3564
Сообщество профессионалов в области работы с данными и искуственным интеллектом
Дайджест статей
📰 OKF + RAG: The Ultimate AI Agent Architecture 🔗 ravishkhullar/okf-rag-the-ultimate-ai-agent-architecture-26b9ceed44f1" rel="nofollow">https://medium.com/@ravishkhullar/okf-rag-the-ultimate-ai-agent-architecture-26b9ceed44f1 💡 Метрики, API-контракты и ранбуки держи в Git как Markdown с YAML (OKF) и читай напрямую, RAG оставь для неструктурированного архива.
📰 Building an Enterprise AI Control Plane for Agentic AI 🔗 seshu.giri.rao/building-an-enterprise-ai-control-plane-for-agentic-ai-0f06c8d49706" rel="nofollow">https://medium.com/@seshu.giri.rao/building-an-enterprise-ai-control-plane-for-agentic-ai-0f06c8d49706 💡 Забери у агента креды инструментов: политики на уровне параметров, третий исход REQUIRES_APPROVAL, хеш payload до исполнения.
📰 AI can build a Dashboard in minutes. Why Is your data team still taking Weeks? 🔗 jatin_solanki/ai-can-build-a-dashboard-in-minutes-why-is-your-data-team-still-taking-weeks-524fe9721500" rel="nofollow">https://medium.com/@jatin_solanki/ai-can-build-a-dashboard-in-minutes-why-is-your-data-team-still-taking-weeks-524fe9721500 💡 Перестань копить дашборды: вкладывайся в metric contracts, права и eval-наборы, а графики пусть агент генерирует и выбрасывает.
📰 The Ontologist End-to-End Toolbox 🔗 pauline.armary/the-ontologist-end-to-end-toolbox-12e8a42a2807" rel="nofollow">https://medium.com/@pauline.armary/the-ontologist-end-to-end-toolbox-12e8a42a2807 💡 Прежде чем продавать онтологии как слой между BI и бизнесом, проверь, есть ли инструменты на каждый шаг семантического пайплайна.
📰 An architecture for data is not an architecture for learning 🔗 https://danramsden.medium.com/an-architecture-for-data-is-not-an-architecture-for-learning-104a0ada091c 💡 Назначь владельцев не только data products, но и information experiences, иначе данные не доходят до решений и обучения.
📰 From Data Warehouse to Agentic Data Architecture: A Reference Model for Governed Enterprise… 🔗 srinib100/from-data-warehouse-to-agentic-data-architecture-a-reference-model-for-governed-enterprise-c773dc0ed3c9" rel="nofollow">https://medium.com/@srinib100/from-data-warehouse-to-agentic-data-architecture-a-reference-model-for-governed-enterprise-c773dc0ed3c9 💡 Проектируя DWH, закладывай не отчётность, а управляемое рассуждение: что изменилось, почему, допустимо ли действие и как его аудировать.
📰 RAG по 11 000 файлов: почему семантический поиск не находит по артикулу 🔗 https://habr.com/ru/articles/1092432/ 💡 Для каталогов с артикулами бери dense+sparse (BGE-M3, RRF) и фильтры по метаданным параллельно с поиском без фильтра, а не вместо него.
📰 Долгосрочная память для медицинского AI-ассистента: почему мы не отдали управление памятью LLM 🔗 https://habr.com/ru/articles/1090888/ 💡 LLM пусть извлекает факты, а переходы состояния памяти, историю и различие «нет данных» vs «подтверждённо нет» веди кодом.
Имхо очень точная мысль в посте выше: обучение - это не получение готовых ответов, а путь к ним. И этот путь нельзя пропустить.
В эпоху ИИ это особенно актуально. Там, где мы учим наизусть, со временем ничего не остаётся. То, что нам выдали готовым куском, не откладывается. А там, где мозг сам доскрипел до решения, оно остаётся навсегда.
ИИ отлично выдаёт готовые куски. Вопрос в том, кто в итоге проходит путь.
