Телеграм канал «Клуб CDO»

Тут у меня есть совсем небольшая заметка про агентов, и я хочу ею поделиться по той простой причине, что, с моей точки зрения, она максимально чётко объясняет, что такое «ИИ-агент» и как он работает. Вот извините меня, но все эти маркетинговые «объяснения» в духе «самостоятельно действует», «использует инструменты» и т. д. — для меня всё равно остаются непонятными на уровне физики процесса. Километры слов не могут сказать больше, чем 50 строк кода. Смотришь на примеры — и сразу становится видно: берут LLM, оборачивают её вызов в цикл, в этом цикле анализируют ответ и через простые «если-то» добиваются нужного результата. Вот и весь «агент» 🙂 По большому счёту, вся индустрия ИИ сейчас — это «оборачивание LLM во всё более сложный процедурный код». https://dzone.com/articles/chatbot-to-agent-react-pattern-python

Даджест статей 📰: Хотели ускорить Postgres, а построили платформу репликации данных Ссылка: https://habr.com/ru/articles/985236/ Вывод одной строкой: При разработке платформы репликации данных важно учитывать не только производительность, но и архитектурные решения, которые могут существенно повлиять на эффективность работы с Postgres. 📰: Ускорение разработки с ИИ на примере DAX и Power BI Ссылка: https://habr.com/ru/articles/984300/ Вывод одной строкой: При использовании DAX и Power BI для ускорения разработки с ИИ важно учитывать особенности данных, требования к визуализации и возможности автоматизации процессов, чтобы достичь максимальной эффективности аналитики. 📰: Copilot в Power BI: 6 сценариев использования Ссылка: https://habr.com/ru/companies/yandex_praktikum/articles/980808/ Вывод одной строкой: При использовании Copilot в Power BI важно учитывать различные сценарии применения для оптимизации анализа данных и повышения эффективности работы с отчетами. 📰: Наглядная аналитика: разбираем кейсы по работе с данными через OLAP-кубы Ссылка: https://habr.com/ru/companies/slsoft/articles/985582/ Вывод одной строкой: При работе с данными через OLAP-кубы важно учитывать особенности структуры данных и бизнес-требования для достижения эффективной аналитики и принятия обоснованных решений. 📰: Разметка данных: самая дорогая часть машинного обучения Ссылка: https://habr.com/ru/companies/bothub/articles/985662/ Вывод одной строкой: Разметка данных является ключевым и затратным этапом в процессе машинного обучения, требующим тщательного планирования и ресурсов для достижения высококачественных результатов. 📰: Data Lakehouse vs. Data Mesh: Scalable Data Architectures Ссылка: https://dzone.com/articles/data-lakehouse-vs-data-mesh-rethinking-scalable-da Вывод одной строкой: При выборе между архитектурами Data Lakehouse и Data Mesh важно учитывать особенности обработки данных, требования к масштабируемости и распределению ответственности в команде. 📰: Zeta’s Lakehouse Journey: A Composable, Scalable, and Federated Architecture Ссылка: https://medium.com/@zeta-decoded/zetas-lakehouse-journey-a-composable-scalable-and-federated-architecture-df0ab5f19c3a Вывод одной строкой: При разработке архитектуры Lakehouse важно учитывать композируемость, масштабируемость и федеративный подход для достижения эффективной интеграции и обработки данных. 📰: How I Structure My Data Pipelines Ссылка: https://loglevelinfo.substack.com/p/how-i-structure-my-data-pipelines Вывод одной строкой: Структурирование дата-пайплайнов требует тщательного планирования и учета всех этапов обработки данных, чтобы обеспечить их надежность, масштабируемость и эффективность в конечном продукте. 📰: Data Engineering in 2026: What Changes? Ссылка: https://gradientflow.substack.com/p/data-engineering-for-machine-users Вывод одной строкой: В 2026 году ключевыми факторами успешной работы в области инженерии данных станут адаптация к новым технологиям, акцент на автоматизацию процессов и интеграция с машинным обучением для повышения эффективности обработки данных. 📰: A Critique of Iceberg REST Catalog: A Classic Case of Why Semantic Spec Fails Ссылка: https://www.dataengineeringweekly.com/p/a-critique-of-iceberg-rest-catalog?publication_id=73271&post_id=183990563&isFreemail=true&r=15862q&triedRedirect=true Вывод одной строкой: При разработке систем каталогизации данных важно учитывать ограничения семантических спецификаций, чтобы избежать проблем с совместимостью и функциональностью.

