Телеграм канал «Клуб CDO»

📰 Данные без противоречий. Связи между полями
🔗 https://habr.com/ru/articles/1069220/
💡 Вывод: Генератор, заполняющий поля независимо, создаёт формально валидные и физически невозможные записи — «женский, Ольга, аденома простаты», и это тихо ломает фикстуры, когда полей становится пятнадцать. Ключевое инженерное решение автора: доли раскладываются как квота на всю выборку, а не как взвешенный рандом на каждую строку, поэтому распределение можно проверять ассертом, а не глазом. Инструмент TDCV2 под MIT, один конфиг с одним сидом даёт построчно совпадающий вывод в пяти языках.

Дайджест статей

📰 Честный RAG eval set: как собрать первые 100-300 кейсов и не обмануть себя цифрой
🔗 https://habr.com/ru/articles/1070534/
💡 Вывод: Разделяйте три набора (smoke 20-50, ручной eval 100-300, обучающие данные) и меряйте retrieval отдельно от генерации, иначе причины поломок смешиваются. Практический момент, который автор подтверждает цифрами: на 120 кейсах разница Recall@5 0.808 против 0.792 — это два запроса, а не победа конфигурации; 95% интервал при p=0.78 и n=120 около ±7.4 пункта. Решение принимайте по срезам (exact entity, версии, «нет ответа»), а не по среднему.

📰 Предиктивное обслуживание в промышленности: три системных условия, без которых технологии не работают
🔗 https://habr.com/ru/companies/severstal/articles/1070560/
💡 Вывод: Технологический успех при операционном провале — стандартный сценарий: модели прогнозируют верно, а ремонтируют по факту. Автор из «Северстали» приводит свои цифры: до 40% временных рядов с датчиками содержат пропуски, только 45% интерфейсов работают в реальном времени, 35% критического оборудования имеет достаточную историю отказов. Проектируйте не платформу, а замкнутый цикл «данные → культура → знания», где каждый элемент питает остальные, иначе получаете дашборды, которые никто не смотрит.
Оговорка по источнику: часть статьи — витрина решений «Северстали», сравнительная таблица Industry 4.0 vs 5.0 подана со ссылкой на Deloitte Manufacturing Industry Outlook 2024, но методика замера в тексте не раскрыта.

📰 DataJunction as Netflix's answer to the missing piece of the modern data stack
🔗 https://netflixtechblog.medium.com/datajunction-as-netflixs-answer-to-the-missing-piece-of-the-modern-data-stack-92af926b40a5
💡 Вывод: Netflix выбрал DataJunction не за фичи, а за движок парсинга и генерации SQL плюс хранение определений в связном графе — на момент POC этого не давали ни Minerva, ни внутренний Mando. Строя семантический слой, режьте scope до ядра: API и граф сначала, UI, кэширование и интеграции потом, иначе ядро придётся переписывать. Отдельный аргумент для тех, кто строит LLM поверх аналитики: внутренние модели Netflix могут отвечать по бизнес-метрикам подотчётно только потому, что определения лежат в одном месте.

📰 GenRec: Towards LLM-Native Recommendation at Netflix
🔗 https://netflixtechblog.com/genrec-towards-llm-native-recommendation-at-netflix-f20be6f643e3
💡 Вывод: Сдвиг от feature engineering к context engineering перестал быть слоганом: GenRec обошёл зрелый продакшн-ранкер, используя в 10-40 раз меньше размеченных примеров второй фазы, а окно контекста стало новым бюджетом на фичи — сжатие вербализации до трети токенов почти не тронуло офлайн-метрики и во столько же уронило стоимость инференса. Prefill-only режим на vLLM (один проход по промпту, скоринг всего каталога без авторегрессии) — тот приём, который вообще делает экономику возможной. Инфраструктура рекомендаций начинает выглядеть как LLM-инфраструктура, а не как классический RecSys-стек.

📰 Опыт миграции аналитики для ритейла Retail Analytics с MS SSAS на Alpha OLAP
🔗 https://habr.com/ru/companies/barsgroup/articles/1070016/
💡 Вывод: Планируя уход с SSAS, закладывайте инженерную работу на 10-20% показателей: 80% (маржа, средний чек, оборачиваемость) переезжают предсказуемо, а ежедневные остатки на 150 млн строк, out-of-stock, прогнозирование и cross-selling требуют переноса логики в СУБД и переработки витрин. Архитектурная ловушка, которую стоит знать заранее: в Alpha OLAP каждый атрибут измерения — отдельная иерархия, что ломает формулы со ссылками на периоды. Заявленный срок миграции всего контура — около 3,5 человеко-месяцев.
Оговорка по источнику: текст написан маркетологом продукта Alpha BI, все цифры производительности — от вендора и партнёра, независимых замеров нет.

