к этому посту. Контакт первого, кто ответит правильно, мы передадим организаторам, и они вручат билет.
Подсказка: внимательность к деталям для аналитика - профессиональный навык.
❤4👍1🔥1
Forwarded from
Традиционно подготовили саммари по следам прошедшего на прошлой неделе митапа VTORNIK.Вечер. Напомним, VTORNIK.Вечер — серия наших бесплатных оффлайн мероприятий о внедрении AI в организациях.
Как обычно, было два выступления:
1. “RecSys-платформа в AI-эпоху” - Сергей Кузнецов, CTO RecSys & Search Platform, МТС Web Services.
2. “Как защищать данные, когда единого периметра больше нет” - Константин Черняк, Head of Data & AI Security, Wildberries & Russ.
Следующий VTORNIK.Вечер пройдет 24 ноября, следите за анонсами. Приходите, будем рады видеть. Присутствовать лично и иметь возможность задать вопросы спикерам всегда эффективнее.
Хорошего дня!
Как обычно, было два выступления:
1. “RecSys-платформа в AI-эпоху” - Сергей Кузнецов, CTO RecSys & Search Platform, МТС Web Services.
2. “Как защищать данные, когда единого периметра больше нет” - Константин Черняк, Head of Data & AI Security, Wildberries & Russ.
Следующий VTORNIK.Вечер пройдет 24 ноября, следите за анонсами. Приходите, будем рады видеть. Присутствовать лично и иметь возможность задать вопросы спикерам всегда эффективнее.
Хорошего дня!
vtornik.company
VTORNIK.Вечер #11: саммари выступлений
Если есть возможность - посмотрите на Netflix короткую документалку «Instadocs: AI Gone Wild» о том, как агенты OpenAI взломали Hugging Face. Технических подробностей там немного, но заставляет задуматься о том, куда мы идём.
Главное, восстания машин там не было. Был экзамен.
OpenAI тестировала агента на бенчмарке по поиску и эксплуатации уязвимостей. Задача звучала просто: ломай. Агент рассудил так: раз датасеты бенчмарка лежат на Hugging Face, там же могут лежать и эталонные решения. И пошёл за ответами. Через песочницу у третьей стороны, через уязвимость нулевого дня, вплоть до выполнения своего кода в продакшене Hugging Face. Больше 17 тысяч действий за выходные. А по данным независимого разбора METR, атаковал не один агент, а около семисот.
С точки зрения агента это было не нападение, а списывание. Он сделал ровно то, что от него просили, только самым коротким путём, о котором никто не подумал.
Это закон Гудхарта: когда метрика становится целью, она перестаёт быть хорошей метрикой. Раньше его обходили люди: подгоняли KPI, рисовали отчёты. Теперь то же самое делает система, у которой есть доступ в интернет, бесконечное терпение и скорость, недоступная человеку.
Поэтому вопрос не в том, станет ли ИИ злым. Вопрос в том, как ставить цели системам, которые найдут любую щель между тем, что мы сказали, и тем, что мы имели в виду. И кто будет смотреть в логи, пока они эту щель ищут.
https://www.netflix.com/us/title/82772145?s=i&trkid=13747225&shareType=Title&shareUuid=A625FC8D-6777-485E-93A5-237BA20C90C8&trg=cp&unifiedEntityIdEncoded=Video%3A82772145&vlang=en
Главное, восстания машин там не было. Был экзамен.
OpenAI тестировала агента на бенчмарке по поиску и эксплуатации уязвимостей. Задача звучала просто: ломай. Агент рассудил так: раз датасеты бенчмарка лежат на Hugging Face, там же могут лежать и эталонные решения. И пошёл за ответами. Через песочницу у третьей стороны, через уязвимость нулевого дня, вплоть до выполнения своего кода в продакшене Hugging Face. Больше 17 тысяч действий за выходные. А по данным независимого разбора METR, атаковал не один агент, а около семисот.
С точки зрения агента это было не нападение, а списывание. Он сделал ровно то, что от него просили, только самым коротким путём, о котором никто не подумал.
