AI-агент говорит, что всё сделал. А ты уверен? Что нужно знать про оценку
Оценка AI-агентов — это процесс анализа и понимания того, насколько эффективно AI-агент выполняет задачи, принимает решения и взаимодействует с пользователями. В силу их автономной природы, качественная оценка агентов необходима для обеспечения их корректного функционирования. AI-агенты должны действовать в соответствии с замыслом разработчиков, быть эффективными и соответствовать определенным этическим принципам AI, чтобы удовлетворять потребности организации. Процесс оценки помогает удостовериться, что агенты соответствуют указанным требованиям.
Читать: https://habr.com/ru/articles/913222/
#ru
@big_data_analysis | Другие наши каналы
Оценка AI-агентов — это процесс анализа и понимания того, насколько эффективно AI-агент выполняет задачи, принимает решения и взаимодействует с пользователями. В силу их автономной природы, качественная оценка агентов необходима для обеспечения их корректного функционирования. AI-агенты должны действовать в соответствии с замыслом разработчиков, быть эффективными и соответствовать определенным этическим принципам AI, чтобы удовлетворять потребности организации. Процесс оценки помогает удостовериться, что агенты соответствуют указанным требованиям.
Читать: https://habr.com/ru/articles/913222/
#ru
@big_data_analysis | Другие наши каналы
# Автоматизация цифрового маркетинга с помощью ИИ: системный подход, который работает
ИИ уже управляет рекламой, воронками и контентом. Петр Жогов показывает, как построить рост без лишней ручной работы.
Читать: https://habr.com/ru/articles/913856/
#ru
@big_data_analysis | Другие наши каналы
ИИ уже управляет рекламой, воронками и контентом. Петр Жогов показывает, как построить рост без лишней ручной работы.
Читать: https://habr.com/ru/articles/913856/
#ru
@big_data_analysis | Другие наши каналы
Как мы храним 20000+ метрик и миллиарды комбинаций разрезов в одной таблице
Привет! Меня зовут Влад Божьев, я старший разработчик юнита АБ-тестирования Авито. Один из наших ключевых инструментов – M42, сервис для визуализации метрик. Он позволяет быстро проверять гипотезы, анализировать отклонения и оценивать инициативы.
В этой статье мы с вами погружаемся в самое сердце M42 и разбираем, как же там хранятся отчеты по метрикам. Это не просто рассказ, это почти детективная история о том, как мы искали оптимальное решение.
В нашем семантическом слое данных больше 20 000 метрик, и есть десятки разрезов для каждой из них. Под катом рассказываю, как мы храним терабайты данных и автоматизируем добавление новых разрезов в отчёт M42.
Читать: https://habr.com/ru/companies/avito/articles/913694/
#ru
@big_data_analysis | Другие наши каналы
Привет! Меня зовут Влад Божьев, я старший разработчик юнита АБ-тестирования Авито. Один из наших ключевых инструментов – M42, сервис для визуализации метрик. Он позволяет быстро проверять гипотезы, анализировать отклонения и оценивать инициативы.
В этой статье мы с вами погружаемся в самое сердце M42 и разбираем, как же там хранятся отчеты по метрикам. Это не просто рассказ, это почти детективная история о том, как мы искали оптимальное решение.
В нашем семантическом слое данных больше 20 000 метрик, и есть десятки разрезов для каждой из них. Под катом рассказываю, как мы храним терабайты данных и автоматизируем добавление новых разрезов в отчёт M42.
Читать: https://habr.com/ru/companies/avito/articles/913694/
#ru
@big_data_analysis | Другие наши каналы
От точечных решений к экосистеме: как «Национальная Лотерея» улучшает качество данных
Привет, Хабр! Сегодня мы расскажем, как «Национальная Лотерея» — компания, обрабатывающая сотни миллионов транзакций ежегодно, полностью перестроила свою работу с данными. Изначально инфраструктура данных опиралась на Excel-отчёты, ручные выгрузки и разнородные базы — подход, типичный для старта аналитических процессов. Однако со временем такие методы стали сдерживать скорость и масштабируемость аналитики.
