Инструменты
Каталог TGAds
beta
Мониторинг
Детальная статистика
Анализ аудитории
Бот аналитики
Полезная информация
Инструкция Telemetr
Документация к API
Чат Telemetr
Не попадитесь на накрученные каналы! Узнайте, не накручивает ли канал просмотры или
подписчиков
Проверить канал на накрутку
Телеграм канал «Клуб CDO»
Подписчики
Всего
3 718
Сегодня
+1
Просмотров на пост
Всего
681
ER
Общий
16.09%
Суточный
13.7%
Динамика публикаций
Telemetr - сервис глубокой аналитики
телеграм-каналов
телеграм-каналов
Получите подробную информацию о каждом канале
Отберите самые эффективные каналы для
рекламных размещений, по приросту подписчиков,
ER, количеству просмотров на пост и другим метрикам
рекламных размещений, по приросту подписчиков,
ER, количеству просмотров на пост и другим метрикам
Анализируйте рекламные посты
и креативы
и креативы
Узнайте какие посты лучше сработали,
а какие хуже, даже если их давно удалили
а какие хуже, даже если их давно удалили
Оценивайте эффективность тематики и контента
Узнайте, какую тематику лучше не рекламировать
на канале, а какая зайдет на ура
на канале, а какая зайдет на ура
Показано 7 из 2 517 постов
Смотреть все посты
Пост от 31.03.2026 21:36
340
4
17
Субагенты решают конкретную физическую проблему LLM — деградацию при росте контекста.
Формально Claude держит 200k токенов. Gemini — миллион. На практике стабильная работа обрывается где-то на 100-200k, дальше модель «видит» текст, но всё хуже его учитывает. Stanford называл это «Lost in the Middle»: важные решения из середины длинного диалога просто игнорируются.
Субагент стартует с чистого листа. Оркестратор получает только итоговое резюме — не сотни строк логов, не содержимое прочитанных файлов, не историю. Только результат. Контекст остаётся чистым.
И отсюда следует нетривиальный вывод.
Если субагент работает хорошо ровно тогда, когда получает чёткое, изолированное задание — то качество всей системы начинает определяться не мощностью модели и не количеством агентов. Оно определяется качеством декомпозиции задачи.
Статья на Хабре это признаёт: планировщик — самая важная роль во всей цепочке. Без хорошей декомпозиции даже идеальные субагенты делают не то.
Мы привыкли думать о качестве промпта — что и как написано в запросе. Теперь появляется другой уровень: как задача разбита на атомарные единицы. Какой контекст получает каждая. Что возвращает.
Это отдельное инженерное мышление. Новое искусство проектирования — и пока оно не формализовано, результат работы агентов будет непредсказуемым независимо от модели.
https://habr.com/ru/articles/1006602/
Формально Claude держит 200k токенов. Gemini — миллион. На практике стабильная работа обрывается где-то на 100-200k, дальше модель «видит» текст, но всё хуже его учитывает. Stanford называл это «Lost in the Middle»: важные решения из середины длинного диалога просто игнорируются.
Субагент стартует с чистого листа. Оркестратор получает только итоговое резюме — не сотни строк логов, не содержимое прочитанных файлов, не историю. Только результат. Контекст остаётся чистым.
И отсюда следует нетривиальный вывод.
Если субагент работает хорошо ровно тогда, когда получает чёткое, изолированное задание — то качество всей системы начинает определяться не мощностью модели и не количеством агентов. Оно определяется качеством декомпозиции задачи.
Статья на Хабре это признаёт: планировщик — самая важная роль во всей цепочке. Без хорошей декомпозиции даже идеальные субагенты делают не то.
Мы привыкли думать о качестве промпта — что и как написано в запросе. Теперь появляется другой уровень: как задача разбита на атомарные единицы. Какой контекст получает каждая. Что возвращает.
