Oracle массово режет штат - до 30 000 человек за один день.
По разным оценкам уволили от 10 000 до 30 000 сотрудников
Письма пришли в 6 утра - без предупреждений от менеджеров и HR • День получения письма сразу стал последним рабочим днём • В отдельных командах сокращения доходят до 30%+
Формулировка классическая: «организационные изменения»
Компани перераспределяет деньги в ИИ и облачную инфраструктуру.
В 2025 компания столкнулась с резким ростом расходов • Огромный кассовый разрыв из-за инвестиций в инфраструктуру •
Аналитики оценивают экономию от сокращений в $8–10 млрд Но есть нюанс:Даже если все деньги уйдут в ИИ, окупаемость ожидается только к 2030 году
Ирония 2026:Мы думали, нас заменит ИИ, потому что он умнее и дешевле А оказалось - нас увольняют, потому что он слишком дорогой и пока ещё не настолько эффективны.
https://vc.ru/ai/2844412-oracle-uvolila-do-30000-sotrudnikov-iz-za-investitsiy-v-ii
По разным оценкам уволили от 10 000 до 30 000 сотрудников
Письма пришли в 6 утра - без предупреждений от менеджеров и HR • День получения письма сразу стал последним рабочим днём • В отдельных командах сокращения доходят до 30%+
Формулировка классическая: «организационные изменения»
Компани перераспределяет деньги в ИИ и облачную инфраструктуру.
В 2025 компания столкнулась с резким ростом расходов • Огромный кассовый разрыв из-за инвестиций в инфраструктуру •
Аналитики оценивают экономию от сокращений в $8–10 млрд Но есть нюанс:Даже если все деньги уйдут в ИИ, окупаемость ожидается только к 2030 году
Ирония 2026:Мы думали, нас заменит ИИ, потому что он умнее и дешевле А оказалось - нас увольняют, потому что он слишком дорогой и пока ещё не настолько эффективны.
https://vc.ru/ai/2844412-oracle-uvolila-do-30000-sotrudnikov-iz-za-investitsiy-v-ii
👍11🤔10❤5🤯4👎1😁1
This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ Таблицы теперь живут прямо в терминале
Да, без Excel и без GUI.
Sheets - это инструмент, который позволяет читать и редактировать CSV прямо в терминале через TUI или CLI.
Что внутри:
- полноценная работа с таблицами без выхода из терминала
- vim-подобные хоткеи и навигация
- быстрые правки без лишнего оверхеда
Работает на Windows, macOS и Linux.
Идеально, если ты живёшь в терминале и не хочешь дергаться между окнами.
Excel начинает нервничать.
https://github.com/maaslalani/sheets
Да, без Excel и без GUI.
Sheets - это инструмент, который позволяет читать и редактировать CSV прямо в терминале через TUI или CLI.
Что внутри:
- полноценная работа с таблицами без выхода из терминала
- vim-подобные хоткеи и навигация
- быстрые правки без лишнего оверхеда
Работает на Windows, macOS и Linux.
Идеально, если ты живёшь в терминале и не хочешь дергаться между окнами.
Excel начинает нервничать.
https://github.com/maaslalani/sheets
👍9❤8🔥6😁4
Forwarded from Machinelearning
🔥 Собери свой OpenClaw за вечер
Репозиторий, в котором разобрано устройство OpenClaw по слоям.
Это формат, которого не хватает большинству гайдов, пошаговая сборка системы, где каждый этап добавляет новый уровень сложности
Сначала обычный чат. Потом подключаются инструменты. Затем навыки, работа с вебом, память, маршрутизация задач и мультиагентная логика. В какой-то момент начинаешь ловить себя на мысли, что уже думаешь как оркестратор, а не как пользователь модели
В гайде хорошо видно, где заканчивается модель и начинается обвязка. Как строится цикл принятия решений, как агент выбирает инструменты и как вообще появляется ощущение «интеллекта»
Дает неплохое понимание архитектуры клешни.
https://github.com/czl9707/build-your-own-openclaw
@ai_machinelearning_big_data
#opensource #openclaw
Репозиторий, в котором разобрано устройство OpenClaw по слоям.
