BlaBlaCar: Scaling Success - The dbt Ecosystem at BlaBlaCar

Представьте себе управление 4000 таблиц и 300 отчётами в различных бизнес-сферах. Это повседневная реальность BlaBlaCar, и именно поэтому экосистема DBT — не просто преимущество, а жизненная необходимость.

В блоге рассказывается о том, как была создана комплексная экосистема dbt, основанная на dbt Core, Airflow, dbtDagGenerator, Dev Containers, изолированных dev окружениях в BigQuery и проверках CI/CD.

@data_whisperer

Коллеги из Evidently AI собрали впечатляющий ресурс: “ML and LLM system design — 650 case studies”. Это структурированная база реальных кейсов от 100+ компаний о том, как применяют ML и LLM в продакшене: какие метрики используют, как проектируют системы, оценивают качество и безопасность, и запускают в масштаб. Удобно фильтровать по индустриям и типам задач (рекомендательные системы, поиск/ранжирование, fraud‑детекция, CV, NLP, Generative AI, RAG и др.).

https://www.evidentlyai.com/ml-system-design

How to. DataLens Editor
Привет!
Начал записывать серию видео прям по детальным шагам, как устроен DataLens Editor, с самого начала и по нарастающей. Каждый видосик будет дополняться примерами кода. Пожалуйста, придите в комментарии, какие еще темы непонятны в Editor + на сколько хорошо разжёвано (те, кто не юзал Editor до этого)
https://data2viz.ru/editor

Материал этой недели посвящен новым ролям, которые возникают в связи с созданием полноценных ИИ-агентов в корпоративном ландшафте. Если проводить аналогии с миром Big Data, то, возможно, сейчас мы находимся примерно в той же точке, когда мы начали разделять профессии data scientist, data engineer, data analyst, ML engineer и понимать, почему это должны быть разные люди с разным бэкграундом и майндсетом.

Наличие ролей, описанных в статей, может повысить вероятность того, что ваш проект, связанный с ИИ-агентами, сможет пройти от стадии прототипа до полноценного внедрения в production:

1. Context Engineer
2. Agentic Workflow Engineer
3. AI Model Engineer
4. AgenticOps Engineer
5. AgenticUX Engineer

Читать статью.

Хорошего вторника! И ждем зарегистрировавшихся на нашем сегодняшнем мероприятии!

Вот и Andrew Ng выпустил курс по Agentic AI
https://www.deeplearning.ai/courses/agentic-ai/

В чем его крутость - он не привязан к framework (LangChain и пр). И это хорошо!
Думаю пройду его.

Котятки😻,
Поделюсь своим докладом с конференции. Честно, без поддержки прекрасных организаторов, которые меня бережно вели, без брифинга от Миши @proudobstvo и без подготовки от @za_predelami_koda, вряд ли бы вышло так хорошо.
В общем,
-доклад в целом о сценариях интеграции BI и AI-агента с точки зрения интерфейса и UX
-там есть про аналитические задачи и AI в целом
-там есть про метрики и про архитектуру немного.
Чего нет: как учить агентов, как строить архитектуру так, чтобы это работало, какие задачи разрешать делать LLM, а что пускать строго в сторону MCP и прочие тех нюансы. Об этом хотела тоже, но тайминг, да и муж сказал, что это не темы конфы, скорее технические митапы.
А мы здесь о прекрасном.
PS. Спасибо моей маме за свитер

Полная версия аналитики по годам с победителями, диаграммой финишей и даже погодой:

https://moscowmarathon.datalaboratory.ru/

Все наши юзкейсы использования Курсора как супер ai агента в команде из 30 человек, включая инженеров, менеджеров и сейлзов

Наконец-то получилось сделать концентрированный рассказ и записать на видео.

Запись: https://youtu.be/CLHb3aYr9Is?si=1Xl0r8-0NC5sF3VG&t=2820 (с 47 минуты)

Ключевые идеи

— Вся команда живет в Cursor как в единой AI-нативной операционной системе: вместо зоопарка SaaS — агенты + файлы/репозитории + правила контекста .
— Знания и процессы — в Markdown-структуре репозиториев на GitHub; Confluence/Notion постепенно выносятся, остаются синки по необходимости .
— Динамическая подгрузка контекста через вложенные .cursorrules: единые правила, краткие тезисы, ссылки на детали; агент сам решает, какой контекст подтягивать .

Примеры юзкейсов

— Автообновление карточек проектов из транскриптов звонков: агент находит последний звонок (Fireflies/MacWhisper), вытаскивает факты и обновляет статусы/задачи .
— Быстрые presales-ответы: собрать контекст из переписки и транскриптов, сравнить с конкурентом, выдать конспект + 5 буллетов; человек финализирует .
— Диагностика инцидентов по документации/исходникам: «сходи, проверь retry policy…» .

Сетап общего workspace на всю команду

— Структура рабочих пространств: папки по функциям (strategy, product, sales/marketing, docs, scripts), у папок оунеры; у дев-репозиториев — read-only для части ролей; права — на уровне репо .
— Единые Rules + README, слитые и поддерживаемые как один источник: тезисы, ссылки, инструкции против галлюцинаций и самопридумывания файлов.
— Нейминг и структура ведутся оунерами папок, без микроменеджмента; жизнь файловой системы — как у «Google Drive/Notion, но в гите».
— Интеграции MCP/API: ClickUp (двусторонние задачи), Google Drive/Notion (миграции/one-way синки), Fireflies (звонки), локальные транскрипции MacWhisper

— Новый сценарии в продукт, например, Автотесты, обновление документации, контроль качества данных — вайбкодим в курсоре, потом переносим в свой ai продукт.
— Внедрение в команду через личный пример, aha-моменты и организационные решения

Что пока не работает

— Мобилка и оффлайн-паттерны — слабое место; привычки захвата контекста через носимые устройства не прижились .
— Интеграции в облаке без дублей: один звонок — несколько транскриптов у разных участников; требуется системный владелец для эволюции пайплайнов .
— Масштаб MD-файлов: со временем типовые сущности уедут в БД с API .

Ещё раз запись: https://youtu.be/CLHb3aYr9Is?si=1Xl0r8-0NC5sF3VG&t=2820 (с 47 минуты)

Встречу и запись организовал Саша Поваляев, фаундер комьюнити AI Mindset.
Канал: @ai_mind_set
Сайт: https://aimindset.org/

Там интересное, и именно через призму майндсета, а не просто инструменты. Рекомендую подписаться.