Это закон Гудхарта: когда метрика становится целью, она перестаёт быть хорошей метрикой. Раньше его обходили люди: подгоняли KPI, рисовали отчёты. Теперь то же самое делает система, у которой есть доступ в интернет, бесконечное терпение и скорость, недоступная человеку.
Поэтому вопрос не в том, станет ли ИИ злым. Вопрос в том, как ставить цели системам, которые найдут любую щель между тем, что мы сказали, и тем, что мы имели в виду. И кто будет смотреть в логи, пока они эту щель ищут.
https://www.netflix.com/us/title/82772145?s=i&trkid=13747225&shareType=Title&shareUuid=A625FC8D-6777-485E-93A5-237BA20C90C8&trg=cp&unifiedEntityIdEncoded=Video%3A82772145&vlang=en
👍3
Forwarded from Регина Камалова
ИИ без страха: пять дней, чтобы сделать первые шаги
Glowbyte вместе с DataYoga приглашают на бесплатный онлайн-марафон об адаптации к ИИ в российских компаниях.
ИИ берёт на себя рутину, и роли меняются. Аналитикам важнее ставить задачи и проверять результаты, руководителям важнее ориентироваться в сценариях, рисках и сопротивлении сотрудников. Разберём, как в этом не потеряться.
9–13 ноября, онлайн. Каждый день: одна тема, эфир с экспертами из российских компаний-лидеров, которые уже работают с ИИ, и материалы на страницах марафона: практика, шаблоны и чек-листы.
Вы узнаете:
• какие задачи стоит отдавать ИИ, а какие требуют других решений;
• как отличать убедительный ответ ИИ от проверенного результата;
• на каком этапе находится ваша организация;
• какие компетенции усиливаются в эпоху ИИ.
Ждём всех: и руководителей, и специалистов, и увлечённых. Программа и регистрация: https://clck.ru/3WcU3y
Glowbyte вместе с DataYoga приглашают на бесплатный онлайн-марафон об адаптации к ИИ в российских компаниях.
ИИ берёт на себя рутину, и роли меняются. Аналитикам важнее ставить задачи и проверять результаты, руководителям важнее ориентироваться в сценариях, рисках и сопротивлении сотрудников. Разберём, как в этом не потеряться.
9–13 ноября, онлайн. Каждый день: одна тема, эфир с экспертами из российских компаний-лидеров, которые уже работают с ИИ, и материалы на страницах марафона: практика, шаблоны и чек-листы.
Вы узнаете:
• какие задачи стоит отдавать ИИ, а какие требуют других решений;
• как отличать убедительный ответ ИИ от проверенного результата;
• на каком этапе находится ваша организация;
• какие компетенции усиливаются в эпоху ИИ.
Ждём всех: и руководителей, и специалистов, и увлечённых. Программа и регистрация: https://clck.ru/3WcU3y
👍4✍1👎1🤡1
Anthropic запустила 26-миллиардную модель на 15 китайских ТВ-приставках по $55. Сама компания подаёт это как исследование угрозы. Я вижу в нём ещё и аргумент о том, куда может пойти экономика ИИ.
По общемировой статистике до массовой зависимости бизнеса от LLM пока далеко. Но всё больше компаний подсаживаются плотно: модели уже стоят внутри процессов, продуктов и поддержки. Как только LLM становится частью себестоимости, появляются скучные вопросы. Сколько это стоит и что будет, если поставщик поменяет условия?
Условия, скорее всего, поменяются. Anthropic подала S-1 26 октября, маркетинг размещения может стартовать уже в ноябре, OpenAI свой листинг пока отложила. Убыток Anthropic за 2025 год составил почти $42 млрд, впятеро больше, чем годом раньше. Вернуть такие инвестиции можно по-разному, но самый короткий рычаг - цена токена.
Есть и второй риск, не экономический. Летом Anthropic на две с половиной недели закрыла доступ к Fable 5 и Mythos 5, чтобы выполнить экспортные ограничения США. Доступ вернули, но прецедент остался: модель, на которой построен ваш процесс, может стать недоступной по причинам, не связанным ни с вами, ни с её качеством.