На этой неделе открыл для себя, что у автора «Марсианина» и «Проекта „Конец света“» (в оригинале Project Hail Mary - это скорее «Бросок на удачу», отчаянный пас в последнюю секунду) есть отличные короткие фантастические рассказы.
Каждый на 5-10 минут, каждый держится на одном повороте в финале.
Два из них построены на одном и том же трюке - ошибке атрибуции. Автор даёт тебе голос, поведение, мотивы, и мозг сам дорисовывает за ними человека. А человека там нет. Ты понимаешь это только в последних строках и перечитываешь всё заново другими глазами.
Аналогия с ИИ напрашивается сама. Мы делаем ровно то же самое с моделями и агентами: видим связный текст, уверенный тон, «намерения» - и достраиваем за ними разум, понимание, характер. Иногда это полезная рабочая абстракция. Иногда - та самая ошибка, на которой Weir строит свои финалы.
Почитайте на weekend и проверьте себя - на какой строке поймёте, кто перед вами.
Annie's Day: https://xpressenglish.com/our-stories/annies-day/
Meeting Sarah: в списке рассказов на сайте автора http://www.galactanet.com/writing.html
А вот и анонс VTORNIK.Вечер #11
20 октября, с 19:00 до 21:00 мы рады вас пригласить на наш следующий митап. Он пройдет как обычно офлайн. В этот раз в программе:
————————————
1️⃣ RecSys-платформа в AI-эпоху
Спикер: Сергей Кузнецов, CTO RecSys & Search Platform, МТС Web Services
В прошлом:
- ML Teamlead, Ozon
- Data Scientist, Sibur Digital
2️⃣ Как защищать данные, когда единого периметра больше нет
Спикер: Константин Черняк, Head of Data & AI Security, Wildberries & Russ
В прошлом:
- Head of Data Platform, РБК
- Head of DataOps, IBS
- Data Solution Architect, ВТБ
- DE Эксперт, СИБУР
————————————
📍 Место проведения: Офис наших партнеров — ГК «Солар», адрес: Никитский пер. 7с1, Москва, 1-й этаж, Лекторий
м. Охотный ряд / Площадь Революции / Театральная / Александровский сад
Мероприятие бесплатное. Регистрация обязательна. Вход по списку. При себе иметь удостоверение личности.
Будем рады всех видеть!
Коллеги, еще один анонс интересного мероприятия
Дубли номенклатуры — это не просто проблема справочника. Это проблема качества мастер-данных.
Когда одинаковые позиции заведены под разными названиями, атрибуты заполнены не полностью, а разные системы используют собственные правила ведения НСИ, компания перестает получать единую и достоверную картину данных.
Последствия проявляются во всем учетном контуре: искажаются остатки и себестоимость, растут запасы, возникают ошибки в документах и снижается доверие к управленческой отчетности.
13 октября в 10:00 МСК на бесплатном вебинаре на примере 1С обсудим:
• как ошибки в мастер-данных распространяются по бизнес-процессам;
• почему перенос исторической НСИ без нормализации увеличивает риски ERP-проекта;
• как перейти от разовой очистки справочников к системному MDM-подходу;
• как выявлять потенциальные дубли и контролировать качество данных;
• где ИИ действительно помогает: классификация номенклатуры, структурирование данных и заполнение характеристик.
Вебинар будет полезен CDO, специалистам по Data Governance и Data Quality, архитекторам данных, руководителям ERP-проектов и владельцам корпоративных справочников.
13 октября 2026 года, 10:00 МСК
Онлайн, участие бесплатное.
Программа и регистрация: https://spb.1cbit.ru/school/events/554018/
Яндекс открыл YTsaurus Flow: 100+ ГБ/с в реальном времени без потерь и дублей
Технология обрабатывает клики, показы, лайки и заказы по мере поступления. Обычно их сначала накапливают, и задержка может составлять часы. YTsaurus Flow обрабатывает их по мере поступления и учитывает каждое ровно один раз, даже при сбоях: exactly-once работает по умолчанию.
И это уже работает в проде: в Яндекс Рекламе через Flow проходят миллионы событий в секунду. Подготовка данных для дообучения части моделей раньше занимала больше 10 часов, теперь эту задержку почти полностью устранили. Также технология работает в Маркете и антифроде.