Читать кейс
Читать: https://habr.com/ru/companies/arenadata/articles/913478/
#ru
@big_data_analysis | Другие наши каналы
Привет, Хабр! Сегодня мы расскажем, как «Национальная Лотерея» — компания, обрабатывающая сотни миллионов транзакций ежегодно, полностью перестроила свою работу с данными. Изначально инфраструктура данных опиралась на Excel-отчёты, ручные выгрузки и разнородные базы — подход, типичный для старта аналитических процессов. Однако со временем такие методы стали сдерживать скорость и масштабируемость аналитики.
Читать кейс
Читать: https://habr.com/ru/companies/arenadata/articles/913478/
#ru
@big_data_analysis | Другие наши каналы
Массивы вместо self-join: как писать быстрые запросы в ClickHouse
Привет, Хабр! Я — Максим Шитилов, продуктовый аналитик в каршеринг-сервисе Ситидрайв. Каждый день мы обрабатываем большие объёмы данных, и ClickHouse — один из наших ключевых инструментов. Если вы когда-либо пытались связать события с временными интервалами или рассчитать метрику за определённое окно после события, то наверняка сталкивались с типичной конструкцией на self-join. Вроде бы работает, но запрос становится громоздким, ресурсоёмким и плохо масштабируется.
В этой статье я расскажу, как решать такие задачи проще и эффективнее — с помощью массивов, arrayFilter и arrayMap. Покажу, как отказаться от self-join’ов без потери точности, ускорить обработку и упростить код. Примеры — из реальных бизнес-кейсов: телеметрия, аренды, GMV и события, которые нужно связать между собой по времени. Так как схожих решений на просторах интернета я не нашёл, предлагаю назвать этот подход “Array Join Pattern”. Если метод окажется полезным для сообщества, то такой паттерн легко будет найти другим аналитикам и девам.
Читать: https://habr.com/ru/companies/citydrive/articles/913866/
#ru
@big_data_analysis | Другие наши каналы
Привет, Хабр! Я — Максим Шитилов, продуктовый аналитик в каршеринг-сервисе Ситидрайв. Каждый день мы обрабатываем большие объёмы данных, и ClickHouse — один из наших ключевых инструментов. Если вы когда-либо пытались связать события с временными интервалами или рассчитать метрику за определённое окно после события, то наверняка сталкивались с типичной конструкцией на self-join. Вроде бы работает, но запрос становится громоздким, ресурсоёмким и плохо масштабируется.
В этой статье я расскажу, как решать такие задачи проще и эффективнее — с помощью массивов, arrayFilter и arrayMap. Покажу, как отказаться от self-join’ов без потери точности, ускорить обработку и упростить код. Примеры — из реальных бизнес-кейсов: телеметрия, аренды, GMV и события, которые нужно связать между собой по времени. Так как схожих решений на просторах интернета я не нашёл, предлагаю назвать этот подход “Array Join Pattern”. Если метод окажется полезным для сообщества, то такой паттерн легко будет найти другим аналитикам и девам.
Читать: https://habr.com/ru/companies/citydrive/articles/913866/
#ru
@big_data_analysis | Другие наши каналы
🔥2
Шпаргалка по установке драйверов NVIDIA на ML сервер
Данный материал предназначен для быстрой и последовательной установки драйверов NVIDIA, в том числе для видеокарт 50xx серии, а также настройки NVIDIA Container Toolkit. Эта инструкция актуальна для Linux-систем на базе Ubuntu и других Debian-совместимых дистрибутивов.
Читать: https://habr.com/ru/articles/913988/
#ru
@big_data_analysis | Другие наши каналы
Данный материал предназначен для быстрой и последовательной установки драйверов NVIDIA, в том числе для видеокарт 50xx серии, а также настройки NVIDIA Container Toolkit. Эта инструкция актуальна для Linux-систем на базе Ubuntu и других Debian-совместимых дистрибутивов.
Читать: https://habr.com/ru/articles/913988/
#ru
@big_data_analysis | Другие наши каналы
Новая статья раскрывает, как с помощью Semantic Model Extension в Oracle Fusion Data Intelligence создать альтернативную иерархию презентаций. Это помогает упростить навигацию по сложным иерархиям и повысить удобство работы с данными.
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
Oracle
Create a Custom Alternate Presentation Hierarchy in Oracle Fusion Data Intelligence
This article explains how you can create an alternate presentation hierarchy to simplify the navigation through hierarchies using the Semantic Model Extension in Oracle Fusion Data Intelligence.
