Небольшая шпаргалка на тему типовых схем данных в DWH - хорошие и наглядные картинки внутри
https://medium.com/@kazimali07/choosing-the-right-data-warehouse-schema-for-your-data-model-star-snowflake-data-vault-and-the-a6fb76490162
https://medium.com/@kazimali07/choosing-the-right-data-warehouse-schema-for-your-data-model-star-snowflake-data-vault-and-the-a6fb76490162
Medium
Choosing the Right Data Warehouse Schema for Your Data Model: Star, Snowflake, Data Vault, and the…
In the ever-evolving world of data management, selecting the appropriate data warehouse schema is crucial for building efficient, scalable…
Forwarded from Реймер | Трансформация Бизнеса
Мои ИИ-стек инструментов
За последние два года я попробовал больше сотни разных ИИ-инструментов. Многие не оправдали своих ожиданий, но есть звездочки, которые не только доказали свою ценность, но и стали незаменимыми партнерами в ежедневной деятельности.
Так получился мой ИИ-стек, которым я пользуюсь практически ежедневно.
▶️ Базовые LLM:
1. Claude - скоро будет год как для меня Claude - LLM #1. Долгое время я его использовал только через API в своих агентах, но с выходом 3.7 Sonnet и появлением интерактивного интерфейса, добавил подписку и на claude.ai.
2. ChatGPT - всегда рядом, на случай второго мнения. Использую только через API.
3. Deepseek - хорош, но на каждый день он слабее.
4. Google Gemini - открыл его для себя заново с появлением Gemini 2.0 Flash и расширением возможностей AI Studio, включая Realtime режим анализа стриминга с камеры (фильм "Она" все помним).
5. Grok - Deep Research с поиском в интернет и "думающий" режим, да еще и бесплатно (в одном из запросов модель пока размышляла, собрала 103 источника и сгенерировала 140 листов текста.... для выдачи ответа на 1 лист. не жалеет grok себя :) )
▶️ Для работы с информацией
6. NotebookLM - лучший бесплатный инструмент от Google для работы с документами. Загружаем до 50 источников (ссылки на youtube, pdf, видео файлы) и получаем интерактивный инструмент с поиском по документам. Практически все отчеты теперь читаю в нем.
7. Perplexity - отлично ищет информацию в интернет, но мне не нравится как он ее обрабатывает последние месяцы. Использую как инструмент через API в агентах.
▶️ Генерация изображений
8. Midjourney - 99% изображений создаю в нём. С настройкой собственных профилей (фактически файн-тюнинг по себя) всё чаще радует с первого раза.
9. DALL-E - для генерации изображений в своих агентах. (midjourney бы твой API)
10. Adobe - photoshop c ИИ хорош.
▶️ Видео и Аудио
11. Hailuo, Runway, Pika - как правило экспериментирую сразу с несколькими [1] [2]. Результат пока 50/50 - чаще не попадает в ожидания. Но сделать видео-поздравление по фотографиям - с этим инструменты справляются на ура.
12. Suno - лучший генератор песен и первый инструмент, у которого я сразу на год купил подписку. Песни-поздравления, треки для тренировок в нужном темпе, каверы в том стиле, в котором хочется. [1] [2] [3]
13. ElevenLabs - клонирование собственного голоса (настолько похоже, что сам пугаюсь). использую для своих аватаров и агентов. Ждем эмоции.
14. HeyGen - непосредственно создание цифровых аватаров. можно и через api.
▶️ Автоматизация и ИИ-агенты
- Интерфейс для работы с агентами - Телеграм или google таблицы - самые удобные для меня.
- Notion - обновление таблиц агентами, а Obsidian еще и как база данных для агента (через RAG).
- n8n - основной инструмент автоматизации. Есть несколько сценариев работающих на make, но они постепенно переписываются в n8n. В n8n очень удобная среда настройки агентов и добавление внешних инструментов. А скоро еще и MCP можно будет добавить... [1] [2] [3]
- IFTTT удобен для ряда сценариев, которые в n8n и make требуют кучу усилий или денег - например, выгрузка новостей из feedly в google таблицу.
- Для хранения данных нам нужна - классическая база данных (настройки и данные между процессами), быстрая база - ключ/значение (контекст и память) и векторная база в качестве RAG для агентов. Я пока остановился на Airtable, Xata и Pinecone.
