Дайджест статей

Что такое дрифт ML-моделей и как его мониторить?
https://habr.com/ru/companies/selectel/articles/808335/

Predictive Analytics — все, что нужно знать (обзор ключевых моментов)
https://habr.com/ru/articles/808423/

Как бизнес-аналитику выстроить работу в проектах DWH (Data Warehouse). Структура работ
https://habr.com/ru/articles/807913/

Как я проходила стажировку в отделе аналитических решений почти без опыта работы с данными
https://habr.com/ru/companies/yoomoney/articles/807087/

Как учить большие языковые модели (теоретический туториал)
https://habr.com/ru/articles/809037/

ГАЙД по python стеку для Data Science инженеров
https://habr.com/ru/articles/809181/

How is machine learning changing the landscape of FinTech?
https://www.datasciencecentral.com/how-is-machine-learning-changing-the-landscape-of-fintech/?utm_source=pocket_saves

Using window functions for advanced data analysis
https://www.datasciencecentral.com/using-window-functions-for-advanced-data-analysis/?utm_source=pocket_saves

The Role of Data Structures and Algorithms in Software Development
https://www.smartdatacollective.com/role-of-data-structures-algorithms-in-software-development/?utm_source=pocket_saves

Забавно :)

Интересное исследование от MIT в области ИИ-агентов. Они разработали метод моделирования поведения агента, будь то человек или машина, учитывающий неизвестные вычислительные ограничения (я так понимаю, что имеется ввиду пространство вероятных следующих действий), которые могут препятствовать решению задач. Их модель может автоматически выводить вычислительные ограничения агента, основываясь только на нескольких следах его предыдущих действий. Результат можно использовать для прогнозирования его будущего поведения.

Исследование показало, что этот метод может быть использован для прогнозирования действий игроков в шахматных матчах и определения целей навигации по предыдущим маршрутам. Этот подход может помочь создать более эффективных ИИ-агентов, способных лучше взаимодействовать с человеком.

https://news.mit.edu/2024/building-better-ai-helper-starts-with-modeling-irrational-behavior-0419?utm_source=pocket_saves

Кстати, кто то пробовал Mojo? Не первый раз встречаю описание, везде заявляется и подтверждается кратное увеличение производительности по сравнению с Python и совместимость с ним же. Но я так понимаю, что эта производительность проявляется именно в работе с ML моделями и подобными параллезуемыми задачами, а с точки зрения general development вроде как не должно быть кардинальных отличий?

https://habr.com/ru/companies/raft/articles/808517/

А вот вопрос ко всем - что какие AI Copilot для написания кода использует? Я вот в основном by default хожу в ChatGPT просто, ну и в VS стоит слагин GitHub Copilot.

Но думаю что надо бы повнимательнее посмотреть вот эти:

- codium
- tabnine

Есть какие то у кого уже выводы по этой теме?

https://habr.com/ru/companies/bothub/articles/809421/

В копилку полезностей :)

Коллеги из АЭРО проводят иследование на тему использования данных в ecomm и просят всех, кому тема близка, поучастсовать в исследовании и пройти опрос. Внесите свой вклад в развитие культуры данных 🚀!

Предоставляю слово коллегам: "Последние несколько лет АЭРО уделяет всё больше внимания тому, как компании работают с данными. Вместе с Universe Ecom Convention мы решили провести исследование — оцифровать опыт людей и брендов и узнать об особенностях, с которыми сталкиваются сотрудники при использовании данных.

Предлагаем принять участие в опросе — это займет не более 10 минут. Результаты исследования презентуем 23 мая на Международном Форуме Universe Ecom Convention 2024. "

➡️Переходите по ссылке и внесите свой вклад в развитие культуры данных!
Мы будем вам очень признательны!💜

https://docs.google.com/forms/d/e/1FAIpQLSe6yoMH0M9_EzrC9mQW75VxHJi7eEyPt_PcdZBOLOciv99SKg/viewform

Уже через час начнется эфир с исторического автодрома Яс Марина 27 апреля на уникальную гонку автономных транспортных средств. Самые передовые автономные автомобили мира, управляемые AI, пройдут 5-километровую трассу, преодолевая 16 сложных поворотов на протяжении 16 кругов.

Трансляция достпна по ссылке: https://www.youtube.com/watch?v=TPzBH-7ckO0

Apple зарелизили open-source языковые модели, которые работают на устройстве.

https://www.macrumors.com/2024/04/24/apple-ai-open-source-models/

Дайджест статей

How AI Is Changing Data Analytics in 2024
https://www.smartdatacollective.com/how-ai-is-changing-data-analytics/?utm_source=pocket_saves

Временное хранилище данных на Apache Druid: почему это эффективно сработало для загрузки табличных файлов
https://habr.com/ru/articles/809751/

Эволюция обработки данных: от MapReduce к стриминговому движку
https://habr.com/ru/companies/yandex/articles/808059/

Креативность для аналитика данных: нужна ли, как проявляется и как развивать
https://habr.com/ru/companies/yandex_praktikum/articles/809497/

ClearML Data Management
https://habr.com/ru/companies/magnus-tech/articles/810435/

Как и почему мы построили Единую историю операций на Citus DB
https://habr.com/ru/companies/gazprombank/articles/810477/

Как Figma удалось открыть себе путь к почти бесконечному масштабированию баз данных
https://habr.com/ru/articles/810185/

How to implement big data for your company
https://www.datasciencecentral.com/how-to-implement-big-data-for-your-company/?utm_source=pocket_saves

Если кто то пропустил просмотр исторического события - первой гонки AI, то вот нарезка самый выдающихся моментов эпического заезда 🙂

Сори, за оффтопик, но не могу не поделиться :)

My key takeaways after building a data engineering platform

Небольшая, но интересная статья про практический опыт построения платформы данных. Тут нет описания особенностей, связанных непосредственно с данными, но тем не менее есть несколько любопытных моментов, связанных с разработкой.

В частности, очень правильное утверждение, что удалять код - необходимая и правильная практика для поддержания качества продукта. Хотя общепринятый в индустрии подход в оценке производительности разработчиков построен в основном на добавлении кода. Продукт состоит из функциональности, которая призвана решить конкретную проблему для клиента. Именно поэтому многие инженеры, а также руководители инженерных подразделений считают, что только написание кода считается работой с добавленной стоимостью. Однако автор твердо убежден (и я тут его поддерживаю), что продукт может оставаться актуальным в долгосрочной перспективе только в том случае, если вы также умеете удалять код.

https://medium.com/datamindedbe/my-key-takeaways-for-building-a-data-product-307ad06e529f