Как правильно менять владельцев объектов в Oracle Analytics
В статье объясняется, как и почему важно менять владельцев объектов в каталоге при уходе сотрудников или изменениях в компании, чтобы сохранить целостность данных и избежать проблем с доступом в Oracle Analytics.
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
В статье объясняется, как и почему важно менять владельцев объектов в каталоге при уходе сотрудников или изменениях в компании, чтобы сохранить целостность данных и избежать проблем с доступом в Oracle Analytics.
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
Oracle
Changing Ownership of Catalog Objects in Oracle Analytics
When users leave a company or change departments or even have a name change, it becomes necessary to change the ownership of catalog objects to maintain consistency across the catalog. This article provides guidance on the best approach to this in Oracle…
Создайте собственный словарь данных для удобного отображения функциональных областей, предметных зон и объектов в ADW. Это поможет систематизировать информацию на уровне таблиц и столбцов, улучшая понимание и управление данными.
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
Oracle
Create Data Dictionary in Fusion Data Intelligence
Have your own data dictionary that provides mapping of objects for functional areas, pillars, subject areas, presentation objects, physical objects, and column level description of tables in ADW.
Как Oracle Analytics меняет управление платежами
В статье рассказывается о демонстрации возможностей Oracle Analytics в сфере интеллектуальных платежных операций. Использование ИИ и анализ данных в реальном времени помогает объединить разрозненную информацию, снижая риски и улучшая принятие решений.
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
В статье рассказывается о демонстрации возможностей Oracle Analytics в сфере интеллектуальных платежных операций. Использование ИИ и анализ данных в реальном времени помогает объединить разрозненную информацию, снижая риски и улучшая принятие решений.
Читать подробнее
#en
@big_data_analysis | Другие наши каналы
Oracle
Reimagining Payment Operations with Oracle Analytics
This article explores how Oracle Analytics showcases Intelligent Payment Operations in a live demo. From contextual insights and AI-powered assistance to real-time monitoring and natural language queries, discover how fragmented payment data can be unified…
С помощью чего выучить SQL в 2025 году?
Как выучить SQL с нуля в 2025? Сравниваем 6 платформ: SYNC STUDY, SQL Academy, Karpov Courses и другие. Бесплатные и платные курсы, задачи из реальной аналитики, поддержка PostgreSQL. Советы по выбору для новичков и профессионалов.
Читать: «С помощью чего выучить SQL в 2025 году?»
#ru
@big_data_analysis | Другие наши каналы
Как выучить SQL с нуля в 2025? Сравниваем 6 платформ: SYNC STUDY, SQL Academy, Karpov Courses и другие. Бесплатные и платные курсы, задачи из реальной аналитики, поддержка PostgreSQL. Советы по выбору для новичков и профессионалов.
Читать: «С помощью чего выучить SQL в 2025 году?»
#ru
@big_data_analysis | Другие наши каналы
Apache Flink для начинающих: архитектура, библиотеки и применение
Apache Flink — это фреймворк и распределенный движок обработки данных, поддерживающий какпакетную (ограниченную), так и потоковую (неограниченную)обработку данных. Это значит, что с его помощью можно обрабатывать как статичные (неизменяемые) данные, так и данные, поступающие в реальном времени.
Читать: https://habr.com/ru/articles/914836/
#ru
@big_data_analysis | Другие наши каналы
Apache Flink — это фреймворк и распределенный движок обработки данных, поддерживающий какпакетную (ограниченную), так и потоковую (неограниченную)обработку данных. Это значит, что с его помощью можно обрабатывать как статичные (неизменяемые) данные, так и данные, поступающие в реальном времени.
Читать: https://habr.com/ru/articles/914836/
#ru
@big_data_analysis | Другие наши каналы
Что скрывается за MCP-сервером и почему он может заменить RAG
Область искусственного интеллекта стремительно развивается, открывая новые способы повышения эффективности их работы и интеграции с данными в реальном времени. Одним из последних достижений стал Model Context Protocol (MCP) — открытый стандарт, позволяющий AI-моделям напрямую обращаться к файлам, API и инструментам без необходимости в промежуточных этапах, таких как создание эмбеддингов или векторный поиск. В этой статье мы рассмотрим, что такое MCP-сервер, как он работает и почему он может изменить будущее AI.