- Ну и куда сегодня без вайб-кодинга. Использую Replit и Cursor. С выходом Claude 3.7 оба стали работать намного лучше. [1] [2]
А как прибавил сам Сlaude! - смотрим.
Универсальных решений нет, поэтому каждый собирает под себя свою удобную ИИ-команду!
Всех с пятницей! и нескучного погружения в мир ии-инструментов!
🅰️ 🅱️ @ReymerDigital
Что из звездочек я пропустил? пишите в комментарии
За последние два года я попробовал больше сотни разных ИИ-инструментов. Многие не оправдали своих ожиданий, но есть звездочки, которые не только доказали свою ценность, но и стали незаменимыми партнерами в ежедневной деятельности.
Так получился мой ИИ-стек, которым я пользуюсь практически ежедневно.
1. Claude - скоро будет год как для меня Claude - LLM #1. Долгое время я его использовал только через API в своих агентах, но с выходом 3.7 Sonnet и появлением интерактивного интерфейса, добавил подписку и на claude.ai.
2. ChatGPT - всегда рядом, на случай второго мнения. Использую только через API.
3. Deepseek - хорош, но на каждый день он слабее.
4. Google Gemini - открыл его для себя заново с появлением Gemini 2.0 Flash и расширением возможностей AI Studio, включая Realtime режим анализа стриминга с камеры (фильм "Она" все помним).
5. Grok - Deep Research с поиском в интернет и "думающий" режим, да еще и бесплатно (в одном из запросов модель пока размышляла, собрала 103 источника и сгенерировала 140 листов текста.... для выдачи ответа на 1 лист. не жалеет grok себя :) )
6. NotebookLM - лучший бесплатный инструмент от Google для работы с документами. Загружаем до 50 источников (ссылки на youtube, pdf, видео файлы) и получаем интерактивный инструмент с поиском по документам. Практически все отчеты теперь читаю в нем.
7. Perplexity - отлично ищет информацию в интернет, но мне не нравится как он ее обрабатывает последние месяцы. Использую как инструмент через API в агентах.
8. Midjourney - 99% изображений создаю в нём. С настройкой собственных профилей (фактически файн-тюнинг по себя) всё чаще радует с первого раза.
9. DALL-E - для генерации изображений в своих агентах. (midjourney бы твой API)
10. Adobe - photoshop c ИИ хорош.
11. Hailuo, Runway, Pika - как правило экспериментирую сразу с несколькими [1] [2]. Результат пока 50/50 - чаще не попадает в ожидания. Но сделать видео-поздравление по фотографиям - с этим инструменты справляются на ура.
12. Suno - лучший генератор песен и первый инструмент, у которого я сразу на год купил подписку. Песни-поздравления, треки для тренировок в нужном темпе, каверы в том стиле, в котором хочется. [1] [2] [3]
13. ElevenLabs - клонирование собственного голоса (настолько похоже, что сам пугаюсь). использую для своих аватаров и агентов. Ждем эмоции.
14. HeyGen - непосредственно создание цифровых аватаров. можно и через api.
- Интерфейс для работы с агентами - Телеграм или google таблицы - самые удобные для меня.
- Notion - обновление таблиц агентами, а Obsidian еще и как база данных для агента (через RAG).
- n8n - основной инструмент автоматизации. Есть несколько сценариев работающих на make, но они постепенно переписываются в n8n. В n8n очень удобная среда настройки агентов и добавление внешних инструментов. А скоро еще и MCP можно будет добавить... [1] [2] [3]
- IFTTT удобен для ряда сценариев, которые в n8n и make требуют кучу усилий или денег - например, выгрузка новостей из feedly в google таблицу.
- Для хранения данных нам нужна - классическая база данных (настройки и данные между процессами), быстрая база - ключ/значение (контекст и память) и векторная база в качестве RAG для агентов. Я пока остановился на Airtable, Xata и Pinecone.
- Ну и куда сегодня без вайб-кодинга. Использую Replit и Cursor. С выходом Claude 3.7 оба стали работать намного лучше. [1] [2]
А как прибавил сам Сlaude! - смотрим.