Сегодня в рубрике "космическая страничка" ссылка на отличный документальный филь который покрывает основные направления развития комических исследований и "направлений полета", дает представление о том, что нас окружает в космосе и поможет сформировать ваше собственное представление о том, какие перспективы тут могут ждать человека. Фильм представляет собой научно-популярный рассказ о современных и будущих технологиях освоения космоса и исследования солнечной системы, а также о перспективах межзвёздных путешествий. Он подробно описывает миссии космических аппаратов, таких как зонд Паркер, который приближается к Солнцу, и легендарные зонды Вояджер, Пионер и Новые горизонты, исследующие дальние объекты Солнечной системы и выходящие за её пределы. Фильм объясняет строение Солнца, загадки его короны и задачи зонда Паркер по изучению солнечной плазмы и магнитных полей. Далее рассматриваются проблемы и возможности преодоления огромных межзвёздных расстояний, включая разные типы двигателей — химические, ядерные, ионные, солнечные паруса, фотонные звездолёты, а также гипотезы о сверхсветовых путешествиях, связанные с концепцией пузыря Алькубьера. https://www.youtube.com/watch?v=zz_q5gOQXmM&t=2970s

В копилку для интересующихся - книга введение в спортивное (соревновательное) программирование и алгоритмы. Не новая (2018 год) но кажется довольно содержательная. Книга последовательно покрывает ключевые темы алгоритмов и структур данных: • базовые техники: перебор, жадные алгоритмы, «двух указателей», meet-in-the-middle • динамическое программирование (классические и продвинутые задачи) • структуры данных: сегментные деревья, BIT, хеширование, tries • графы: обходы, кратчайшие пути, потоки, паросочетания • теория чисел и комбинаторика • строковые алгоритмы (Z-алгоритм, хеши и др.) • теория игр (включая теорему Шпрага–Гранди) • вероятностные методы, рандомизированные алгоритмы • основы вычислительной геометрии

Россия на 119 месте по темпам внедрения ИИ: между Кенией и Камеруном Таковы данные по итогам 2025 от Института экономики ИИ Microsoft 1) 119-е место России по темпам внедрения ИИ эксперты Microsoft обосновывают так: • Распространение ИИ в 1-й половине 2025 года – 7.6% • Во 2-й половине – 8% • Рост – 0.4% Для сравнения показатели роста ряда стран: Мировой лидер роста ОАЭ – 4.5% (с 59.5% до 64%) Франция – 3.1% (с 40.9% до 44%) Германия – 2.1% (с 26.5% до 28.6%) США – 2.1% (с 26.3% до 28.4%) Иран – 1.1% (с 9.6% до 10.7%) Китай – 0.9% (с 15.4% до 16.3%) Беларусь – 0.8% (с 7.6% до 8.4%) Венесуэла – 0.7% (с 8.3% до 9%) Россия – 0.4% (с 7.6% до 8%) Туркменистан – 0.4% (с 5.1% до 5.6%) 2) Распространение ИИ в экономике стран мира во второй половине 2025 года показано на верхнем слайде. Это доля пользователей ИИ в населении. В России – менее 10% (низшая категория среди стран) 3) На нижнем сладе показана доля рынка китайской модели DeepSeek во 2-м полугодии 2025 года. В России эта доля составила 43%. Если эти цифры верны, получается так: • доля рынка DeepSeek в России выросла во 2-м полугодии 2025 по сравнению с 1-м примерно на 50% (с 28% до 43%) • и теперь DeepSeek – абсолютный лидер в России среди ИИ-моделей (ChatGPT – около 40%, GigaChat и Qwen около 6%, «Алиса AI» (ранее YandexGPT) около 5%. Т.е. ситуация с конкуренцией России и Китая на российском рынке ИИ-моделей даже хуже, чем на российском рынке автомобилей (тут у LADA более 20%, а у китайцев около 49%) А мы всё российский автопром ругаем 🤯. #ИИ #Россия

Интересная статистика

VTORNIK.Вечер #5 27 января, с 19:00 до 21:00 мы приглашаем вас на наш первый митап в новом году. Он пройдет офлайн и будет посвящен тому, как подходить к внедрению AI в корпорациях. В этот раз вас ждет следующая программа: ———————————— 1️⃣ Персонализация под капотом или грабли на пути к счастью клиентов Спикер: Александр Ульянов, Директор по Персонализации, Звук (Сбер) В прошлом Chief Data Scientist Платежей и Переводов В2С, Сбер | MLOps & MLPlatform B2C Lead, Сбер | Product Lead "Контекстные рекомендации В2С", Сбер. 2️⃣ Внедрение AI-агента в процесс инцидент-менеджмента в телекоме Спикер: Александр Иваночкин, DS Team Lead, билайн. Ранее 8 лет внедрял решения на основе AI в банковской сфере, в роли исполнительного директора лидировал внедрение ИИ в программу лояльности Сбера. ———————————— Место проведения: Офис наших партнеров — компании «Virtu Systems», адрес: м. Кропоткинская / м. Полянка, Берсеневская наб., 6, стр. 2, Москва, 3-й этаж. Мероприятие бесплатное. Регистрация обязательна. Количество мест ограничено. Будем рады всех видеть!