Подойдёт для подготовки обучающих данных, подсчёта просмотров, кликов и заказов, обновления информации в приложениях. Лицензия Apache 2.0, коммерческое использование разрешено.
GitHub - https://github.com/ytsaurus/ytsaurus/tree/main/yt/yt/flow
Дайджест статей
📰 Lakekeeper и Apache Polaris: сравниваем REST-каталоги для Iceberg
🔗 https://habr.com/ru/articles/1087262/
💡 Небольшой команде с 1-2 движками бери Lakekeeper; федерацию Glue+Hive и Delta/Hudi в одном каталоге закрывает только Polaris.
📰 Как BI‑команда краснодарского ИТ‑хаба мигрировала HR‑отчетность и собрала GuideBook
🔗 https://habr.com/ru/companies/tbank/articles/1087640/
💡 При переезде BI на ClickHouse сначала оптимизируй ORDER BY, партиции и Jinja-фильтры, потом визуал - это дало x2 по скорости.
📰 Не начинать с LangChain: как спроектировать корпоративную GenAI платформу до реализации
🔗 https://habr.com/ru/articles/1086836/
💡 Фильтруй ACL до попадания чанков в prompt и тестируй, что RAG не обходит авторизацию, закрытую на REST-эндпоинтах.
📰 ИИ в финансовой аналитике: от текстового запроса до готового дашборда за несколько минут
🔗 https://habr.com/ru/companies/diasoft_company/articles/1089172/
💡 Давай агенту описания таблиц и полей, а не сами данные, и проверяй сгенерированный SQL до того, как по дашборду примут решение.
📰 Semantics for the Emerging Enterprise Agent Ecosystem
🔗 https://agenticmesh.substack.com/p/semantics-for-the-emerging-enterprise
💡 Вынеси определения бизнес-терминов из датасетов в отдельный слой, на который ссылаются таблицы, иначе агенты утонут в семантических силосах.
📰 Data mart vs semantic layer when do you need both aedbad
🔗 kausik.kb.bhowmik/data-mart-vs-semantic-layer-when-do-you-need-both-ae625db547ad" rel="nofollow">https://medium.com/@kausik.kb.bhowmik/data-mart-vs-semantic-layer-when-do-you-need-both-ae625db547ad
💡 Начни с одной спорной метрики: пропиши контракт (grain, время, исключения, владелец) и гоняй параллельно со старой логикой.
📰 Agentic Machine Learning Modeling at Instacart
🔗 https://tech.instacart.com/agentic-machine-learning-modeling-at-instacart-fb3ecd295ee7
💡 Разделяй агента-модельера и агента-оценщика и вшей в харнесс проверки утечек - агенты подглядывают в holdout и тащат будущее в фичи.
📰 The Evolution of Ontology: From Formal Semantics to Knowledge Graphs, Decisions and AI Agents
🔗 yu-joshua/the-evolution-of-ontology-from-formal-semantics-to-knowledge-graphs-decisions-and-ai-agents-dfe8814dcc1b" rel="nofollow">https://medium.com/@yu-joshua/the-evolution-of-ontology-from-formal-semantics-to-knowledge-graphs-decisions-and-ai-agents-dfe8814dcc1b
💡 Описывай для агентов не только сущности, но и действия: предусловия, эффекты, обратимость и право их выполнять.
To whom it may consern
На этой неделе выступал на небольшом мероприятии, где поделился кое какими размышления про ИИ в глобальном плане. Если кому то интересно - ниже тезисы и ссылка на презентацию.
Вступление. Закон Амары: мы переоцениваем технологию на коротком горизонте и недооцениваем на длинном. С AI это работает в обе стороны одновременно: ждём от моделей чуда завтра и не видим, как они перестраивают экономику, право и государство на горизонте десяти лет.
Сейчас: почему мы переоцениваем
Мощность растёт быстрее полезности. На простых задачах модели блестящи, на сложных - буксуют, потому что им не хватает контекста о тебе, твоих процессах, твоих правилах. Формула, которую я увидел на конференции: реальная эффективность = интеллект модели × контекстное знание. Второй множитель почти у всех близок к нулю, и никакой рост первого это не компенсирует.