Это формат, которого не хватает большинству гайдов, пошаговая сборка системы, где каждый этап добавляет новый уровень сложности
Сначала обычный чат. Потом подключаются инструменты. Затем навыки, работа с вебом, память, маршрутизация задач и мультиагентная логика. В какой-то момент начинаешь ловить себя на мысли, что уже думаешь как оркестратор, а не как пользователь модели
В гайде хорошо видно, где заканчивается модель и начинается обвязка. Как строится цикл принятия решений, как агент выбирает инструменты и как вообще появляется ощущение «интеллекта»
Дает неплохое понимание архитектуры клешни.
https://github.com/czl9707/build-your-own-openclaw
@ai_machinelearning_big_data
#opensource #openclaw
❤4👍3🔥3
🔥 Китайцы выкатили мощный голосовой ИИ - VoxCPM2
Модель от OpenBMB, которая умеет:
• Понимать и генерировать речь
• Работать с голосом почти в реальном времени
• Делать voice-to-voice без сложных пайплайнов
• Подходит под ассистентов, звонки и голосовые агенты
Главный плюс - всё это в одной модели, без костылей из ASR + TTS
https://huggingface.co/openbmb/VoxCPM2
Модель от OpenBMB, которая умеет:
• Понимать и генерировать речь
• Работать с голосом почти в реальном времени
• Делать voice-to-voice без сложных пайплайнов
• Подходит под ассистентов, звонки и голосовые агенты
Главный плюс - всё это в одной модели, без костылей из ASR + TTS
https://huggingface.co/openbmb/VoxCPM2
👍8❤4🔥3
Forwarded from Machinelearning
🚀 Qwen 3.6-Plus забрал все три первых места на OpenRouter. Одновременно.
Alibaba выкатили новую модель, и она сразу заняла #1 в трех рейтингах OpenRouter: Daily, Weekly и Trending. Такого там раньше никто не делал.
Модель уже вышла из триала и доступна в проде. По первым отзывам: латенси ниже, рассуждения на уровне топовых моделей, а цена за токен заметно приятнее конкурентов.
Доступна через Qwen Cloud, Alibaba Cloud Model Studio, OpenRouter и Fireworks AI. Из коробки интегрируется с OpenClaw, Kilo Code, Cline, opencode и Qoder.
Для тех, кто сейчас выбирает модель под продакшен, есть смысл погонять на своих задачах.
Достижения на OpenRouter звучат красиво, но синтетические бенчмарки и реальные пайплайны - вещи разные.
Интересно посмотреть, как она поведет себя на длинных контекстах и сложных мультиэтапных цепочках.
openrouter.ai/qwen/qwen3.6-plus
fireworks.ai/models/fireworks/qwen3p6-plus
@ai_machinelearning_big_data
#qwen
Alibaba выкатили новую модель, и она сразу заняла #1 в трех рейтингах OpenRouter: Daily, Weekly и Trending. Такого там раньше никто не делал.
Модель уже вышла из триала и доступна в проде. По первым отзывам: латенси ниже, рассуждения на уровне топовых моделей, а цена за токен заметно приятнее конкурентов.
Доступна через Qwen Cloud, Alibaba Cloud Model Studio, OpenRouter и Fireworks AI. Из коробки интегрируется с OpenClaw, Kilo Code, Cline, opencode и Qoder.
Для тех, кто сейчас выбирает модель под продакшен, есть смысл погонять на своих задачах.
Достижения на OpenRouter звучат красиво, но синтетические бенчмарки и реальные пайплайны - вещи разные.
Интересно посмотреть, как она поведет себя на длинных контекстах и сложных мультиэтапных цепочках.
openrouter.ai/qwen/qwen3.6-plus
fireworks.ai/models/fireworks/qwen3p6-plus
@ai_machinelearning_big_data
#qwen
👍6❤3👎1
🚀 PageIndex - умный индекс документов для reasoning-RAG (без векторов)
PageIndex от VectifyAI - open-source система, которая помогает работать с длинными документами (PDF, тексты, правила и т.д.) так, как это сделал бы эксперт-человек, а не обычный поисковик.
В отличие от традиционных RAG-систем, которые разбивают текст на куски и используют vector search (векторное сопоставление), PageIndex создаёт иерархическое дерево структуры документа и позволяет моделям ИИ логически искать ответы через reasoning и tree search.