Универсальных решений нет, поэтому каждый собирает под себя свою удобную ИИ-команду!
Всех с пятницей! и нескучного погружения в мир ии-инструментов!
Что из звездочек я пропустил? пишите в комментарии
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Дайджест статей
From Lakehouse architecture to data mesh
https://medium.com/adevinta-tech-blog/from-lakehouse-architecture-to-data-mesh-c532c91f7b61
Why Text-to-SQL is Failing for Agents and How to Fix It?
https://medium.com/madhukarkumar/why-text-to-sql-is-failing-for-agents-and-how-to-fix-it-6cb4065d40e9
Decoding Data Products: The Building Blocks of Modern Data Strategy
https://medium.com/tech-lingo-unpacked/decoding-data-products-the-building-blocks-of-modern-data-strategy-8e8d78019694
Выбор локальной LLM модели. Публикация на сайт с чатом
https://habr.com/ru/articles/892468/
Role of Data Annotation Services in AI-Powered Manufacturing
https://dzone.com/articles/data-annotation-in-ai-manufacturing
Парсинг с помощью LLM: зачем, как и сколько стоит?
https://habr.com/ru/articles/892954/
Зачем бизнесу LLM: стратегический взгляд
https://habr.com/ru/articles/892956/
Управление качеством данных
https://habr.com/ru/articles/893158/
Leveraging LLMs for Software Testing
https://dzone.com/articles/leveraging-llms-for-software-testing
Building a Distributed Multi-Language Data Science System
https://dzone.com/articles/distributed-multi-language-data-science-system
BI-Ассистент для создания аналитических дашбордов и автоматизированного анализа данных
https://habr.com/ru/articles/891420/
From Lakehouse architecture to data mesh
https://medium.com/adevinta-tech-blog/from-lakehouse-architecture-to-data-mesh-c532c91f7b61
Why Text-to-SQL is Failing for Agents and How to Fix It?
https://medium.com/madhukarkumar/why-text-to-sql-is-failing-for-agents-and-how-to-fix-it-6cb4065d40e9
Decoding Data Products: The Building Blocks of Modern Data Strategy
https://medium.com/tech-lingo-unpacked/decoding-data-products-the-building-blocks-of-modern-data-strategy-8e8d78019694
Выбор локальной LLM модели. Публикация на сайт с чатом
https://habr.com/ru/articles/892468/
Role of Data Annotation Services in AI-Powered Manufacturing
https://dzone.com/articles/data-annotation-in-ai-manufacturing
Парсинг с помощью LLM: зачем, как и сколько стоит?
https://habr.com/ru/articles/892954/
Зачем бизнесу LLM: стратегический взгляд
https://habr.com/ru/articles/892956/
Управление качеством данных
https://habr.com/ru/articles/893158/
Leveraging LLMs for Software Testing
https://dzone.com/articles/leveraging-llms-for-software-testing
Building a Distributed Multi-Language Data Science System
https://dzone.com/articles/distributed-multi-language-data-science-system
BI-Ассистент для создания аналитических дашбордов и автоматизированного анализа данных
https://habr.com/ru/articles/891420/
Medium
From Lakehouse architecture to data mesh
Evolving towards data product creation and automated governance in Adevinta Spain
Forwarded from proVenture (проВенчур)
🔥🔥🔥 Исследование по AI агентам от CB Insights: каковы ключевые тренды?
Буквально месяц назад CB Insights выкатили мини-исследование на тему AI агентов. Посмотрим?
1/ AI агенты подняли $3.8B инвестиций в 2024 году, а конкретнее динамика выглядела так:
▪️2020: $24M, 8 сделок;
▪️2021: $166M, 16 сделок;
▪️2022: $235M, 24 сделки;
▪️2023: $1.3B, 106 сделок;
▪️2024: $3.8B, 162 сделки.
🔹2022->2023 рост в 5.5х по объему и в 4.4х по количеству, а 2023->2024 рост 2.9х по объему и в 1.5х по количеству
2/ 6 из 8 big tech + big AI tech предлагают тулы для AI агентов, 3 из 10 уже предлагают агентов и еще 6 из 10 разрабатывают.