Экспонента упрётся в S-кривую. Три ограничителя: данные (доступный корпус текстов уже выбран), энергия (под следующий порядок мощности нужны новые АЭС или ЦОДы в космосе), компьют (чипов физически не хватает). Прогнозы экстраполируют текущую скорость, а каждая технология в истории выходила на плато.
Побеждает комбинация, а не замена.
Плато - у одной архитектуры. Когда монолитная модель упирается в потолок, начинается следующая S-кривая.
Потом: почему мы недооцениваем
Технология: AI - это идея, а не сервер.
Распределённые специализированные модели. Одну модель нельзя наращивать бесконечно, значит - сеть специализированных LLM (математика, право, медицина), соединённых как отделы мозга. Распределённые системы - не новость, это фундамент всей индустрии ПО. Следствие для регулятора: контролировать сеть сложнее, чем актив.
Эфемерное и гиперперсональное ПО. Код перестаёт быть активом: его генерируют за минуты. Ценность уходит в идею и промпт. Вместо приложения передаётся промпт, который соединяется с твоими правилами и собирает софт на лету - и исчезает, когда он не нужен. IP-право придётся перестраивать, как и в книгах и кино. Шедевры останутся, но массовый контент станет персональным.
Экономика
Корпорации проигрывают малому бизнесу. Самое ценное знание в компании неявное: кто за что отвечает, у кого просить апрув, какие правила не записаны. Индустрия 50 лет наводит порядок в корпоративных данных и не закончила, а LLM нужны не данные, а знание, процессы и правила. Компания из 15 человек, где всё в голове у основателя, получает второй множитель формулы почти бесплатно.
Геополитика
Технологическая независимость - главная тема весенних конференций (London Tech Week и другие). Европа отстаёт уже на уровне доступа: персональный агент Meta Muse работает только в США (с 8 сентября) и Канаде (с 18 сентября), у UK, ЕС, Индии и Австралии даты нет. Прецедент неприятный: обычный Meta AI добирался до UK около 18 месяцев после запуска в США.
Контроль AI - по модели контроля вооружений, а не ядерной энергетики. Тяжёлое вооружение - фронтир-модели - под прямым надзором государства. Лёгкое - локальные модели на ноутбуке - доступно гражданам по правилам: лицензии, возрастные ограничения, регистрация GPU выше порога мощности. Государство задаёт правила игры, а не национализирует OpenAI и Anthropic.
Люди
Образование: понимание без памяти. Исследования показывают: ученики с AI решают задачи лучше в моменте, но хуже удерживают знание, когда AI забирают. Для индустрии это усиливает проблему джунов: рутина, на которой раньше росли сеньоры, исчезает, а вместе с ней и путь к опыту.
Вывод. Главный вызов - не технологический, а человеческий: «кто я?». Пока рутину делали люди, миллионам из них судьбу предопределяла среда, и вопрос самоидентичности не вставал. Когда AI заберёт рутину, этот вопрос встанет перед всеми. Ответ один: сначала найти, что ты хочешь изменить в мире, и только потом брать для этого новый инструмент. Проблема первичнее инструмента.
https://speakerdeck.com/shamansw/ai-in-2026-overestimated-now-underestimated-later
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
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»
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.
Роберт Солоу в 1987 году остроумно сформулировал парадок производительности:
You can see the computer age everywhere but in the productivity statistics.
Наконец то кто то использовал LLM для реально полезных вещей :)
PS сейчас как раз читаю книгу Prince of Persia - дневник автора оригинальной игры, так что прям в тему этот html :)
Коллеги, некоторые из участников канала сегодня так же будут на BigDataLND
Редакция сегодня пропустит день, но если вы хотите встретится с коллегами и друг с другом - используйте комментарии к этому посту что бы дать об этом знать!
https://www.bigdataldn.com/en-gb.html
Всем привет от Joe Rais, автора этой замечательной книги
Читать полностью…
Кстати любопытный обзор о том как ИИ помог Palantir превратить сложный комплексный продукт в простой пользовательский интерфейс.