📄 Основная идея
- Длинные документы индексируются как семантическое дерево — похожее на умный «оглавление»
- Структура сохраняет контекст и древовидную иерархию секций
- При запросе модель обходит дерево через reasoning-поиск, как человек, который листает книгу по разделам, а не просто ищет по похожести текста
- Не нужны: векторная база данных, chunking и top-K-селекция, что снижает потери контекста и повышает точность поиска
🧠 Почему это важно
✔️ Лучше для сложных и больших документов (финансовые отчёты, юридические тексты, технические мануалы)
✔️ Сохранение структуры означает, что ИИ может понимать, где именно в документе находится нужная информация
✔️ В отличие от vector-RAG, здесь решение не основано на похожести, а на пошаговом анализе структуры документа
🔧 Что внутри
- Скрипты и Jupyter-ноутбуки для генерации дерева из PDF или Markdown
- Возможность делать reasoning-RAG напрямую без внешних Vector DB
- Примеры использования и cookbooks для практических сценариев
PageIndex - это не просто индекс, а иерархический, reasoning-ориентированный RAG-фреймворк. Он позволяет ИИ читать и анализировать документы, как эксперт, обходя ограничения простого векторного поиска в больших текстах.
▪ Github: https://github.com/VectifyAI/PageIndex
▪ Blog post: https://vectify.ai/blog/Mafin2.5
PageIndex от VectifyAI - open-source система, которая помогает работать с длинными документами (PDF, тексты, правила и т.д.) так, как это сделал бы эксперт-человек, а не обычный поисковик.
В отличие от традиционных RAG-систем, которые разбивают текст на куски и используют vector search (векторное сопоставление), PageIndex создаёт иерархическое дерево структуры документа и позволяет моделям ИИ логически искать ответы через reasoning и tree search.
📄 Основная идея
- Длинные документы индексируются как семантическое дерево — похожее на умный «оглавление»
- Структура сохраняет контекст и древовидную иерархию секций
- При запросе модель обходит дерево через reasoning-поиск, как человек, который листает книгу по разделам, а не просто ищет по похожести текста
- Не нужны: векторная база данных, chunking и top-K-селекция, что снижает потери контекста и повышает точность поиска
🧠 Почему это важно
✔️ Лучше для сложных и больших документов (финансовые отчёты, юридические тексты, технические мануалы)
✔️ Сохранение структуры означает, что ИИ может понимать, где именно в документе находится нужная информация
✔️ В отличие от vector-RAG, здесь решение не основано на похожести, а на пошаговом анализе структуры документа
🔧 Что внутри
- Скрипты и Jupyter-ноутбуки для генерации дерева из PDF или Markdown
- Возможность делать reasoning-RAG напрямую без внешних Vector DB
- Примеры использования и cookbooks для практических сценариев
PageIndex - это не просто индекс, а иерархический, reasoning-ориентированный RAG-фреймворк. Он позволяет ИИ читать и анализировать документы, как эксперт, обходя ограничения простого векторного поиска в больших текстах.
▪ Github: https://github.com/VectifyAI/PageIndex
▪ Blog post: https://vectify.ai/blog/Mafin2.5
🔥4❤3👍2
Продвинутый SQL совет - всегда проверяй, можно ли заменить SELECT DISTINCT на правильный JOIN или EXISTS.
Очень часто DISTINCT добавляют просто чтобы убрать дубли после неудачного join. Запрос вроде работает, но по факту ты сначала раздуваешь результат, а потом заставляешь базу его чистить. На больших таблицах это легко убивает производительность.
Плохой вариант:
Лучше так:
Почему это сильный приём:
EXISTS останавливается, как только находит первое совпадение
не нужно тащить лишние строки
не нужно потом убирать дубли
логика запроса становится честной - ты проверяешь наличие, а не собираешь мусор
Это один из самых частых hidden performance fixes в SQL. Если видишь DISTINCT, сразу спрашивай себя: он тут реально нужен или просто маскирует плохую логику JOIN.
Очень часто DISTINCT добавляют просто чтобы убрать дубли после неудачного join. Запрос вроде работает, но по факту ты сначала раздуваешь результат, а потом заставляешь базу его чистить. На больших таблицах это легко убивает производительность.
