Телеграм канал «Клуб CDO»

Ура, вышло хоть что то хорошее про данные, а не про ИИ и все такое 🙂

Данными не владеет ни CDO, ни IT. Ими владеет тот, в чьем бизнес-процессе они родились. А дальше практика: если владельца процесса качество данных устраивает, а потребителей нет, у потребителей два пути. Принять как есть или доказать, что компании дешевле починить процесс, чем разгребать последствия.

Это из интервью Данилы Наумова, CDO группы Московская биржа, для VTORNIK. Семь лет в роли CDO: Утконос, М.Видео, Апельсин, теперь биржа. Редкий разговор про механику управления данными, а то уже не знаешь что написать, даже статьи на Хабре "ушли" все в агентов и тд. Но с точки зрения данных наверное имеет в повестку CDO включить как минимум RAG и AI Governance.

Три вещи, которые я бы забрал в конспект.

• Governance, привязанный к физическим объектам, а не к документам. Четыре уровня: личная песочница, схема команды, публичная схема, производственный процесс. Чем шире влияние данных на компанию, тем жестче требования к управлению ими. Политика перестает быть файлом на полке и превращается в правила игры, зашитые в ресурсные пулы платформы.

• AI-native данные как экономическая задача, а не модный ярлык. Инфраструктура ИИ дорогая, значит агент должен решать задачу с минимальным расходом токенов. Чем лучше описаны глоссарии, lineage и бизнес-процессы, тем меньше агент блуждает по данным вслепую и тем дешевле каждое решение. Подготовка контекста из гигиены превращается в статью экономии.

• И интересно про метрики. Сначала они спускались командам сверху, и команды пытались их хакнуть, воспринимая как KPI. Классический Goodhart. Потом культура дозрела, и люди сами начали предлагать более честные методики расчета. Метрика как градусник, а не как дубинка.

Отдельно занятно: амбиция показать один из лучших результатов в стране по методологии дата-зрелости ЦБ и сократить сроки доступа к данным с месяцев до одного дня в типовых сценариях.

PS Кстати Данила является участников данного community, так что думаю можно воспользоваться комментариями если хочется получить больше информации

Полный текст: https://vtornik.company/blog/interview-danila-naumov

все что надо знать про точность LLM :)

Дайджест статей

📰 Agentic AI Architecture Framework for Enterprises (InfoQ)
🔗 https://www.infoq.com/articles/agentic-ai-architecture-framework/
💡 Вывод: Внедрение агентных систем стоит строить как трёхуровневую прогрессию (Foundation → Workflow → Autonomous), где governance, наблюдаемость и прозрачность рассуждений предшествуют автономии, а не догоняют её. Практичный паттерн — Constrained Autonomy Zones: агент свободен внутри границ с обязательными чекпоинтами валидации; полная автономия остаётся экспериментом даже у зрелых внедрений. Explainability в enterprise стабильно важнее точности: прозрачную систему принимают, точную непрозрачную — нет.

📰 Databricks обещал конец баз данных. Читаем мелкий шрифт
🔗 https://habr.com/ru/articles/1053690/
💡 Вывод: За анонсами Lakehouse//RT и LTAP стоят кэширующий слой (а не zero-copy) и две копии данных с синхронизацией раз в ~15 секунд, которую сами Databricks называют reverse ETL. Прежде чем закладывать платформу в архитектуру, требуйте P95/P99 под нагрузкой и конфигурацию бенчмарков: заявленные 12 000 QPS без методологии не проверяемы, а независимый замер партнёра показал, что 4x железа даёт ускорение в пределах погрешности. Реальная ниша — быстрые витрины и операционная аналитика на статистических данных, не системы, где запись равна деньгам.

📰 Жизнь после RAG: как мы построили ИИ-агента для анализа тикетов техподдержки (МТС)
🔗 https://habr.com/ru/companies/ru_mts/articles/1051784/
💡 Вывод: Главное ограничение RAG — не качество поиска, а то, что инженер должен сначала понять, что искать; агентная система, которая сама начинает расследование при создании тикета, снимает именно этот барьер. Честные цифры: 40% правильных решений, 45% частичных, 15% ошибок — и основной рост качества дали не смена модели, а доработка документации и промптов. Планируйте бюджет агентного проекта как онбординг джуна: разбор ошибок, инструкции, расширение сценариев.

📰 Каталог данных: что нужно знать перед внедрением (VK)
🔗 https://habr.com/ru/companies/vk/articles/1054554/
💡 Вывод: Каталог — мультипликатор существующей зрелости, а не первый шаг к порядку: без владельцев данных, DQ-гейтов в пайплайнах и процесса управления изменениями он фиксирует «что было», но не управляет «что будет». Перед закупкой прогоните чек-лист готовности (ответственность, приоритизация, метрики качества, lineage, change management) — при большинстве отрицательных ответов деньги уйдут в пустую «энциклопедию», которую ведут энтузиасты.

📰 Скорость, стратегия и алгоритмы: будущее Формулы-1 в эпоху AI
🔗 https://habr.com/ru/articles/937302/
💡 Вывод: F1 — образец применения ML под жёстким бюджетным ограничением: потолок расходов (~£107M, рост до £170M к 2026) сделал AI-CFD и предиктивные симуляции экономической необходимостью, а не игрушкой. Перенос на корпоративный контекст прямой: ограниченный бюджет вынуждает заменять физические итерации виртуальными, и именно там ROI от ML измерим. RSRL для стратегии гонки при этом interpretable — командам нужны не только решения, но и их логика.

📰 Где искать обучающие материалы по FineBI (GlowByte)
🔗 https://habr.com/ru/companies/glowbyte/articles/1054608/
💡 Вывод: По сути маркетинговый лендинг вендора-партнёра, замаскированный под обзор: из перечисленных источников нейтральны только документация FanRuan и Telegram-сообщества, остальное — воронка в курсы GlowByte. Полезен как маркер тренда: миграция с западных BI-платформ создала спрос на FineBI-специалистов, а структурированного независимого обучения нет — это дыра на рынке, не решённая проблема.

Обратите внимание

https://bhv.ru/product/inzheneriya-dannyh-patterny-proektirovaniya/

Обратите внимание

https://bhv.ru/product/inzheneriya-dannyh-patterny-proektirovaniya/?utm_source=habr&utm_medium=article&utm_campaign=bhv_20260703

Попросили нейросеть написать идеальную подводку к мемам. Она выдала эссе про сингулярность, трансгуманизм и светлое будущее. Пришлось отменить и делать по-старинке — с человеческой иронией и легкой усталостью 🤖

Традиционная подборка мемов про наши непростые отношения с алгоритмами. Осторожно, вызывает острое чувство узнавания!

#ИИшница
Подписывайтесь на AI Inside в Max | ВКонтакте