Телеграм канал «Клуб CDO»

Коллеги, еще один анонс интересного мероприятия

Дубли номенклатуры — это не просто проблема справочника. Это проблема качества мастер-данных.

Когда одинаковые позиции заведены под разными названиями, атрибуты заполнены не полностью, а разные системы используют собственные правила ведения НСИ, компания перестает получать единую и достоверную картину данных.
Последствия проявляются во всем учетном контуре: искажаются остатки и себестоимость, растут запасы, возникают ошибки в документах и снижается доверие к управленческой отчетности.

13 октября в 10:00 МСК на бесплатном вебинаре на примере 1С обсудим:
• как ошибки в мастер-данных распространяются по бизнес-процессам;
• почему перенос исторической НСИ без нормализации увеличивает риски ERP-проекта;
• как перейти от разовой очистки справочников к системному MDM-подходу;
• как выявлять потенциальные дубли и контролировать качество данных;
• где ИИ действительно помогает: классификация номенклатуры, структурирование данных и заполнение характеристик.

Вебинар будет полезен CDO, специалистам по Data Governance и Data Quality, архитекторам данных, руководителям ERP-проектов и владельцам корпоративных справочников.

13 октября 2026 года, 10:00 МСК
Онлайн, участие бесплатное.
Программа и регистрация: https://spb.1cbit.ru/school/events/554018/

Коллеги, обратите внимание на книгу. Редакция не очень понимает идею продавать только бумажную версию, но наверное и электронная скоро появится, а пока в комментарии закинем английскую трофейную версию

https://www.piter.com/collection/all/product/vysokonagruzhennye-prilozheniya-programmirovanie-masshtabirovanie-podderzhka-2-e-izd-2

Яндекс открыл YTsaurus Flow: 100+ ГБ/с в реальном времени без потерь и дублей
 
Технология обрабатывает клики, показы, лайки и заказы по мере поступления. Обычно их сначала накапливают, и задержка может составлять часы. YTsaurus Flow обрабатывает их по мере поступления и учитывает каждое ровно один раз, даже при сбоях: exactly-once работает по умолчанию.

И это уже работает в проде: в Яндекс Рекламе через Flow проходят миллионы событий в секунду. Подготовка данных для дообучения части моделей раньше занимала больше 10 часов, теперь эту задержку почти полностью устранили. Также технология работает в Маркете и антифроде.

Подойдёт для подготовки обучающих данных, подсчёта просмотров, кликов и заказов, обновления информации в приложениях. Лицензия Apache 2.0, коммерческое использование разрешено.

GitHub - https://github.com/ytsaurus/ytsaurus/tree/main/yt/yt/flow

Кто в ответе за ИИ-агента?

CDO годами строили управление данными для людей. Теперь эти данные потребляют ИИ-агенты - и сами принимают на их основе решения.

Пока ИИ пишет письма и презентации, цена ошибки ограничена. Но что происходит, когда агент получает доступ к корпоративным системам, деньгам, документам, клиентским данным и бизнес-процессам? Когда он может не только рекомендовать, но и действовать?

На эти вопросы у большинства компаний пока нет готовых ответов:

▪️ кто отвечает за решение ИИ-агента;
▪️ кто отвечает за данные, на которых это решение принято;
▪️ где проходит граница его полномочий;
▪️ какие действия требуют подтверждения человека;
▪️ какие финансовые и операционные лимиты закладывать заранее;
▪️ как расследовать ошибку, если в цепочке заказчик, интегратор, модель, данные и несколько внешних сервисов.

ИИ-агент - уже не просто новая технология, а новый участник системы управления предприятием. Значит, разговор должен идти одновременно про данные, архитектуру, процессы, ИБ, право и ответственность.

Вокруг этого строится форум «Интеллектуальное предприятие 2026». Не очередной разговор о том, «как внедрить AI», а попытка понять, как меняется само предприятие, когда часть решений и действий передаётся цифровым сотрудникам.

🎙 Отдельная дискуссия - «Кто в ответе за ИИ-агента?»
Юристы, ИБ, разработчики, бизнес и владельцы данных - столкновение позиций вокруг главного вопроса: что именно мы готовы делегировать агенту и кто будет отвечать, когда он начнёт действовать самостоятельно?

Для CDO здесь особенно важный вопрос: готова ли ваша система Data Governance к тому, что новым потребителем данных становится не человек, а автономный ИИ-агент?

📅 14 октября 2026
🔗 https://www.osp.ru/lp/ai2026

🎟 Коллегам из Клуба CDO - промокод на бесплатное участие: freeAI26

ссылка на регистрацию: https://forms.yandex.ru/u/6abcff8f90fa7b10649105d6/

Дайджест статей

📰 Lakekeeper и Apache Polaris: сравниваем REST-каталоги для Iceberg
🔗 https://habr.com/ru/articles/1087262/
💡 Небольшой команде с 1-2 движками бери Lakekeeper; федерацию Glue+Hive и Delta/Hudi в одном каталоге закрывает только Polaris.

📰 Как BI‑команда краснодарского ИТ‑хаба мигрировала HR‑отчетность и собрала GuideBook
🔗 https://habr.com/ru/companies/tbank/articles/1087640/
💡 При переезде BI на ClickHouse сначала оптимизируй ORDER BY, партиции и Jinja-фильтры, потом визуал - это дало x2 по скорости.

📰 Не начинать с LangChain: как спроектировать корпоративную GenAI платформу до реализации
🔗 https://habr.com/ru/articles/1086836/
💡 Фильтруй ACL до попадания чанков в prompt и тестируй, что RAG не обходит авторизацию, закрытую на REST-эндпоинтах.

