Телеграм канал «Клуб CDO»

Разбираем новые тайтлы для LinkedIn

💥 Сначала подогнал формулу под данные, потом придумал, почему она работает: так 19 октября 1900 года родилась квантовая физика

Ровно 126 лет назад Макс Планк представил закон излучения абсолютно чёрного тела. Классическая физика конца XIX века предсказывала, что на коротких длинах волн энергия излучения растёт без предела, вплоть до бесконечности. Это называли ультрафиолетовой катастрофой. На графике она выглядит как чёрная кривая, которая улетает вверх и никак не совпадает с экспериментом.

Формула Планка описала спектр точно при любой температуре. Цветные кривые на графике, для 3000, 4000 и 5000 К, плавно поднимаются, достигают пика и падают, ровно как показывают измерения. Чем горячее тело, тем сильнее пик сдвигается в сторону видимого света и коротких волн.

История получилась знакомой любому, кто работал с данными. Планк сначала нашёл выражение, которое хорошо ложилось на свежие экспериментальные результаты берлинских физиков, а уже потом искал для него физический смысл. Он признавался, что пошёл на это почти от отчаяния. Объяснение потребовало допустить, что энергия излучается и поглощается не любыми порциями, а отдельными квантами. Планк сам не был уверен, что это больше, чем математический приём, но именно с этого допущения начался путь к квантовой механике.

Спустя почти век и четверть квантовые модели стали рабочим инструментом: от физики материалов до квантовых схем и алгоритмов, которые сегодня обсуждают рядом с ИИ. Всё началось с одной кривой, которая наконец совпала с данными.

Всех причастных с праздником!

Claude уверенно съедает BI 🙂 https://claude.com/resources/articles/dashboards-and-motion?utm_source=substack&utm_medium=email

Дайджест статей

📰 AI Agents (07): Agentic Harness (Frameworks)
🔗 https://medium.com/codetodeploy/ai-agents-07-dissecting-frameworks-for-developing-ai-agents-a392c57448c8
💡 Выбирая агентный фреймворк, сначала проверь оркестрацию (чекпоинты, HITL, recovery), потом считай цену привязки к облаку вендора.

📰 Ошибки RAG: 6 причин, почему лагает память ИИ-агента, и как провести диагностику retrieval
🔗 https://habr.com/ru/companies/speshu_ai/articles/1093732/
💡 Прежде чем менять LLM или поднимать top-k, замерь Context Recall: большинство поломок RAG сидит в retrieval, а не в генерации.

📰 Как ускорить обработку данных. Часть 2: распараллеливание цифровых схем по зависимым операциям
🔗 https://habr.com/ru/companies/yadro/articles/1094238/
💡 Ускоряя КИХ-фильтр на ПЛИС, начинай с конвейеризации зависимых операций, параллелизм по данным добавляй вторым шагом.

📰 Оркестратор Apache Airflow: что это и как используется в BI и DWH
🔗 https://habr.com/ru/articles/1094354/
💡 Держи Airflow дирижёром batch-цепочек DWH; для стриминга бери Kafka/Flink, а если в центре lineage и качество данных - смотри Dagster.

📰 Как мы развиваем агентный сервис для работы с аналитическими данными
🔗 https://habr.com/ru/companies/yoomoney/articles/1095462/
💡 Строя Text2SQL, проверяй не только синтаксис, но и смысл и результат запроса: правдоподобное неверное число - самая дорогая ошибка.

📰 Фреймворк RAFT: как работает RAG на максималках от Microsoft
🔗 https://habr.com/ru/companies/ru_mts/articles/1089320/
💡 Индексируй тикеты поддержки по этапам расследования, а не целиком: так нужный кейс находится на 11-17 п.п. чаще обычного RAG.

📰 AI‑агент вместо ручного регресса: архитектура, метрики, инсайты
🔗 https://habr.com/ru/companies/tbank/articles/1081416/
💡 Внедряя VLM-агента в регресс, переписывай тест-кейсы под новичка без контекста: тесты, написанные для людей, агенту бесполезны.

📰 Turning AI Prompting into an Engineering Practice
🔗 https://dzone.com/articles/understanding-golden-prompts
💡 Храни промпты для типовых инженерных задач как версионируемые артефакты с владельцем и обязательными гейтами по безопасности и точности.