3/ AI агенты от Big Tech доминируют в горизонтальном сегменте, а частные компании уже специализируются. Несмотря на это структура инвестиций в с 2020 в тулы выглядит так (%% по объему инвестиций и %% по количеству сделок):
〰️ Horizontal apps: 55% и 49%;
▫️ Infrastructure: 24% и 29%;
▪️ Vertical: 21% и 21%.
То есть, половина идет в горизонтальные сервисы пока что, вертикальные – только пятая часть.
4/ Очень любопытно, что по уровню развития бизнеса горизонтальные сервисы гораздо более продвинутые. На первых двух из 5 стадий (это emerging & validating) находятся:
〰️ 33% horizontal apps;
▫️40% vertical apps;
▫️ 52% Infrastructure.
🔹 Внезапно инфраструктура – самая неразвитая.
5/ А кто в лидерах среди Infrastructure Stack провайдеров?
▪️Google;
▪️AWS;
▪️Salesforce;
▪️OpenAI;
▪️Anthropic.
6/ Что мешает внедрять AI агентов?
🔻47% беспокоятся о безопасности и качестве (данных прежде всего);
🔻41% опасаются технических проблем во внедрении;
🔻35% говорят о недостатке качественных кадров в команде.
👉 Само исследование на 12 страниц можно скачать по ссылке: https://www.cbinsights.com/research/ai-agent-trends-to-watch-2025/
❓В продолжение темы интересно задавать вам два вопроса ниже – про использование AI агентов и про доминирование горизонтальных решений. Ответите на опросы?
@proVenture
#ai #research #trends
Буквально месяц назад CB Insights выкатили мини-исследование на тему AI агентов. Посмотрим?
1/ AI агенты подняли $3.8B инвестиций в 2024 году, а конкретнее динамика выглядела так:
▪️2020: $24M, 8 сделок;
▪️2021: $166M, 16 сделок;
▪️2022: $235M, 24 сделки;
▪️2023: $1.3B, 106 сделок;
▪️2024: $3.8B, 162 сделки.
🔹2022->2023 рост в 5.5х по объему и в 4.4х по количеству, а 2023->2024 рост 2.9х по объему и в 1.5х по количеству
2/ 6 из 8 big tech + big AI tech предлагают тулы для AI агентов, 3 из 10 уже предлагают агентов и еще 6 из 10 разрабатывают.
3/ AI агенты от Big Tech доминируют в горизонтальном сегменте, а частные компании уже специализируются. Несмотря на это структура инвестиций в с 2020 в тулы выглядит так (%% по объему инвестиций и %% по количеству сделок):
〰️ Horizontal apps: 55% и 49%;
▫️ Infrastructure: 24% и 29%;
▪️ Vertical: 21% и 21%.
То есть, половина идет в горизонтальные сервисы пока что, вертикальные – только пятая часть.
4/ Очень любопытно, что по уровню развития бизнеса горизонтальные сервисы гораздо более продвинутые. На первых двух из 5 стадий (это emerging & validating) находятся:
〰️ 33% horizontal apps;
▫️40% vertical apps;
▫️ 52% Infrastructure.
🔹 Внезапно инфраструктура – самая неразвитая.
5/ А кто в лидерах среди Infrastructure Stack провайдеров?
▪️Google;
▪️AWS;
▪️Salesforce;
▪️OpenAI;
▪️Anthropic.
6/ Что мешает внедрять AI агентов?
🔻47% беспокоятся о безопасности и качестве (данных прежде всего);
🔻41% опасаются технических проблем во внедрении;
🔻35% говорят о недостатке качественных кадров в команде.
👉 Само исследование на 12 страниц можно скачать по ссылке: https://www.cbinsights.com/research/ai-agent-trends-to-watch-2025/
❓В продолжение темы интересно задавать вам два вопроса ниже – про использование AI агентов и про доминирование горизонтальных решений. Ответите на опросы?
@proVenture
#ai #research #trends
Writing Low-Latency C++ Applications
Написание приложений на C++ с низкой задержкой требует тщательного подхода, включающего эффективную обработку данных, эффективное управление параллелизмом и тщательную оптимизацию на системном уровне.