Как говорят у нас в редакции: «что бы сделать отличный продукт надо очень сложную технологию упаковать в очень простую форму».
https://habr.com/ru/articles/1076452/
Теренс Тао провел в Калтехе большую лекцию про математику в эру ИИ и выложил слайды
https://terrytao.wordpress.com/2026/10/10/math-2-0/
Лекцию он назвал "Math 2.0", хотя еще в мае собирался читать ее под названием "Machine Assisted Proof". Сам он признается, что наполнение заметно изменилось "из-за недавних событий".
Основная мысль Теренса такая: раньше математика строилась на допущении, что решить открытую задачу очень трудно и происходит это редко. Вокруг этого выросли институты, карьерные стимулы и традиции. Однако, на самом деле, решение задач – это лишь прокси метрика, а глобальная цель науки состоит в другом: в исследовании, поиске новых задач и понимании, как применить решения в реальном мире.
Так вот, раньше эта прокси-метрика в виде решения открытых задач работала, потому что, решая задачи, математики копили опыт и понимание. Сейчас же, как говорит Тао, дальнейшая слепая оптимизация одного лишь решения задач "активно вредна для долгосрочного здоровья математики".
Если ИИ просто выдает решения в обход людей, он как бы стерилизует окружающее задачу поле: непройденные пути так и остаются непройденными, цикл становится невозобновляемым, понимание не накапливается, и растет доля решений, которые как бы работают на бумаге, но расходятся с тем, что нам на самом деле нужно миру.
В качестве аналогии Тао предлагает такой мысленный эксперимент: ИИ придумал коктейль, который убивает все раковые клетки, и он даже подтвержден клиническими испытаниями третьей фазы. Стали бы вы колоться, не зная, что хотя бы один человек-эксперт понимает механизм?
В качестве решения Тао предлагает сместить фокус с уничтожения открытых задач на использование ИИ для укрепления человеческого понимания. Собственно, это он и называет "Math 2.0". ИИ может действительно помочь ускорить прогресс, если будет искать объяснения и новые принципы и исследовать окрестности гипотез, а не только генерировать доказательства. Это огромное непаханное поле, и главным ограничением тут Теренс называет уже не технологии, а воображение.
Опрос: Каждая вторая организация не контролирует использование ИИ
Группа Arenadata провела опрос участников форума «Цифровые решения» о внедрении и контроле искусственного интеллекта в организациях. Результаты выявили серьёзный разрыв между масштабом использования технологий и уровнем их регулирования. Более чем в половине организаций сотрудники используют искусственный интеллект без какого-либо контроля, а в 78% нет работающей политики его применения. При этом ИИ уже используют 76% организаций, около двух третей респондентов работают с американскими LLM, почти 70% замечали, что коллеги передают ИИ закрытую информацию компании.
Зрелость внедрения ИИ остаётся невысокой: в половине компаний самый продвинутый сценарий работы с технологией сводится к использованию чат-бота, а сквозную автоматизацию бизнес-процессов удалось реализовать лишь 12% опрошенных. Для написания кода ИИ применяют в 63% организаций, тогда как агентные сценарии внедрены только у 10% участников опроса.
Среди используемых моделей лидируют Qwen и ChatGPT, каждую из которых задействует примерно половина респондентов. При этом американские LLM обычно применяют параллельно с китайскими и российскими решениями, хотя доля компаний, использующих отечественные модели, не превышает 20%.
Уровень регулирования использования искусственного интеллекта отстаёт от реальных масштабов внедрения технологии. DLP-защиту внедрили 26% респондентов, ещё 21% выбрали полный запрет публичных моделей, тогда как большинство компаний пока не применяют никаких ограничительных мер. При этом более половины опрошенных признались, что сами отправляли данные в ИИ, чаще всего считая их неконфиденциальными. Передачу закрытых данных в ИИ считают недопустимой лишь 15% респондентов.