Цифровизация на языке бизнеса ⚙️

Мероприятия по цифровизации часто бывают слишком ИТшными. Мы это учли и сделали интенсив, который будет действительно интересен Топ-менеджерам от бизнеса.
 
Офлайн-интенсив “Цифровизация производства от учета до ИИ” для владельцев и ТОП-менеджеров производственных компаний FMCG и АПК. 

📍 30 сентября 2026 г. Приурочено к выставке Агропродмаш
 
О чем поговорим?

🟣Что такое цифровое производство? Ключевые элементы и ценность от их синергии.
🟣8 болей пищевого производства, которые лечит MES
🟣MES на фабрике кухни: особый подход к автоматизации сегмента готовой еды
🟣Как цифровизация трансформирует работу службы качества?
🟣Инфобез промышленных масштабов: конкретные шаги по защите производства
🟣Эволюция российского BI – от реактивных дашбордов к проактивным ИИ-агентам
🟣Как оценить зрелость данных и ИТ-инфраструктуры перед стартом внедрения ИИ-агентов? 
🟣Применение ИИ в работе с видеоаналитикой

И это, разумеется, еще не все!

Вас ждет:

🔘Только практика – только хардкор! Все доклады основаны на кейсах реальных проектов. 
🔘Применимость здесь и сейчас. Вы сможете оценить, где проседаете, и тут же получить советы, как с этим работать.
🔘Живое общение. Возможность завязать новые полезные знакомства и задать вопросы экспертам без «лишних ушей».
 
➡️ Регистрируйтесь по ссылке

PS: Участие бесплатно, но требует подтверждение модератором. Количество мест ограничено. Помните, что с каждым днем свободных слотов становится все меньше!

Коллеги, и еще один анонс

VTORNIK.Вечер #9

Друзья, мы возвращаемся после летнего перерыва и открываем второй сезон Вечеров! Надеемся, вы хорошо отдохнули! Мы уже успели соскучиться. Ждем вас!

25 августа, с 19:00 до 21:00 мы рады вас пригласить на наш новый митап. Он пройдет как обычно офлайн. В этот раз вас ждет следующая программа:

————————————

1️⃣ Как структурировать и запустить ИИ-проект в крупной корпорации и довести его до успешного внедрения?
Модель управления. Роли в команде. Про что не забыть на входе. Какие нюансы по метрикам. Когда делать PoC, а когда сразу идти по-серьезному

Спикер: Сергей Рассудительнов, Начальник управления внедрения ИИ решений и развития GenAI, Альфа-банк

5 лет в финансах. 5 лет в стратегии. 3 года в ИИ. Опыт работы в: Банк Москвы, ВТБ, Альфа-банк


2️⃣ Исследовательский harness: как устроен, какие ошибки ждут, как построить свой — чтобы масштабировать работу и не только

Спикер: Максим Шаланкин, ML Tech Lead в финтех‑команде Big Data MWS (МТС)

Победитель премии RuCode в номинации «ИИ инноватор» за эффективное внедрение технологий искусственного интеллекта в образовательный процесс. Преподает машинное обучение и AI‑агентов в МФТИ, НИУ ВШЭ и Школе аналитиков данных МТС.

————————————

📍 Место проведения: Офис наших партнеров — ГК «Солар», адрес: Никитский пер. 7с1, Москва, 1-й этаж, Лекторий
м. Охотный ряд / Площадь Революции / Театральная / Александровский сад

Мероприятие бесплатное. Регистрация обязательна. Вход по списку. При себе иметь удостоверение личности.

Будем рады всех видеть!

Коллеги, отмечаем в календаре, не пропускаем очень хорошее мероприятие!

Microsoft Research выложил Flint - новый язык для визуализации данных, заточенный под агентов и LLM

Концепция - разделить то, что график значит, и то, как он рисуется. Агент пишет компактный семантический спек. Детерминированный компилятор выводит из данных, семантических типов и энкодингов всё остальное - шкалы, оси, отступы, раскладку. Дальше один и тот же спек компилируется в Vega-Lite, ECharts, Chart.js, Plotly и нативные чарты Excel.

Flint интересен не как инструмент для чартов. Как готовый образец того, из чего собирается интерфейс между агентом и системой.

https://microsoft.github.io/flint-chart/