В этой статье приведен свод неплохих рекомендаций, многие из которых мы активно применяем в своих проектах. Я вот кратко зафиксировал для себя такой список:
1. Избегать динамической аллокации памяти и управлять ею самостоятельно и использовать структуры данных с пред-определенным размером
2. Избегайте использование heap, пишут что stack быстрее
3. Убедитесь, что структуры данных правильно выровнены со строками кэша CPU
4. Избегать копирование объектов, использовать доступ по ссылке
5. Предпочитать atomic operations и Lock-free Data Structures
6. Управлять аллокацией тредов и потоков по CPU в случае мультипоточных приложений и избегать выполнения разных поток на одном core что бы снизить их влияние на производительность друг друга
7. Реализуйте пул потоков для управления фиксированным количеством потоков, которые могут выполнять несколько задач
8. Соответствующим образом надо настраивать ОС для низкой задержки в выполнении приложения
9. Устанавливайте буферы сетевой подсистемы в как можно более маленький размер. Добавлю тут от себя - большие буферы увеличивают стабильность коммуникации но скрывают все возможной проблемы
https://medium.com/@AlexanderObregon/writing-low-latency-c-applications-f759c94f52f8
Написание приложений на C++ с низкой задержкой требует тщательного подхода, включающего эффективную обработку данных, эффективное управление параллелизмом и тщательную оптимизацию на системном уровне.
В этой статье приведен свод неплохих рекомендаций, многие из которых мы активно применяем в своих проектах. Я вот кратко зафиксировал для себя такой список:
1. Избегать динамической аллокации памяти и управлять ею самостоятельно и использовать структуры данных с пред-определенным размером
2. Избегайте использование heap, пишут что stack быстрее
3. Убедитесь, что структуры данных правильно выровнены со строками кэша CPU
4. Избегать копирование объектов, использовать доступ по ссылке
5. Предпочитать atomic operations и Lock-free Data Structures
6. Управлять аллокацией тредов и потоков по CPU в случае мультипоточных приложений и избегать выполнения разных поток на одном core что бы снизить их влияние на производительность друг друга
7. Реализуйте пул потоков для управления фиксированным количеством потоков, которые могут выполнять несколько задач
8. Соответствующим образом надо настраивать ОС для низкой задержки в выполнении приложения
9. Устанавливайте буферы сетевой подсистемы в как можно более маленький размер. Добавлю тут от себя - большие буферы увеличивают стабильность коммуникации но скрывают все возможной проблемы
https://medium.com/@AlexanderObregon/writing-low-latency-c-applications-f759c94f52f8
Medium
Writing Low-Latency C++ Applications
Introduction
Команда ClickHouse наконец-то выпустила официальный коннектор к Tableau!
Проверено - работает! Правда не верьте тексту в официльном блоге (ниже), коннектор работает только с JDBC драйвером версии v0.4.6, а не с последней версией, как указано в инструкции ниже.
https://clickhouse.com/blog/announcing-clickhouse-connector-tableau#what-about-tableau-cloud
Проверено - работает! Правда не верьте тексту в официльном блоге (ниже), коннектор работает только с JDBC драйвером версии v0.4.6, а не с последней версией, как указано в инструкции ниже.
https://clickhouse.com/blog/announcing-clickhouse-connector-tableau#what-about-tableau-cloud
ClickHouse
Announcing the official ClickHouse Connector for Tableau
Have you been looking to visualize data stored in ClickHouse with Tableau? Today, you can with the launch of the official ClickHouse Tableau Connector!