Это отдельное инженерное мышление. Новое искусство проектирования — и пока оно не формализовано, результат работы агентов будет непредсказуемым независимо от модели.
https://habr.com/ru/articles/1006602/
👍
2
Пост от 31.03.2026 16:11
454
0
9
NASA впервые с 1972 года отправляет людей на Луну
Экспедиция Artemis II — первый пилотируемый полёт к Луне со времён программы Apollo. Уже завтра в 23:24 по британскому времени четверо астронавтов — Рид Уайзман, Виктор Гловер, Кристина Кох и Джереми Хансен — отправятся на ее орбиту.
Многое зависит от погоды: вероятность благоприятных условий оценивается в 80%.
Программа Artemis разрабатывается уже несколько лет и столкнулась с серьёзными задержками из-за технических проблем — миссия уже пропустила два окна запуска.
Полёт продлится около 10 дней: экипаж совершит облёт Луны без посадки. Следующий этап — миссия Artemis III, в рамках которой планируется высадка на Луну, а в перспективе — полёты на Марс.
Пока участники экспедиции находятся на карантине, а перед стартом соберутся в Beach House на мысе Канаверал — традиционном месте встречи астронавтов перед запуском с 1960-х годов.
Экспедиция Artemis II — первый пилотируемый полёт к Луне со времён программы Apollo. Уже завтра в 23:24 по британскому времени четверо астронавтов — Рид Уайзман, Виктор Гловер, Кристина Кох и Джереми Хансен — отправятся на ее орбиту.
Многое зависит от погоды: вероятность благоприятных условий оценивается в 80%.
Программа Artemis разрабатывается уже несколько лет и столкнулась с серьёзными задержками из-за технических проблем — миссия уже пропустила два окна запуска.
Полёт продлится около 10 дней: экипаж совершит облёт Луны без посадки. Следующий этап — миссия Artemis III, в рамках которой планируется высадка на Луну, а в перспективе — полёты на Марс.
Пока участники экспедиции находятся на карантине, а перед стартом соберутся в Beach House на мысе Канаверал — традиционном месте встречи астронавтов перед запуском с 1960-х годов.
🔥
6
Пост от 31.03.2026 16:11
430
0
2
Смотрим завтра?
Пост от 31.03.2026 11:32
495
0
5
https://t.me/loginom/1851
👍
5
Пост от 31.03.2026 07:15
541
2
4
Те, кто пишет софт, пишут правила, по которым живут все остальные. Софтверные инженеры стали социальными инженерами де-факто — без мандата, без подотчётности, без этического кодекса. В медицине нельзя практиковать без лицензии. В tech — можно построить систему, влияющую на миллиарды.
Изображение
👍
4
👎
1
Пост от 30.03.2026 15:32
533
0
12
Пока одни спорят, нужны ли системы управления данными (Data Governance), другие превращают их в драйвер развития ИИ. Как выстроить систему, которая не блокирует, а поддерживает внедрение ИИ? Почему качество данных становится особенно важным именно сейчас?
Поговорили об этом и не только с Алексеем Нейманом – исполнительным директором Ассоциации больших данных. Алексей и его команда каждый день работают с рынком данных и видят его изнутри.
В интервью – о том, почему качество ИИ зависит от качества данных, а Data Governance – не бюрократия, а драйвер для развития искусственного интеллекта.
AI Inside #голос_AI
Поговорили об этом и не только с Алексеем Нейманом – исполнительным директором Ассоциации больших данных. Алексей и его команда каждый день работают с рынком данных и видят его изнутри.
В интервью – о том, почему качество ИИ зависит от качества данных, а Data Governance – не бюрократия, а драйвер для развития искусственного интеллекта.