Но ИИ - это не только одна большая модель в чужом датацентре. Маленьких и open-weight моделей становится всё больше, и само исследование хорошо это показывает. Модель на 9B параметров сама развернула inference на 8 из 9 типов железа, от Jetson до Mac. Gemma4-26B порезали по слоям на 15 приставок с 4 ГБ памяти, и она заработала. Гипотетический ботнет из 2 млн таких устройств дал бы около 40 H100 суммарной мощности. Это немного, зато у такой системы нет центральной точки, которую можно выключить.
Принцип показан: модель может работать распределённо, без датацентра и без чужого API.
Мне кажется что в любом продукте просто необходимо держать роутинг между провайдерами, переносить рутину на маленькие модели под своим контролем и знать ответ на простой вопрос: что будет с продуктом, если токен подорожает вдвое или доступ закроют на две недели?
Самый наглядный аргумент за децентрализацию дала компания, которая идёт на биржу с централизованной моделью 🙂
https://www.anthropic.com/research/self-replicating-ai
По общемировой статистике до массовой зависимости бизнеса от LLM пока далеко. Но всё больше компаний подсаживаются плотно: модели уже стоят внутри процессов, продуктов и поддержки. Как только LLM становится частью себестоимости, появляются скучные вопросы. Сколько это стоит и что будет, если поставщик поменяет условия?
Условия, скорее всего, поменяются. Anthropic подала S-1 26 октября, маркетинг размещения может стартовать уже в ноябре, OpenAI свой листинг пока отложила. Убыток Anthropic за 2025 год составил почти $42 млрд, впятеро больше, чем годом раньше. Вернуть такие инвестиции можно по-разному, но самый короткий рычаг - цена токена.
Есть и второй риск, не экономический. Летом Anthropic на две с половиной недели закрыла доступ к Fable 5 и Mythos 5, чтобы выполнить экспортные ограничения США. Доступ вернули, но прецедент остался: модель, на которой построен ваш процесс, может стать недоступной по причинам, не связанным ни с вами, ни с её качеством.
Но ИИ - это не только одна большая модель в чужом датацентре. Маленьких и open-weight моделей становится всё больше, и само исследование хорошо это показывает. Модель на 9B параметров сама развернула inference на 8 из 9 типов железа, от Jetson до Mac. Gemma4-26B порезали по слоям на 15 приставок с 4 ГБ памяти, и она заработала. Гипотетический ботнет из 2 млн таких устройств дал бы около 40 H100 суммарной мощности. Это немного, зато у такой системы нет центральной точки, которую можно выключить.
Принцип показан: модель может работать распределённо, без датацентра и без чужого API.
Мне кажется что в любом продукте просто необходимо держать роутинг между провайдерами, переносить рутину на маленькие модели под своим контролем и знать ответ на простой вопрос: что будет с продуктом, если токен подорожает вдвое или доступ закроют на две недели?
Самый наглядный аргумент за децентрализацию дала компания, которая идёт на биржу с централизованной моделью 🙂
https://www.anthropic.com/research/self-replicating-ai
Anthropic
AI models may be capable of self-replicating without access to a datacenter
Small AI models may be only months away from being able to self-replicate across cheap IoT devices like Android TV boxes, with no datacenter needed.
👍7❤2
Forwarded from
Почему даже единое хранилище данных не исключает расхождений в расчётах показателей? Как дублирование бизнес-логики в BI, отчётности и приложениях увеличивает затраты на сопровождение?
➡️ На вебинаре разберём:🟣 Кейс PARUS Asset Management: как компании удалось выстроить единое управление бизнес-показателями, избежать дублирования расчётов и сократить затраты на разработку аналитики с помощью DataForge.🟣 Сравним два подхода к построению аналитических систем – с централизованным управлением бизнес-логикой и без.🟣 Покажем как подготовленные витрины используются веб-сервисами и личным кабинетом инвесторов: демо личного кабинета, примеры расчетов и зависимостей между показателями.🟣 Ответим на вопросы.
🎙Эксперты:
Регистрация по ссылке.
#DataForge #DataForge_вебинар
DataForge – первая российская платформа для построения семантического слоя, управления требованиями к данным, проектирования DWH и создания аналитических AI-агентов, включённая в Единый реестр российского ПО.
DataForge | Подпишитесь и следите за обновлениями платформы
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from
Мы живём в безумное время.