Дайджест статей
My data governance framework
https://medium.com/zs-associates/my-data-governance-framework-c1879486bc09
What I Wish I Knew Before Becoming a Solutions Architect in Data
https://medium.com/data-science-collective/what-i-wish-i-knew-before-becoming-a-solutions-architect-in-data-9d97b8b53246
How to Build an AI Agent for Data Analytics Without Writing SQL
https://medium.com/data-science/how-to-build-an-ai-agent-for-data-analytics-without-writing-sql-eba811115c1f
Why the ArchiMate Model is Essential for Data Architects in Documenting Enterprise Architecture
https://medium.com/@armandovazquez/why-the-archimate-model-is-essential-for-data-architects-in-documenting-enterprise-architecture-d9fc9fb9fcae
The new wave of Composable Data Systems and the Interface to LLM agents
https://medium.com/wrenai/the-new-wave-of-composable-data-systems-and-the-interface-to-llm-agents-ec8f0a2e7141
Supercharge Your ETL Pipeline: Fixing Data Quality Issues with AI
https://medium.com/@fhuthmacher/supercharge-your-etl-pipeline-fixing-data-quality-issues-with-ai-37218493fbd9
Agentic AI for Data Engineering
https://ai.gopubby.com/agentic-ai-for-data-engineering-4412d5e70189
Как выбрать LLM-модель, которая заберет у вас работу
https://habr.com/ru/articles/893642/
Объектное хранилище S3: практическое руководство без лишних слов
https://habr.com/ru/companies/vktech/articles/892234/
Self-Service ETL vs Power Query: чем отличаются загрузчики Visiology и Power BI
https://habr.com/ru/articles/895264/
Уже через год мы будем общаться с базами данных по-русски
https://habr.com/ru/companies/postgrespro/articles/895436/
Self-Healing Data Pipelines: The Next Big Thing in Data Engineering?
https://dzone.com/articles/building-a-self-healing-data-pipeline-a-data-engin
Agentic AI and Generative AI: Revolutionizing Decision Making and Automation
https://dzone.com/articles/agentic-ai-and-generative-ai
My data governance framework
https://medium.com/zs-associates/my-data-governance-framework-c1879486bc09
What I Wish I Knew Before Becoming a Solutions Architect in Data
https://medium.com/data-science-collective/what-i-wish-i-knew-before-becoming-a-solutions-architect-in-data-9d97b8b53246
How to Build an AI Agent for Data Analytics Without Writing SQL
https://medium.com/data-science/how-to-build-an-ai-agent-for-data-analytics-without-writing-sql-eba811115c1f
Why the ArchiMate Model is Essential for Data Architects in Documenting Enterprise Architecture
https://medium.com/@armandovazquez/why-the-archimate-model-is-essential-for-data-architects-in-documenting-enterprise-architecture-d9fc9fb9fcae
The new wave of Composable Data Systems and the Interface to LLM agents
https://medium.com/wrenai/the-new-wave-of-composable-data-systems-and-the-interface-to-llm-agents-ec8f0a2e7141
Supercharge Your ETL Pipeline: Fixing Data Quality Issues with AI
https://medium.com/@fhuthmacher/supercharge-your-etl-pipeline-fixing-data-quality-issues-with-ai-37218493fbd9
Agentic AI for Data Engineering
https://ai.gopubby.com/agentic-ai-for-data-engineering-4412d5e70189
Как выбрать LLM-модель, которая заберет у вас работу
https://habr.com/ru/articles/893642/
Объектное хранилище S3: практическое руководство без лишних слов
https://habr.com/ru/companies/vktech/articles/892234/
Self-Service ETL vs Power Query: чем отличаются загрузчики Visiology и Power BI
https://habr.com/ru/articles/895264/
Уже через год мы будем общаться с базами данных по-русски
https://habr.com/ru/companies/postgrespro/articles/895436/
Self-Healing Data Pipelines: The Next Big Thing in Data Engineering?
https://dzone.com/articles/building-a-self-healing-data-pipeline-a-data-engin
Agentic AI and Generative AI: Revolutionizing Decision Making and Automation
https://dzone.com/articles/agentic-ai-and-generative-ai
Medium
My data governance framework
The key to data governance is to establish it early, communicate it clearly, and embed it deeply.
С 26 по 27 марта 2025 года в редакции удалось немного посетить четвёртый ежегодный Flower AI Summit 2025.
На самом деле это мероприятие - крупнейшая в мире конференция, посвящённая федеративному обучению и децентрализованному искусственному интеллекту, с более чем 2000 участниками как в онлайне так и в оффлайне.
Порадовало, что интерес к этой теме очень высокий, а компания Flower делает отличные вещи в этой области.
Отметим, что с точки зрения кексов доминировали научные разработки - то есть пока, как мне показалось, тематика все еще больше находится в области научных исследований, нежели прикладного и, тем более, массового использования.
Тем не менее еще раз послушав доклады и порефлексировав над происходящим, в очередной раз я пришел к выводу что если вы делаете какое-то ИИ решение, то по сути только данные и работа с ними может оставаться вашим долгосрочным преимуществом, тк и модели и use-cases превращаются в commodity просто со страшной скоростью.