«Мы сами "нанимаем" AI-ассистентов, предоставляем им пароли к почте и календарю, разрешаем работать с файлами на компьютере, пускаем в корпоративные системы. Всё это неконтролируемо увеличивает поверхность атаки, риски утечек и компрометации», — считает Пётр Емельянов, директор по дата‑стратегии и искусственному интеллекту Группы Arenadata.
В отношении мер безопасности участники опроса сходятся в том, что организация должна обеспечить технически защищённую среду для работы с ИИ. Это различные технические решения, такие как локальные модели и обезличивание данных; пересмотр правил обращения с конфиденциальной информацией.
Вопрос распределения ответственности остаётся предметом разногласий: 59% респондентов полагают, что за ошибки при использовании ИИ должен отвечать сотрудник, 41% выступает за совместное распределение ответственности между человеком и технологией.
О форуме «Цифровые решения»
Форум «Цифровые решения» объединяет представителей государства, отрасли и бизнеса. В 2026 году на него зарегистрировалось более 10 тысяч человек. В деловой программе форума значится более 120 сессий с участием свыше 700 экспертов в разных областях — от искусственного интеллекта до геймдева.
О Группе Arenadata
Группа Arenadata (MOEX: DATA) — ведущий российский разработчик ПО на рынке систем управления и обработки данных, в том числе решений по конфиденциальным вычислениям. Платформа по работе с данными Группы Arenadata обеспечивает клиентам фундамент ИТ-инфраструктуры, который позволяет им строить стратегию развития отношений с клиентами и повышать операционную эффективность. Продукты и услуги Группы используют крупнейшие компании России в ключевых отраслях экономики: финансах, ретейле, телекоммуникациях, промышленности, а также в государственном секторе. В числе клиентов: «АЛРОСА», «Арнест ЮниРусь», Банк ДОМ.РФ, Банк ПСБ, «Вкусно — и точка», Газпромбанк, Магнитогорский металлургический комбинат, «Мосэнерго», «Полюс», РСХБ, «Трубная Металлургическая Компания», Hoff.
OpenAI показал Intelligent UI: ChatGPT теперь отвечает не только текстом, но и интерактивным интерфейсом.
Мы в команде последние пару месяцев тоже сильно думали ровно над этим вопросом - как изменится UI, когда в систему приходит LLM.
И пришли к похожей идее, только развёрнутой в обратную сторону. Назвали её Assisted UI.
Начну с проблемы. Интерфейс любой серьёзной системы - это библиотека, в которой никто не знает, где стоят книги. Чтобы эффективно работать, пользователь должен хорошо знать систему и её функции. Он не знает, не помнит и, честно говоря, не очень хочет разбираться. В итоге заметная часть функций живёт за пределами приличной частоты использования: про них никто не помнит, их не трогают, они деградируют и тихо превращаются в технический долг. Мы платим за разработку и поддержку того, до чего пользователь просто не доходит.
Что мы сделали. К мышке и клавиатуре добавили третий канал - текстовое окно, которое всегда под рукой и разворачивается в один клик. Подчеркну что это не чат, это одно окно ввода.
Пользователь пишет произвольный запрос, например "покажи всех клиентов, которые вчера заключили контракт на покупку машины у компании Х". Ассистент отвечает не текстом и не статичным отчётом, а интерфейсом: берёт знакомые пользователю компоненты системы, собирает их по смыслу, связывает между собой и заранее выставляет фильтры и поля. Одно действие - и на экране всё нужное.
Но пользователь не ограничен текстом. Получив живой UI, он сразу переключается на мышку и делает то, что мышкой быстрее - отметить, открыть, поправить, отправить. А когда нужно что-то сложное или составное, снова пишет текстом.
Наша идея: чат не заменит интерфейс. Текст хорош для сложного намерения, мышка - для быстрого действия. Цель не в том, чтобы всё стало разговором, а в том, чтобы любое действие в системе стоило минимум усилий.
У OpenAI под капотом у них то же решение, к которому пришли мы: не свободная генерация, а библиотека нативных компонентов плюс компилятор, который собирает интерфейс по мере ответа модели. Это хороший знак.