Читать: https://habr.com/ru/articles/914768/
#ru
@big_data_analysis | Другие наши каналы
Область искусственного интеллекта стремительно развивается, открывая новые способы повышения эффективности их работы и интеграции с данными в реальном времени. Одним из последних достижений стал Model Context Protocol (MCP) — открытый стандарт, позволяющий AI-моделям напрямую обращаться к файлам, API и инструментам без необходимости в промежуточных этапах, таких как создание эмбеддингов или векторный поиск. В этой статье мы рассмотрим, что такое MCP-сервер, как он работает и почему он может изменить будущее AI.
Читать: https://habr.com/ru/articles/914768/
#ru
@big_data_analysis | Другие наши каналы
Spark on Kubernetes: наш путь к автоматизации через кастомный оператор Airflow
Всем привет! Меня зовут Дмитрий Третьяков, я ML Engineer в компании «Лента». Мы регулярно запускаем PySpark-приложения в Kubernetes-кластере, используя Airflow. Этот процесс важен для нашей ежедневной работы с данными, но в какой-то момент мы столкнулись с тем, что стандартный подход через SparkKubernetesOperator стал сдерживать развитие: не хватало гибкости, возникали сложности в сопровождении и процесс настройки был излишне сложным для разработчиков.
Читать: https://habr.com/ru/companies/lentatech/articles/914884/
#ru
@big_data_analysis | Другие наши каналы
Всем привет! Меня зовут Дмитрий Третьяков, я ML Engineer в компании «Лента». Мы регулярно запускаем PySpark-приложения в Kubernetes-кластере, используя Airflow. Этот процесс важен для нашей ежедневной работы с данными, но в какой-то момент мы столкнулись с тем, что стандартный подход через SparkKubernetesOperator стал сдерживать развитие: не хватало гибкости, возникали сложности в сопровождении и процесс настройки был излишне сложным для разработчиков.
Читать: https://habr.com/ru/companies/lentatech/articles/914884/
#ru
@big_data_analysis | Другие наши каналы
❤1
Соединение SortMergeJoin в Apache Spark
Рассмотрим, как реализован SortMergeJoin в Apache Spark, и заодно заглянем в исходный код на GitHub. Spark написан на языке Scala, и вся логика работы оператора доступна в открытом репозитории проекта. Вот здесь :)
Первое, что рассмотрим - это конструктор кейс-класса
1. Конструктор SortMergeJoinExec
Читать: https://habr.com/ru/companies/gnivc/articles/914932/
#ru
@big_data_analysis | Другие наши каналы
Рассмотрим, как реализован SortMergeJoin в Apache Spark, и заодно заглянем в исходный код на GitHub. Spark написан на языке Scala, и вся логика работы оператора доступна в открытом репозитории проекта. Вот здесь :)
Первое, что рассмотрим - это конструктор кейс-класса
1. Конструктор SortMergeJoinExec
Читать: https://habr.com/ru/companies/gnivc/articles/914932/
#ru
@big_data_analysis | Другие наши каналы
Знакомьтесь — OTP Tech
Канал про IT в ОТП Банке. Если хочешь быть в теме и знать, как современные технологии и решения работают в международном финтехе, то подписывайся на OTP Tech.
Ребята активно развиваются, внедряют современные решения вроде ИИшек, заблаговременно думают о рисках и, например, первыми в России перешли на процессинг Solar, а еще активно формируют культуру работы с данными. И это только верхушка того, чем эксперты начали делиться у себя в ТГ. Подписывайтесь и добавляйте канал в папку «Полезное».
Подписаться
Это #партнёрский пост
Канал про IT в ОТП Банке. Если хочешь быть в теме и знать, как современные технологии и решения работают в международном финтехе, то подписывайся на OTP Tech.
Ребята активно развиваются, внедряют современные решения вроде ИИшек, заблаговременно думают о рисках и, например, первыми в России перешли на процессинг Solar, а еще активно формируют культуру работы с данными. И это только верхушка того, чем эксперты начали делиться у себя в ТГ. Подписывайтесь и добавляйте канал в папку «Полезное».