Плохой вариант:
SELECT DISTINCT u.id, u.name
FROM users u
JOIN orders o ON o.user_id = u.id;
Лучше так:
SELECT u.id, u.name
FROM users u
WHERE EXISTS (
SELECT 1
FROM orders o
WHERE o.user_id = u.id
);
Почему это сильный приём:
EXISTS останавливается, как только находит первое совпадение
не нужно тащить лишние строки
не нужно потом убирать дубли
логика запроса становится честной - ты проверяешь наличие, а не собираешь мусор
Это один из самых частых hidden performance fixes в SQL. Если видишь DISTINCT, сразу спрашивай себя: он тут реально нужен или просто маскирует плохую логику JOIN.
❤16👍9🔥5😁1
This media is not supported in your browser
VIEW IN TELEGRAM
Ты до сих пор выбираешь базу данных по привычке?
Вот 13 типов БД, которые нужно понимать, если хочешь проектировать системы нормально:
1) Реляционные
Хранят структурированные данные в таблицах со схемой и работают через SQL
2) Key-Value
Простейшие пары ключ-значение для максимально быстрых чтений и кеширования
3) Колоночные
Хранят данные по колонкам, а не по строкам, идеально для аналитики
4) Wide-Column
Гибкие колоночные семейства для распределённых систем и больших нагрузок
5) Документные
JSON-подобные документы со свободной структурой и вложенностью
6) Векторные
Хранят эмбеддинги, основа для AI, поиска по смыслу и RAG
7) Time-Series
Данные с таймстемпами, метрики, логи, события
8) Immutable Ledger
Нельзя изменить или удалить, только добавлять, используется для audit и финтеха
9) Графовые
Оптимизированы под связи между сущностями, соцсети, рекомендации, fraud
10) Геопространственные
Работают с координатами, расстояниями и картами
11) In-Memory
Хранят данные в RAM, минимальная задержка и максимум скорости
12) Blob
Для хранения файлов, изображения, видео, бинарные данные
13) Полнотекстовый поиск
Индексируют текст и позволяют быстро искать по содержимому
Реальность такая:
нет лучшей базы данных
есть база под конкретную задачу
И чем раньше это понимаешь, тем меньше костылей потом в проде
Какой тип используешь чаще всего сейчас?
https://www.youtube.com/shorts/9QiasqVw-50
Вот 13 типов БД, которые нужно понимать, если хочешь проектировать системы нормально:
1) Реляционные
Хранят структурированные данные в таблицах со схемой и работают через SQL
2) Key-Value
Простейшие пары ключ-значение для максимально быстрых чтений и кеширования
3) Колоночные
Хранят данные по колонкам, а не по строкам, идеально для аналитики
4) Wide-Column
Гибкие колоночные семейства для распределённых систем и больших нагрузок
5) Документные
JSON-подобные документы со свободной структурой и вложенностью
6) Векторные
Хранят эмбеддинги, основа для AI, поиска по смыслу и RAG
7) Time-Series
Данные с таймстемпами, метрики, логи, события
8) Immutable Ledger
Нельзя изменить или удалить, только добавлять, используется для audit и финтеха
9) Графовые
Оптимизированы под связи между сущностями, соцсети, рекомендации, fraud
10) Геопространственные
Работают с координатами, расстояниями и картами
11) In-Memory
Хранят данные в RAM, минимальная задержка и максимум скорости
12) Blob
Для хранения файлов, изображения, видео, бинарные данные
13) Полнотекстовый поиск
Индексируют текст и позволяют быстро искать по содержимому
Реальность такая:
нет лучшей базы данных
есть база под конкретную задачу
И чем раньше это понимаешь, тем меньше костылей потом в проде
Какой тип используешь чаще всего сейчас?
https://www.youtube.com/shorts/9QiasqVw-50
❤5👍2🥰2
Не пиши SELECT DISTINCT, если проблему создаёт плохой JOIN
Частая ошибка - сначала размножают строки джойном, потом сверху лечат это DISTINCT. Это дорого и часто убивает план.
Плохо:
Лучше так:
DISTINCT часто добавляет sort или hash aggregation на огромном объёме.
EXISTS превращает задачу в semijoin:
• оптимизатору проще остановиться на первом совпадении
• меньше памяти, меньше лишних строк, стабильнее план
Это один из тех рефакторингов, который на больших таблицах реально даёт заметный буст.