Разрыв между теми, кто находится на AI frontier, и практически всеми остальными сегодня настолько велик, что его сложно даже осознать.
Если бы развитие AI замедлилось, у людей и компаний появилось бы время наверстать упущенное: внедрить технологии, перестроить рабочие процессы и выработать стандартные подходы к их использованию.
AI со временем перестал бы быть конкурентным преимуществом, просто потому, что все научились бы использовать его примерно одинаково.
Но происходит ровно обратное.
Кривая развития AI уходит вертикально вверх. И если вы перестроили свои процессы всего 3-6 месяцев назад, сегодня вы точно уже УСТАРЕЛИ.
Мы никогда еще не видели технологий, которые совершенствовалась бы с такой скоростью.
И самое сложное здесь - с той же скоростью пересматривать собственные представления о том, что вообще стало возможным - наш мозг просто не привык к такому темпу изменений.
Мы вступаем в эпоху, когда придётся постоянно возвращаться к задачам, которые ещё пару месяцев назад казались нерешаемыми, и задавать себе один вопрос: а что, если теперь это возможно?
Именно поэтому AI-native компании сегодня имеют огромное преимущество. Они изначально строят свои процессы вокруг технологий, возможности которых меняются буквально каждый месяц.
И главный вопрос теперь даже не в том, кто каким образом внедрит AI. А в том, кто научится перестраиваться с такой же скоростью, с которой развиваются технологии. И смогут ли всем известные корпорации выдержать этот темп?
Во времена перемен будущее принадлежит тем, кто продолжает учиться (с) Эрик Хоффер
Разрыв между теми, кто находится на AI frontier, и практически всеми остальными сегодня настолько велик, что его сложно даже осознать.
Если бы развитие AI замедлилось, у людей и компаний появилось бы время наверстать упущенное: внедрить технологии, перестроить рабочие процессы и выработать стандартные подходы к их использованию.
AI со временем перестал бы быть конкурентным преимуществом, просто потому, что все научились бы использовать его примерно одинаково.
Но происходит ровно обратное.
Кривая развития AI уходит вертикально вверх. И если вы перестроили свои процессы всего 3-6 месяцев назад, сегодня вы точно уже УСТАРЕЛИ.
Мы никогда еще не видели технологий, которые совершенствовалась бы с такой скоростью.
И самое сложное здесь - с той же скоростью пересматривать собственные представления о том, что вообще стало возможным - наш мозг просто не привык к такому темпу изменений.
Мы вступаем в эпоху, когда придётся постоянно возвращаться к задачам, которые ещё пару месяцев назад казались нерешаемыми, и задавать себе один вопрос: а что, если теперь это возможно?
Именно поэтому AI-native компании сегодня имеют огромное преимущество. Они изначально строят свои процессы вокруг технологий, возможности которых меняются буквально каждый месяц.
И главный вопрос теперь даже не в том, кто каким образом внедрит AI. А в том, кто научится перестраиваться с такой же скоростью, с которой развиваются технологии. И смогут ли всем известные корпорации выдержать этот темп?
Во времена перемен будущее принадлежит тем, кто продолжает учиться (с) Эрик Хоффер
🤣5❤4👍3
Дайджест статей
📰 Вычисления, хранение, масштабируемость: погружение в архитектуру гиперконвергентной дата-платформы
🔗 https://habr.com/ru/companies/vktech/articles/1100642/
💡 Держи чувствительные к задержке СУБД на локальных дисках под K8s-операторами, а compute и storage разделяй, только когда данные не влезают в узел.
📰 Как построить self‑hosted RAG‑систему с LangGraph‑агентом на локальных LLM
🔗 https://habr.com/ru/articles/1101266/
💡 Добавь BM25 к векторам через RRF: Recall@5 вырос с 0.2 до 0.53. А LangChain в RAG-пайплайне давал 9x замедление - лучше прямой клиент.
📰 Маппинг данных: как объединить разные источники и не исказить результаты анализа
🔗 https://habr.com/ru/companies/karpov_courses/articles/1101560/
💡 Проверяй уникальность ключа до JOIN, а неизвестные коды помечай как unknown, а не в ближайшую категорию - иначе суммы раздуваются молча.