Генерировать UI с нуля дорого и непредсказуемо, а сборка из знакомых кубиков работает.
Разница в том, кто хозяин экрана. У OpenAI хозяин - чат, а UI живёт внутри ответа: рецепт с пересчётом порций, чек-лист, калькулятор для разделения счёта. И пока всё это ограничено вкладкой Chat. У нас хозяин - сама система и никакого чата там нет. Для потребительского ассистента их модель логична. Для рабочих систем, где у пользователя десятки сущностей и сотни функций, я ставлю на нашу :)
https://openai.com/index/gpt-6-for-everyone/
Коллеги, обратите внимание на книгу. Редакция не очень понимает идею продавать только бумажную версию, но наверное и электронная скоро появится, а пока в комментарии закинем английскую трофейную версию
https://www.piter.com/collection/all/product/vysokonagruzhennye-prilozheniya-programmirovanie-masshtabirovanie-podderzhka-2-e-izd-2
Кто в ответе за ИИ-агента?
CDO годами строили управление данными для людей. Теперь эти данные потребляют ИИ-агенты - и сами принимают на их основе решения.
Пока ИИ пишет письма и презентации, цена ошибки ограничена. Но что происходит, когда агент получает доступ к корпоративным системам, деньгам, документам, клиентским данным и бизнес-процессам? Когда он может не только рекомендовать, но и действовать?
На эти вопросы у большинства компаний пока нет готовых ответов:
▪️ кто отвечает за решение ИИ-агента;
▪️ кто отвечает за данные, на которых это решение принято;
▪️ где проходит граница его полномочий;
▪️ какие действия требуют подтверждения человека;
▪️ какие финансовые и операционные лимиты закладывать заранее;
▪️ как расследовать ошибку, если в цепочке заказчик, интегратор, модель, данные и несколько внешних сервисов.
ИИ-агент - уже не просто новая технология, а новый участник системы управления предприятием. Значит, разговор должен идти одновременно про данные, архитектуру, процессы, ИБ, право и ответственность.
Вокруг этого строится форум «Интеллектуальное предприятие 2026». Не очередной разговор о том, «как внедрить AI», а попытка понять, как меняется само предприятие, когда часть решений и действий передаётся цифровым сотрудникам.
🎙 Отдельная дискуссия - «Кто в ответе за ИИ-агента?»
Юристы, ИБ, разработчики, бизнес и владельцы данных - столкновение позиций вокруг главного вопроса: что именно мы готовы делегировать агенту и кто будет отвечать, когда он начнёт действовать самостоятельно?
Для CDO здесь особенно важный вопрос: готова ли ваша система Data Governance к тому, что новым потребителем данных становится не человек, а автономный ИИ-агент?
📅 14 октября 2026
🔗 https://www.osp.ru/lp/ai2026
🎟 Коллегам из Клуба CDO - промокод на бесплатное участие: freeAI26
ссылка на регистрацию: https://forms.yandex.ru/u/6abcff8f90fa7b10649105d6/
Улыбнуло https://youtu.be/62_ZgVS6XxI?is=akd0H9J-yi_wqjzO
Читать полностью…
⚡️Как изменился российский рынок каталогов данных за три года?
В 2023 году мы уже исследовали российский рынок Data Catalog. За три года класс решений заметно изменился: каталог данных перестал быть просто справочником технических метаданных и всё чаще становится инфраструктурой доверия к данным – связывает происхождение и качество данных, бизнес-контекст, владельцев, правила управления и процессы работы с данными.
В новом исследовании «Data Catalog-круг Громова 2026» мы рассмотрели 7 российских платформ: Arenadata Catalog, SBF DataManagement, RT.DataGovernance, Data Ocean Governance, Q.DataCatalog, VK Data Catalog и Юнидата. Отдельно представили профиль Axenix Dat .ax Meta, а OpenMetadata использовали как референсную платформу вне сравнительного контура.