Подписаться
Это #партнёрский пост
Грязные данные для вечного сияния чистого ИИ
Эпиграф: Это хуже чем преступление. Это ошибка
Искусственный интеллект становится неотъемлемой частью современной жизни. Масштаб и скорость экспансии в различные сферы нашей жизни столь высокие (некоторые даже просят приостановить, что можно смело предположить будущее, где ИИ будет везде.
При этом согласно дорожной карте по развитию общего искусственного интеллекта от OpenAI, состоящей из 5 уровней, мы сейчас находимся на 1 уровне, когда ИИ только советует, а решение и ответственность остаётся за человеком. На следующем уровне он сможет рассуждать на уровне и вместо человека, а на третьем сможет действовать.
Скачок развития больших языковых моделей и нейросетей (технологий в основе ИИ) привёл к тому, что ИИ уже сейчас может говорить, рисовать картины, водить машину и даже пылесосить и мыть полы. Даже дети уже оживляют фотографии с помощью нейросетей.
Справедливо будет сказать, что все мы, согласно опросу ВЦИОМ, возлагаем на него большие надежды:
1. уменьшим затраты времени на рутину
2. повысим производительность труда
3. улучшим качество жизни
4. вырастет уровень безопасности
5. победит мировая революция
Одна из важных отраслей для применения ИИ - Здравоохранение.
В России принята Национальная стратегия в области искусственного интеллекта до 2030 года, в соответствии с которой, должны быть: "сняты отдельные административно-правовые барьеры, препятствовавшие внедрению технологий искусственного интеллекта в отдельных областях, включая здравоохранение, транспорт, государственно-частное партнёрство и другие области;"
Читать: https://habr.com/ru/articles/915170/
#ru
@big_data_analysis | Другие наши каналы
Эпиграф: Это хуже чем преступление. Это ошибка
Искусственный интеллект становится неотъемлемой частью современной жизни. Масштаб и скорость экспансии в различные сферы нашей жизни столь высокие (некоторые даже просят приостановить, что можно смело предположить будущее, где ИИ будет везде.
При этом согласно дорожной карте по развитию общего искусственного интеллекта от OpenAI, состоящей из 5 уровней, мы сейчас находимся на 1 уровне, когда ИИ только советует, а решение и ответственность остаётся за человеком. На следующем уровне он сможет рассуждать на уровне и вместо человека, а на третьем сможет действовать.
Скачок развития больших языковых моделей и нейросетей (технологий в основе ИИ) привёл к тому, что ИИ уже сейчас может говорить, рисовать картины, водить машину и даже пылесосить и мыть полы. Даже дети уже оживляют фотографии с помощью нейросетей.
Справедливо будет сказать, что все мы, согласно опросу ВЦИОМ, возлагаем на него большие надежды:
1. уменьшим затраты времени на рутину
2. повысим производительность труда
3. улучшим качество жизни
4. вырастет уровень безопасности
5. победит мировая революция
Одна из важных отраслей для применения ИИ - Здравоохранение.
В России принята Национальная стратегия в области искусственного интеллекта до 2030 года, в соответствии с которой, должны быть: "сняты отдельные административно-правовые барьеры, препятствовавшие внедрению технологий искусственного интеллекта в отдельных областях, включая здравоохранение, транспорт, государственно-частное партнёрство и другие области;"
Читать: https://habr.com/ru/articles/915170/
#ru
@big_data_analysis | Другие наши каналы
❤2❤🔥2🔥1
Data Mesh: ожидания vs реальность
Представьте: ваш бизнес растет, а вместе с ним и количество данных. Но вместо ценной аналитики — хаос: отчеты готовятся месяцами, данные разбросаны по Excel-файлам, а команда DWH не успевает закрывать запросы. Знакомо? Мы прошли через это и решили внедрить Data Mesh. Ожидания были амбициозные, но что получилось на самом деле?
Читать: https://habr.com/ru/companies/lemana_tech/articles/913550/
#ru
@big_data_analysis | Другие наши каналы
Представьте: ваш бизнес растет, а вместе с ним и количество данных. Но вместо ценной аналитики — хаос: отчеты готовятся месяцами, данные разбросаны по Excel-файлам, а команда DWH не успевает закрывать запросы. Знакомо? Мы прошли через это и решили внедрить Data Mesh. Ожидания были амбициозные, но что получилось на самом деле?