📰 Self-Service Data Platform на StarRocks: 3 инженера, 25 аналитиков и 0 тестовых стендов
🔗 https://habr.com/ru/articles/1102082/
💡 Разводи dev и prod на одном кластере макросом схемы в dbt и гоняй CI с --empty: второй кластер обошёлся бы как продовый.
📰 Ontology-Driven Observability: Building an End-to-End Knowledge Graph at Netflix Scale
🔗 https://netflixtechblog.com/ontology-driven-observability-building-an-end-to-end-knowledge-graph-at-netflix-scale-421392cf5adf
💡 Начинай observability с онтологии сущностей, сверенной с каталогом: если загнать вывод LLM в жёсткие типы триплетов, граф для RCA становится детерминированным.
📰 DoorDash Uses Multi Agent LLMs to Clean up 60,000 Feature Flags
🔗 https://www.infoq.com/news/2026/09/doordash-feature-flag-cleanup/
💡 Агенты закрыли 45 из 50 устаревших флагов по $4.79 за штуку, но только при ручном подтверждении целевого значения и PR после прохождения тестов.
📰 Мы опросили 108 компаний, чтобы узнать правду про развитие AI в компаниях РФ
🔗 https://habr.com/ru/companies/orion_soft/articles/1074738/
💡 У 79% компаний нет AI-команды, индекс готовности - 38/100. Порядок такой: сначала сервис с метриками качества, затем ПО, GPU - в последнюю очередь.
📰 Вычисления, хранение, масштабируемость: погружение в архитектуру гиперконвергентной дата-платформы
🔗 https://habr.com/ru/companies/vktech/articles/1100642/
💡 Держи чувствительные к задержке СУБД на локальных дисках под K8s-операторами, а compute и storage разделяй, только когда данные не влезают в узел.
📰 Как построить self‑hosted RAG‑систему с LangGraph‑агентом на локальных LLM
🔗 https://habr.com/ru/articles/1101266/
💡 Добавь BM25 к векторам через RRF: Recall@5 вырос с 0.2 до 0.53. А LangChain в RAG-пайплайне давал 9x замедление - лучше прямой клиент.
📰 Маппинг данных: как объединить разные источники и не исказить результаты анализа
🔗 https://habr.com/ru/companies/karpov_courses/articles/1101560/
💡 Проверяй уникальность ключа до JOIN, а неизвестные коды помечай как unknown, а не в ближайшую категорию - иначе суммы раздуваются молча.
📰 Self-Service Data Platform на StarRocks: 3 инженера, 25 аналитиков и 0 тестовых стендов
🔗 https://habr.com/ru/articles/1102082/
💡 Разводи dev и prod на одном кластере макросом схемы в dbt и гоняй CI с --empty: второй кластер обошёлся бы как продовый.
📰 Ontology-Driven Observability: Building an End-to-End Knowledge Graph at Netflix Scale
🔗 https://netflixtechblog.com/ontology-driven-observability-building-an-end-to-end-knowledge-graph-at-netflix-scale-421392cf5adf
💡 Начинай observability с онтологии сущностей, сверенной с каталогом: если загнать вывод LLM в жёсткие типы триплетов, граф для RCA становится детерминированным.
📰 DoorDash Uses Multi Agent LLMs to Clean up 60,000 Feature Flags
🔗 https://www.infoq.com/news/2026/09/doordash-feature-flag-cleanup/
💡 Агенты закрыли 45 из 50 устаревших флагов по $4.79 за штуку, но только при ручном подтверждении целевого значения и PR после прохождения тестов.
📰 Мы опросили 108 компаний, чтобы узнать правду про развитие AI в компаниях РФ
🔗 https://habr.com/ru/companies/orion_soft/articles/1074738/
💡 У 79% компаний нет AI-команды, индекс готовности - 38/100. Порядок такой: сначала сервис с метриками качества, затем ПО, GPU - в последнюю очередь.
Хабр
Вычисления, хранение, масштабируемость: погружение в архитектуру гиперконвергентной дата-платформы
Привет, Хабр. Меня зовут Павел Кутаков. Я главный архитектор VK Data Platform , VK Tech . Более 10 лет подход с разделением compute- и storage-слоев де-факто считается стандартом, следование которому...