AI Inside #голос_AI
👍
3
❤
1
Пост от 30.03.2026 13:18
559
0
8
Дайджест статей
📰 Как я проектирую OLTP-БД с нуля: принципы, trade-off'ы и архитектурные решения
🔗 https://habr.com/ru/articles/1014098/
💡 Вывод: Инженер пишет собственный OLTP-движок на Rust — с UNDO-log MVCC (как у InnoDB, Oracle, MSSQL), unified storage на БД и fail-closed поведением вместо тихой деградации. Главный тезис: если система под нагрузкой молчит и тянет — она врёт. Предсказуемый отказ с внятным SQLSTATE лучше, чем иллюзия, что «ещё дотянет». Для CDO: пример архитектурных решений на уровне storage engine, которые стоит знать при оценке собственных data-платформ.
📰 Как ML изменит бизнес в 2026 году: прогноз Selectel, GlowByte и Data Sapience
🔗 https://habr.com/ru/companies/selectel/articles/1013862/
💡 Вывод: Маркетинговый по форме, но полезный по структуре обзор корпоративного AI. Зерно: компании переходят от хаотичного использования LLM к централизованным корпоративным порталам с RBAC, квотами и биллингом. Shadow AI становится реальным драйвером создания внутренних GenAI-сред — не из любви к технологиям, а из страха потери контроля над корпоративными данными. AI-агенты в продакшн — это микросервис, которому нужен жизненный цикл, версионирование и CI/CD, а не просто промпт в блокноте.
📰 Как мы подружили DataLens и OpenMetadata: архитектура, код и подводные камни
🔗 https://habr.com/ru/companies/magnit/articles/1015708/
💡 Вывод: Команда DWH Magnit написала ingestion-коннектор DataLens → OpenMetadata с нуля и выложила в открытый доступ. Практический кейс: BI-объекты (дашборды, чарты, датасеты) вытащены в общий граф метаданных с lineage-цепочками. Главный урок — ingestion на реальном объёме немедленно упирается в rate limits и scope management, поэтому operational-параметры (задержки, ретраи, фильтрация коллекций) нужно закладывать в коннектор сразу, не после первого запуска на продовом контуре.
📰 Case for Self-Healing Data Observability in Converged Architectures
🔗 https://moderndata101.substack.com/p/self-healing-data-observability-in
💡 Вывод: Аргумент в пользу ARI-цикла (Anticipate → Remediate → Immunize) как архитектурного слоя качества данных, а не инструментального. Основная мысль: конвергированные платформы убрали швы между системами, но оставили observability в парадигме «оповестить человека» — это незаконченная архитектура. Самовосстанавливающаяся платформа не исключает инженера, а меняет его роль: от дежурного пожарного к проектировщику иммунной системы. Граница «что платформа решает сама, а что эскалирует» — это архитектурное решение, а не настройка порогов.
📰 Reference Data Management по-русски: что мы называем НСИ и почему это не всегда RDM
🔗 https://habr.com/ru/companies/datasapience/articles/1012404/
💡 Вывод: Честная разборка терминологии: российское «НСИ» на практике = RDM + часть MDM + немного DQ — исторически потому, что отдельных систем не было, и всё сваливали в одну. Для CDO: смешение задач — это не культурная особенность, а архитектурный риск. Один инструмент «на всё» хорошо звучит на слайде и плохо работает в эксплуатации. Продукт, который претендует закрыть RDM, MDM и DQ одновременно, — кандидат на идиотский индекс.
📰 How Long Until We Call AI Agents Data Products
🔗 https://moderndata101.substack.com/p/data-products-as-ai-agents
💡 Вывод: AI-агент в продакшне соответствует всем критериям data product — пользователи, контракты качества, жизненный цикл, обратная связь. Большинство команд запускают агентов как эксперименты и удивляются, почему они деградируют. Обсервабилити ≠ логирование: каждый retry — это измеримое трение, каждый брошенный диалог — невидимый отток. Единственная работающая обратная связь — ручная аннотация разговоров с последующим маппингом паттернов на тикеты. Не дашборды — решения.