📰 ИИ в финансовой аналитике: от текстового запроса до готового дашборда за несколько минут
🔗 https://habr.com/ru/companies/diasoft_company/articles/1089172/
💡 Давай агенту описания таблиц и полей, а не сами данные, и проверяй сгенерированный SQL до того, как по дашборду примут решение.

📰 Semantics for the Emerging Enterprise Agent Ecosystem
🔗 https://agenticmesh.substack.com/p/semantics-for-the-emerging-enterprise
💡 Вынеси определения бизнес-терминов из датасетов в отдельный слой, на который ссылаются таблицы, иначе агенты утонут в семантических силосах.

📰 Data mart vs semantic layer when do you need both aedbad
🔗 https://medium.com/@kausik.kb.bhowmik/data-mart-vs-semantic-layer-when-do-you-need-both-ae625db547ad
💡 Начни с одной спорной метрики: пропиши контракт (grain, время, исключения, владелец) и гоняй параллельно со старой логикой.

📰 Agentic Machine Learning Modeling at Instacart
🔗 https://tech.instacart.com/agentic-machine-learning-modeling-at-instacart-fb3ecd295ee7
💡 Разделяй агента-модельера и агента-оценщика и вшей в харнесс проверки утечек - агенты подглядывают в holdout и тащат будущее в фичи.

📰 The Evolution of Ontology: From Formal Semantics to Knowledge Graphs, Decisions and AI Agents
🔗 https://medium.com/@yu-joshua/the-evolution-of-ontology-from-formal-semantics-to-knowledge-graphs-decisions-and-ai-agents-dfe8814dcc1b
💡 Описывай для агентов не только сущности, но и действия: предусловия, эффекты, обратимость и право их выполнять.

Улыбнуло https://youtu.be/62_ZgVS6XxI?is=akd0H9J-yi_wqjzO

To whom it may consern

На этой неделе выступал на небольшом мероприятии, где поделился кое какими размышления про ИИ в глобальном плане. Если кому то интересно - ниже тезисы и ссылка на презентацию.

Вступление. Закон Амары: мы переоцениваем технологию на коротком горизонте и недооцениваем на длинном. С AI это работает в обе стороны одновременно: ждём от моделей чуда завтра и не видим, как они перестраивают экономику, право и государство на горизонте десяти лет.

Сейчас: почему мы переоцениваем

Мощность растёт быстрее полезности. На простых задачах модели блестящи, на сложных - буксуют, потому что им не хватает контекста о тебе, твоих процессах, твоих правилах. Формула, которую я увидел на конференции: реальная эффективность = интеллект модели × контекстное знание. Второй множитель почти у всех близок к нулю, и никакой рост первого это не компенсирует.

Экспонента упрётся в S-кривую. Три ограничителя: данные (доступный корпус текстов уже выбран), энергия (под следующий порядок мощности нужны новые АЭС или ЦОДы в космосе), компьют (чипов физически не хватает). Прогнозы экстраполируют текущую скорость, а каждая технология в истории выходила на плато.
Побеждает комбинация, а не замена.

Плато - у одной архитектуры. Когда монолитная модель упирается в потолок, начинается следующая S-кривая.

Потом: почему мы недооцениваем

Технология: AI - это идея, а не сервер.

Распределённые специализированные модели. Одну модель нельзя наращивать бесконечно, значит - сеть специализированных LLM (математика, право, медицина), соединённых как отделы мозга. Распределённые системы - не новость, это фундамент всей индустрии ПО. Следствие для регулятора: контролировать сеть сложнее, чем актив.

Эфемерное и гиперперсональное ПО. Код перестаёт быть активом: его генерируют за минуты. Ценность уходит в идею и промпт. Вместо приложения передаётся промпт, который соединяется с твоими правилами и собирает софт на лету - и исчезает, когда он не нужен. IP-право придётся перестраивать, как и в книгах и кино. Шедевры останутся, но массовый контент станет персональным.

Экономика

Корпорации проигрывают малому бизнесу. Самое ценное знание в компании неявное: кто за что отвечает, у кого просить апрув, какие правила не записаны. Индустрия 50 лет наводит порядок в корпоративных данных и не закончила, а LLM нужны не данные, а знание, процессы и правила. Компания из 15 человек, где всё в голове у основателя, получает второй множитель формулы почти бесплатно.

Геополитика

Технологическая независимость - главная тема весенних конференций (London Tech Week и другие). Европа отстаёт уже на уровне доступа: персональный агент Meta Muse работает только в США (с 8 сентября) и Канаде (с 18 сентября), у UK, ЕС, Индии и Австралии даты нет. Прецедент неприятный: обычный Meta AI добирался до UK около 18 месяцев после запуска в США.

Контроль AI - по модели контроля вооружений, а не ядерной энергетики. Тяжёлое вооружение - фронтир-модели - под прямым надзором государства. Лёгкое - локальные модели на ноутбуке - доступно гражданам по правилам: лицензии, возрастные ограничения, регистрация GPU выше порога мощности. Государство задаёт правила игры, а не национализирует OpenAI и Anthropic.

Люди

Образование: понимание без памяти. Исследования показывают: ученики с AI решают задачи лучше в моменте, но хуже удерживают знание, когда AI забирают. Для индустрии это усиливает проблему джунов: рутина, на которой раньше росли сеньоры, исчезает, а вместе с ней и путь к опыту.

Вывод. Главный вызов - не технологический, а человеческий: «кто я?». Пока рутину делали люди, миллионам из них судьбу предопределяла среда, и вопрос самоидентичности не вставал. Когда AI заберёт рутину, этот вопрос встанет перед всеми. Ответ один: сначала найти, что ты хочешь изменить в мире, и только потом брать для этого новый инструмент. Проблема первичнее инструмента.

https://speakerdeck.com/shamansw/ai-in-2026-overestimated-now-underestimated-later