Телеграм канал «Клуб CDO»

Небольшой персональный пост гордости за команды CleverDATA и «Лемана ПРО» которые построили мощную систему персонализированных коммуникаций и customer intelligence для одной из крупнейших торговых сетей страны. Масштаб задачи: 114 магазинов, маркетплейс, 20+ млн клиентов в год, больше 300 информационных систем и 130 продуктовых команд, у каждой из которых свой кусок правды о клиенте.

Система развёрнута во внутреннем контуре заказчика, объединяет 50+ систем и принимает поток событий в реальном времени. Поверх неё работают ML-модели, которые выдают конкретику: клиент в Новосибирске скоро начнёт делать кухню и, скорее всего, пойдёт вот в этот магазин. Прогрев начинается до того, как человек пришёл за покупкой.

Что получилось в цифрах:
• в 3 раза больше персональных касаний
• в 1,5 раза выше конверсия из клика в заказ
• в 10 раз быстрее запуск персональных кампаний
• подготовка кампании сократилась с двух недель до трёх дней
• новый аудиторный признак теперь занимает 1-3 дня вместо недели ручной работы аналитика

Платформа CDJ стала общей базой клиентских данных для маркетинга, аналитики, лояльности и продуктовых команд. Сегмент, за которым раньше неделю ходили к аналитикам, теперь собирается в интерфейсе за день. Контроль качества данных раньше съедал 1-3 дня ручной работы, теперь он срабатывает автоматически.

Это та самая инфраструктурная работа, без которой «AI-персонализация» остаётся слайдом в презентации. Спасибо команде «Лемана ПРО» и нашим ребятам из CleverDATA, сделали большое дело.

https://www.sostav.ru/publication/kejs-lemana-pro-i-cleverdata-86941.html

Друзья!

Вышел новый Альманах «ИИ в промышленности» от Аналитического центра Института искусственного интеллекта МФТИ.

В новом Альманахе собрали 17 реальных кейсов внедрения ИИ на предприятиях.

Здесь не только про технологии, но и про результат: оптимизацию производства и цепочек поставок, машинное зрение, роботизацию, генеративный ИИ и другие решения.

Все говорят о внедрении ИИ, но почти никто не приводит конкретные результаты. Поэтому мы специально посчитали экономический эффект, собрав всю имеющуюся у нас информацию, опираясь на опубликованные цифры и наши данные о технических результатах.

В 12 кейсах годовой экономический эффект в сумме превышает 4,3 млрд рублей. В отдельных проектах — сотни миллионов и миллиарды рублей в год.

👉 Читайте Альманах «ИИ в промышленности»:
https://aireport.ru/industry

Состоявшийся IFT-14 был не просто тестом, а первым полётом, когда Старшип выполнил какую-то полезную работу.

28 сентября 2026 года Старшип B21/S41 успешно стартовал и впервые достиг реальной орбиты (до этого все полёты старшипа были суборбитальными).

Ускоритель B21 отработал штатно. Несмотря на непредвиденное отключение одного из вакуумных двигателей Raptor во время подъема, заложенный резерв надёжности корабля S41 позволил компенсировать эту потерю и старшип вышел на расчетную орбиту высотой 275 км.

Изначально планировалось, что S41 проведет в космосе почти 10 часов и совершит 6 витков. Однако из-за этой проблемы с двигателем при взлете команда решила проявить осторожность и сократить программу: тормозной импульс был выполнен досрочно, и полет завершился контролируемым приводнением примерно через 3 часа и 9 минут после старта.

Полёт стал историческим, так как впервые носил коммерческий характер. Старшип успешно вывел на орбиту 26 тяжёлых спутников следующего поколения Starlink V3. Три из этих спутников были оснащены камерами для внешнего осмотра теплозащитного экрана Starship после отделения.

Для проверки многоразовости на S41 установили две теплозащитные плитки, которые ранее уже летали в космос на корабле S40 и который сейчас плывёт в Техас с места прошлой посадки.

Ускоритель B21 совершил приводнение в Американском заливе (бывшем Мексиканском), однако при торможении во время посадки наблюдались проблемы с перезапуском – запустились 11 из 13 двигателей.

Корабль S41, как и предыдущий S40, успешно пережил вход в атмосферу, выполнил маневр переворота и мягко приводнился в северной части Тихого океана. Другой корабль - S40 сейчас уже плывёт в Техас на барже, поскольку ещё один корабль тащить через океан неудобно, его подорвали динамитом FTS после посадки.

Уже сегодня, один запуск старшипа со тяжёлыми старлинками V3 заменил три меcяца пусков классических старлинков на старой доброй F9.

Старлинки третьего поколения – это монстры, размером 7 x 7 метров, которые по габаритам не влезают ни на какую другую ракету в мире, они весят в 4 раза больше предыдущего поколения спутников и обеспечивают пропускную способность интернета в 20 раз больше, достигая чудовищного значения в 1 Терабит.
Для сравнения - весь мировой интернет трафик человечества, включая всё-всё: от китайского интернета до чёрно-жёлтого ютуба - это 3000 Терабит. Соответственно, для того чтобы перекачивать весь интернет, нужно всего лишь 3000 таких спутников V3 и всего лишь 100 таких запусков старшипа.

Этот полет официально ознаменовал переход программы Starship от суборбитальных испытаний к полноценным коммерческим орбитальным операциям с доставкой реальных грузов.
Также это стало моментом начала плавного закрытия программы классической Falcon 9.

Уже сейчас новый старшип, как замена F9, начинает приносить компании SpaceX деньги, хотя пока и в усечённом варианте с не полностью отработанной полной многоразовостью.