📰 Как я проектирую OLTP-БД с нуля: принципы, trade-off'ы и архитектурные решения
🔗 https://habr.com/ru/articles/1014098/
💡 Вывод: Инженер пишет собственный OLTP-движок на Rust — с UNDO-log MVCC (как у InnoDB, Oracle, MSSQL), unified storage на БД и fail-closed поведением вместо тихой деградации. Главный тезис: если система под нагрузкой молчит и тянет — она врёт. Предсказуемый отказ с внятным SQLSTATE лучше, чем иллюзия, что «ещё дотянет». Для CDO: пример архитектурных решений на уровне storage engine, которые стоит знать при оценке собственных data-платформ.
📰 Как ML изменит бизнес в 2026 году: прогноз Selectel, GlowByte и Data Sapience
🔗 https://habr.com/ru/companies/selectel/articles/1013862/
💡 Вывод: Маркетинговый по форме, но полезный по структуре обзор корпоративного AI. Зерно: компании переходят от хаотичного использования LLM к централизованным корпоративным порталам с RBAC, квотами и биллингом. Shadow AI становится реальным драйвером создания внутренних GenAI-сред — не из любви к технологиям, а из страха потери контроля над корпоративными данными. AI-агенты в продакшн — это микросервис, которому нужен жизненный цикл, версионирование и CI/CD, а не просто промпт в блокноте.
📰 Как мы подружили DataLens и OpenMetadata: архитектура, код и подводные камни
🔗 https://habr.com/ru/companies/magnit/articles/1015708/
💡 Вывод: Команда DWH Magnit написала ingestion-коннектор DataLens → OpenMetadata с нуля и выложила в открытый доступ. Практический кейс: BI-объекты (дашборды, чарты, датасеты) вытащены в общий граф метаданных с lineage-цепочками. Главный урок — ingestion на реальном объёме немедленно упирается в rate limits и scope management, поэтому operational-параметры (задержки, ретраи, фильтрация коллекций) нужно закладывать в коннектор сразу, не после первого запуска на продовом контуре.
📰 Case for Self-Healing Data Observability in Converged Architectures
🔗 https://moderndata101.substack.com/p/self-healing-data-observability-in
💡 Вывод: Аргумент в пользу ARI-цикла (Anticipate → Remediate → Immunize) как архитектурного слоя качества данных, а не инструментального. Основная мысль: конвергированные платформы убрали швы между системами, но оставили observability в парадигме «оповестить человека» — это незаконченная архитектура. Самовосстанавливающаяся платформа не исключает инженера, а меняет его роль: от дежурного пожарного к проектировщику иммунной системы. Граница «что платформа решает сама, а что эскалирует» — это архитектурное решение, а не настройка порогов.
📰 Reference Data Management по-русски: что мы называем НСИ и почему это не всегда RDM
🔗 https://habr.com/ru/companies/datasapience/articles/1012404/
💡 Вывод: Честная разборка терминологии: российское «НСИ» на практике = RDM + часть MDM + немного DQ — исторически потому, что отдельных систем не было, и всё сваливали в одну. Для CDO: смешение задач — это не культурная особенность, а архитектурный риск. Один инструмент «на всё» хорошо звучит на слайде и плохо работает в эксплуатации. Продукт, который претендует закрыть RDM, MDM и DQ одновременно, — кандидат на идиотский индекс.
📰 How Long Until We Call AI Agents Data Products
🔗 https://moderndata101.substack.com/p/data-products-as-ai-agents
💡 Вывод: AI-агент в продакшне соответствует всем критериям data product — пользователи, контракты качества, жизненный цикл, обратная связь. Большинство команд запускают агентов как эксперименты и удивляются, почему они деградируют. Обсервабилити ≠ логирование: каждый retry — это измеримое трение, каждый брошенный диалог — невидимый отток. Единственная работающая обратная связь — ручная аннотация разговоров с последующим маппингом паттернов на тикеты. Не дашборды — решения.
❤
4
👍
1