➡️ Свежий отчёт поможет разобраться:
– чем российские Data Catalog отличаются по глубине функциональности, архитектуре и зрелости эксплуатации,
– насколько хорошо они интегрируются в корпоративный ИТ-ландшафт и соответствуют требованиям безопасности и импортозамещения,
– какие возможности есть для управления доступом, аудита и работы в закрытых контурах,
– какие возможности ИИ уже реализованы на практике,
– как выбрать платформу под свои задачи и подготовить пилот.
❗️Все решения проверены по 325 критериям: оценивается не только заявленный функционал, но и глубина реализации и степень его подтверждения документацией и демонстрациями.
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
Всех причастных поздравляю с успешным запуском Звездокорабля 14
Читать полностью…
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
🔗 kausik.kb.bhowmik/data-mart-vs-semantic-layer-when-do-you-need-both-ae625db547ad" rel="nofollow">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.
GPT-6 Astra, привет!
1990-е - раз в неделю ты идешь через весь город к маме на работу, потому что у нее в отделе есть 1 компьютер и в перерыв ты играешь в Prince of Persia. в другие дни играют другие дети...
2026 - GPT-6 сделай клон Prince of Persia
html файл с игрой в комментарии - можно скачать
P.S. а Anthropic сбросили лимиты. привет Fable 5.1
А если вы приехали на мероприятие выше и думаете как провести вечер - очень рекомендую вот эту лекцию, если там есть еще билеты.
Редакция идет туда сегодня :)
https://unionchapel.org.uk/whats-on/carlo-rovelli-lessons-on-physics-and-philosophy
Сегодня всей редакцией традиционно побывали на Big Data LDN.
По ощущениям, в этом году стендов и людей было меньше. Хотя, возможно, просто выдалась хорошая погода и все выбрали другие занятия :) Так же традиционно вендоры снова переобулись: теперь основная часть контента не про агентов, а про контекст, семантический слой и онтологии.
Индустрия нащупала новую нишу между LLM и корпоративными данными, и все устремились туда со своих текущих позиций. Об этом говорили и BI-вендоры, и дата-платформы, и те, кто раньше делал каталоги данных.
И проблема действительно реальная: как эффективно соединить корпоративные данные с LLM, пока не знает никто, и подходов столько же, сколько вендоров. Удалось послушать пару интересных докладов - расскажу о них позже.
А пока оставлю к посту слайд от Atlan. Кажется, нашей аудитории его даже не нужно пояснять, а многим он пригодится для собственных презентаций :)
А ещё мы встретились с участниками канала, которые тоже заехали на мероприятие. Должен сказать: аудитория у нас - настоящие профессионалы, и это очень круто!
«Я про бэкенд»: как устроены AI-системы под капотом бигтеха
🗓 3 октября, Москва и онлайн
О чём: как разработчики высоконагруженных рекомендательных и генеративных систем справляются с нетривиальными вызовами. Доклады в 6 направлениях — от архитектуры систем с AI/ML до MLOps и работы на стыке бэкенда с железом.
Часть спикеров:
🎤 Михаил Цветков (Алиса AI и Умные устройства) — как устроен инференс генеративных ответов Алисы в Поиске
🎤 Алина Шестакова (Positive Technologies, Cloud SIEM) — вердикт за минуту: ML-фильтр и LLM на потоке более 40 тысяч событий в секунду
🎤 Андрей Аксёнов (Авито) — база векторных баз
🎤 Егор Хайруллин (Рекламные технологии Яндекса) — как распределённо обрабатывать более 100 ГБ/с в реальном времени без потерь и дублей с помощью YTsaurus Flow
🎤 Владислав Тюльбашев (Яндекс) — как надежно раздавать конфиги на 200к хостов при отказе [n-1] ДЦ
🎤 Алексей Логинов (Алиса AI и Умные устройства) — как сделать агентную платформу надёжной
Кроме того, зрителей ждет традиционный лайв, где бэкенд-инженеры Яндекса спроектируют архитектуру сложного сервиса в реальном времени. В этот раз задачу для эфира можете задать вы: участвуйте в проекте «2718», отправляйте свои кейсы, а организаторы выберут среди них самый сложный для открытого разбора.
Полная программа и регистрация