Какие основные области для применения FL я выявил в адженде:
• Медицина: Представлены кейсы использования федеративного обучения для анализа медицинских изображений и диагностики заболеваний, позволяющие объединять данные из разных учреждений без нарушения конфиденциальности пациентов.
• Финансы: Рассмотрены примеры совместного обучения моделей для выявления мошеннических операций и оценки кредитных рисков на основе данных различных банков, сохраняя при этом их автономность.
• Интернет вещей (IoT): Обсуждалось обучение моделей на периферийных устройствах, таких как датчики и смартфоны, для улучшения предсказательной аналитики без передачи данных в облако.
Интересно, что и LLM не были забыты и в рамках выставки с постерами научных работ был кейс обучения LLM.
На мероприятии также состоялась презентация Flower Roadmap 2025, включающая демонстрацию новых технологий децентрализованного ИИ. Но ее посмотреть не удалось, пришлось уехать, но надеюсь будет потом доступно в онлайн.
На самом деле это мероприятие - крупнейшая в мире конференция, посвящённая федеративному обучению и децентрализованному искусственному интеллекту, с более чем 2000 участниками как в онлайне так и в оффлайне.
Порадовало, что интерес к этой теме очень высокий, а компания Flower делает отличные вещи в этой области.
Отметим, что с точки зрения кексов доминировали научные разработки - то есть пока, как мне показалось, тематика все еще больше находится в области научных исследований, нежели прикладного и, тем более, массового использования.
Тем не менее еще раз послушав доклады и порефлексировав над происходящим, в очередной раз я пришел к выводу что если вы делаете какое-то ИИ решение, то по сути только данные и работа с ними может оставаться вашим долгосрочным преимуществом, тк и модели и use-cases превращаются в commodity просто со страшной скоростью.
Какие основные области для применения FL я выявил в адженде:
• Медицина: Представлены кейсы использования федеративного обучения для анализа медицинских изображений и диагностики заболеваний, позволяющие объединять данные из разных учреждений без нарушения конфиденциальности пациентов.
• Финансы: Рассмотрены примеры совместного обучения моделей для выявления мошеннических операций и оценки кредитных рисков на основе данных различных банков, сохраняя при этом их автономность.
• Интернет вещей (IoT): Обсуждалось обучение моделей на периферийных устройствах, таких как датчики и смартфоны, для улучшения предсказательной аналитики без передачи данных в облако.
Интересно, что и LLM не были забыты и в рамках выставки с постерами научных работ был кейс обучения LLM.
На мероприятии также состоялась презентация Flower Roadmap 2025, включающая демонстрацию новых технологий децентрализованного ИИ. Но ее посмотреть не удалось, пришлось уехать, но надеюсь будет потом доступно в онлайн.
Обратил внимание на новую и бесплатную книгу «Мышление за пределами кода». Не читал, но по аннотации автора выглядит интересно.
«Мышление за пределами кода» - это не просто технический текст. Это попытка переосмыслить подход к разработке, оторваться от деталей фреймворков и посмотреть на архитектуру глазами мышления.
Это книга о том, как строить системы, которые не боятся роста, не разрушаются от изменений и не превращаются в хаос.
https://github.com/PPROGER/thinking-beyond-code?tab=readme-ov-file
«Мышление за пределами кода» - это не просто технический текст. Это попытка переосмыслить подход к разработке, оторваться от деталей фреймворков и посмотреть на архитектуру глазами мышления.
Это книга о том, как строить системы, которые не боятся роста, не разрушаются от изменений и не превращаются в хаос.
https://github.com/PPROGER/thinking-beyond-code?tab=readme-ov-file
GitHub
GitHub - PPROGER/thinking-beyond-code: 📖 Книга о том, как мыслить за пределами кода. Архитектура, проектирование и принципы гибкости.
📖 Книга о том, как мыслить за пределами кода. Архитектура, проектирование и принципы гибкости. - PPROGER/thinking-beyond-code
Мысль вслух: Роль технического менеджера - управление ожиданиями клиента, потому что пытаться управлять разработкой - бесполезно :)