🚀 «Юра, прости»

Всех причастных поздравляю с успешным запуском Звездокорабля 14

Эпоха эфемерного программного обеспечения

Мы полвека учились строить системы, которые живут годами. Похоже, следующие лет десять будем учиться строить системы, которые живут несколько минут.

После Big Data LDN хочу поделиться докладом Joe Reis "От машинерии данных к смыслу и агентности в AI-организациях".

Полный транскрипт и слайды - в комментарии, ниже мое самари и основные выводы.

Джо Райс - соавтор Fundamentals of Data Engineering (O'Reilly), ведущий The Joe Reis Show, "выздоравливающий data scientist" с 25 годами в индустрии.

Его главный тезис: индустрия данных четверть века улучшала машинерию - перемещение и хранение. Это сработало: хранить и гонять данные стало элементарно. Но почти ни одна компания не работает с данными хорошо, потому что узкое место никогда не было техническим. Оно организационное: владение, общий смысл, доверие.

Ключ к этому - закон Конвея 1968 года: система копирует коммуникационную структуру организации, которая её строит. Две команды не разговаривают друг с другом, у них разные определения одного и того же, и хранилище с пайплайнами в итоге повторяет оргструктуру.

Проблемы координации десятилетиями маскируются под проблемы данных. Теперь в эти человеческие проблемы сбрасывают AI. По его опросу, 69% говорят, что AI дисфункцию не уменьшил, а половина из них - что стало хуже.

Параллельно с данными сталкивается мир знаний: онтологии, семантика, графы знаний, контекст. Задача больше не в том, чтобы смоделировать базу данных. Нужно смоделировать достаточно большой кусок мира организации, чтобы машина могла о нём рассуждать.

Райс описывает, куда движутся инженеры в Google. Поднять Postgres на семь минут, собрать граф датасетов, материализовать результат в DuckDB, создать песочницу с нужными правами и уничтожить её. Это разворот на 180 градусов: мы привыкли строить долгоживущие распределённые системы, а агенту нужен черновик на время задачи.

Модели данных становятся такими же одноразовыми - строятся под задачу и разбираются после. Поэтому provenance и lineage должны стать объектами первого класса в метаданных, иначе через час никто не восстановит, откуда взялась цифра.

Облака когда-то превратили серверы из питомцев в эфемерное облако «по запросу». Агенты делают следующий шаг: одноразовыми становятся не только серверы, но и схемы, модели, скрипты, целые приложения под одну задачу. Стоимость создания кода и инфраструктуры стремится к нулю.

Стоимость ошибки в правилах вокруг них растёт.
Значит, долговечным остаётся не артефакт, а рамка вокруг него. Райс формулирует её через контракты: схема говорит агенту, как выглядят данные, семантика - что они значат, намерение - что с ними разрешено делать.

Инженер завтрашнего дня проектирует не пайплайны, а четыре вещи:
- реальность - что представлено в данных и модели;
- контекст - что агентам можно обнаружить, а что нельзя;
- границы - контракты, права, governance;
- среды исполнения - где агентам вообще разрешено работать, раз уж они научились сбегать из песочниц.

Код становится расходником. Смысл и правила становятся активом.

Похоже это очень серьезный сдвиг парадигмы.

Дайджест статей

📰 Автоматизация Data Quality: как мы изменили подход к нашим инструментам
🔗 https://habr.com/ru/companies/tbank/articles/1085014/
💡 Отдай генерацию DQ-проверок агенту поверх каталога метаданных с обязательным HITL: 373 таблицы покрыты за три дня силами трёх стажёров.

📰 От сырых проверок качества данных до понятной картины в OpenMetadata
🔗 https://habr.com/ru/companies/magnit/articles/1085076/
💡 Интегрируя внешние DQ-проверки в OpenMetadata, ставь Kafka перед медленным API (около 1 с на запрос) и используй 409 как идемпотентность.

📰 Как устроена платформа данных «АстраЗенека» в России: BI, DWH и Data Lake в одном контуре
🔗 https://habr.com/ru/companies/astrazeneca/articles/1085060/
💡 Разводи запросы по контурам: официальная цифра - в DWH, гипотеза - в озеро, а приёмку работ делай через описание объектов в каталоге.

📰 VK Data Platform под капотом: как устроена платформа для Data Lakehouse
🔗 https://habr.com/ru/companies/vktech/articles/1086190/
💡 Выбирая Lakehouse, проверяй изоляцию compute-пулов над единым Iceberg-слоем, иначе тяжёлый Spark ETL будет тормозить BI.

📰 BI в эпоху ИИ: BI больше не нужен? Да здравствует BI
🔗 https://habr.com/ru/companies/luxms_bi/articles/1086568/
💡 Вкладывайся в обвязку, а не в модель: LLM - расходник, а права, семантика данных и аудит действий агента переживают любую смену модели.

📰 Data-driven или data-hopeful: зачем аналитике становиться системой
🔗 https://habr.com/ru/companies/garage8/articles/1086780/
💡 Оценивай аналитику матрицей зрелости по семи доменам и расти на одно деление за цикл, защитив 10-15% времени аналитиков.

📰 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
💡 Прежде чем покупать semantic layer, напиши контракт на одну спорную метрику и прогони его параллельно со старой логикой.

📰 From Messy Data Models to Agentic Data Catalogs: Building an AI Data Architect with OKF and Gemini
🔗 https://medium.com/google-cloud/from-messy-data-models-to-agentic-data-catalogs-building-an-ai-data-architect-with-okf-and-gemini-75a20caee9ed
💡 Храни метаданные как Markdown в Git со ссылками-связями, и агенту хватит одного read-инструмента, чтобы трассировать lineage.