Читать: https://habr.com/ru/companies/lemana_tech/articles/913550/
#ru
@big_data_analysis | Другие наши каналы
❤1
Мультистек: как жить, когда ты и Фронт, и Бэк, и МЛ
Разбираем плюсы и минусы пути мультистек-инженера: когда это работает, где востребовано, и как развиваться, если не хочешь выбирать одно направление.
Читать: «Мультистек: как жить, когда ты и Фронт, и Бэк, и МЛ»
#ru
@big_data_analysis | Другие наши каналы
Разбираем плюсы и минусы пути мультистек-инженера: когда это работает, где востребовано, и как развиваться, если не хочешь выбирать одно направление.
Читать: «Мультистек: как жить, когда ты и Фронт, и Бэк, и МЛ»
#ru
@big_data_analysis | Другие наши каналы
👍1
Многорукие бандиты: когда классическое тестирование не работает
Привет, Хабр! Мы команда ЖЦК, занимаемся машинным обучением в ВТБ. Сегодня расскажем про алгоритмическую магию, которая творится прямо у нас под носом. Авторами проекта этой магии в ВТБ стали дата-сайентисты Дмитрий Тимохин, Василий Сизов, Александр Лукашевич и Егор Суравейкин. Речь пойдет не о хитрых нейросетях с их миллионами параметров, а о простом подходе, который помог им и команде сэкономить много времени на решении задач, в которых раньше использовались классические методы тестирования.
Читать: https://habr.com/ru/companies/vtb/articles/915698/
#ru
@big_data_analysis | Другие наши каналы
Привет, Хабр! Мы команда ЖЦК, занимаемся машинным обучением в ВТБ. Сегодня расскажем про алгоритмическую магию, которая творится прямо у нас под носом. Авторами проекта этой магии в ВТБ стали дата-сайентисты Дмитрий Тимохин, Василий Сизов, Александр Лукашевич и Егор Суравейкин. Речь пойдет не о хитрых нейросетях с их миллионами параметров, а о простом подходе, который помог им и команде сэкономить много времени на решении задач, в которых раньше использовались классические методы тестирования.
Читать: https://habr.com/ru/companies/vtb/articles/915698/
#ru
@big_data_analysis | Другие наши каналы
Проблемы БД или почему большой продакшн спасут только массовые расстрелы запросов
За счёт правильных, даже необязательно новых, а просто верно выбранных архитектурных подходов можно заставить работать не один конкретный запрос, а тысячу или даже миллион. Это становится краеугольным камнем, потому что объёмы данных растут с такой скоростью, которую мы даже представить себе не могли ещё пять лет назад.
Привет, Хабр! Именно так считает наш сегодняшний гость – Дмитрий Немчин, руководитель направления эксплуатации инфраструктуры данных в Т-банке и по совместительству член программного комитета Data Internals, профессиональной конференциипо инженерии, базам и системам хранения и обработки данных.
В беседе Дмитрий рассказал о своём пути в данные и программный комитет конференции, поделился интересными кейсами и проблемами, связанными с ростом объёмов данных и необходимостью управления ресурсами. А также объяснил, как дата-инженеру остаться востребованным в будущем, где ИИ может проникнуть абсолютно во все сферы жизни.
Читать: https://habr.com/ru/companies/oleg-bunin/articles/915332/
#ru
@big_data_analysis | Другие наши каналы
За счёт правильных, даже необязательно новых, а просто верно выбранных архитектурных подходов можно заставить работать не один конкретный запрос, а тысячу или даже миллион. Это становится краеугольным камнем, потому что объёмы данных растут с такой скоростью, которую мы даже представить себе не могли ещё пять лет назад.
Привет, Хабр! Именно так считает наш сегодняшний гость – Дмитрий Немчин, руководитель направления эксплуатации инфраструктуры данных в Т-банке и по совместительству член программного комитета Data Internals, профессиональной конференциипо инженерии, базам и системам хранения и обработки данных.
В беседе Дмитрий рассказал о своём пути в данные и программный комитет конференции, поделился интересными кейсами и проблемами, связанными с ростом объёмов данных и необходимостью управления ресурсами. А также объяснил, как дата-инженеру остаться востребованным в будущем, где ИИ может проникнуть абсолютно во все сферы жизни.
Читать: https://habr.com/ru/companies/oleg-bunin/articles/915332/
#ru
@big_data_analysis | Другие наши каналы
👌2