Частая ошибка - сначала размножают строки джойном, потом сверху лечат это DISTINCT. Это дорого и часто убивает план.
Плохо:
SELECT DISTINCT u.id, u.name
FROM users u
JOIN orders o ON o.user_id = u.id
WHERE o.created_at >= CURRENT_DATE - INTERVAL '30 days';
Лучше так:
SELECT u.id, u.name
FROM users u
WHERE EXISTS (
SELECT 1
FROM orders o
WHERE o.user_id = u.id
AND o.created_at >= CURRENT_DATE - INTERVAL '30 days'
);
DISTINCT часто добавляет sort или hash aggregation на огромном объёме.
EXISTS превращает задачу в semijoin:
• оптимизатору проще остановиться на первом совпадении
• меньше памяти, меньше лишних строк, стабильнее план
Это один из тех рефакторингов, который на больших таблицах реально даёт заметный буст.
👍21❤6🔥3
⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде!
Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?
Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.
И 90% таких систем ломаются между ноутбуком и продом.
AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.
На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.
👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/
Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?
Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.
И 90% таких систем ломаются между ноутбуком и продом.
AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.
На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.
👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/
❤3👍3🔥3👎1🤬1
🔥 NornicDB: База данных, которая объединяет Graph + Vector и летает в sub-ms
Это гибрид: Graph + Vector + Temporal MVCC в одном ядре
заточен под AI-агентов и knowledge systems
Что внутри:
• HNSW поиск <1ms
• graph traversal без тормозов
• writes тоже быстрые, не только чтение
Из хорошего, это не Frankenstein из разных сервисов, а единая система.
Под капотом:
• Neo4j-compatible (Bolt + Cypher)
• vector search как first-class citizen
• GPU acceleration
T- emporal модель с версионированием данных
То есть ты можешь:
• искать эмбецдинги
• ходить по графу
• делать time-travel запросы
• всё это в одном запросе.
Фактически это попытка сделать “память для AI”:
где есть связи, смысл и история изменений, а не просто таблицы.
Если делаешь RAG, multi-agent системы или сложные knowledge graph - будет полезно.
GitHub: https://github.com/orneryd/NornicDB
Это гибрид: Graph + Vector + Temporal MVCC в одном ядре
заточен под AI-агентов и knowledge systems
Что внутри:
• HNSW поиск <1ms
• graph traversal без тормозов
• writes тоже быстрые, не только чтение
Из хорошего, это не Frankenstein из разных сервисов, а единая система.
Под капотом:
• Neo4j-compatible (Bolt + Cypher)
• vector search как first-class citizen
• GPU acceleration
T- emporal модель с версионированием данных
То есть ты можешь:
• искать эмбецдинги
• ходить по графу
• делать time-travel запросы
• всё это в одном запросе.
Фактически это попытка сделать “память для AI”:
где есть связи, смысл и история изменений, а не просто таблицы.
Если делаешь RAG, multi-agent системы или сложные knowledge graph - будет полезно.
GitHub: https://github.com/orneryd/NornicDB
❤6👍5👎1🔥1
Edit Banana редактирует текст прямо на картинках за пару кликов. Нейросеть разбирает изображение на смысловые блоки, после чего любой фрагмент можно переписать, не трогая остальное.
Модель уверенно справляется с таблицами, формулами и диаграммами, сохраняет исходные цвета, шрифты и позиции элементов. Готовый результат экспортируется в DrawIO, SVG или PowerPoint.
Проект полностью открытый, ставится локально с GitHub.
Забираем, пока не закрыли:
https://github.com/BIT-DataLab/Edit-Banana
Модель уверенно справляется с таблицами, формулами и диаграммами, сохраняет исходные цвета, шрифты и позиции элементов. Готовый результат экспортируется в DrawIO, SVG или PowerPoint.
Проект полностью открытый, ставится локально с GitHub.
Забираем, пока не закрыли:
https://github.com/BIT-DataLab/Edit-Banana
🔥10❤6👍4
Разрозненные инструменты, ручные операции, переключение консолей и долгий поиск причин сбоя — знакомая проблема для команд без единой среды администрирования.
Postgres Pro Enterprise Manager 2.5 помогает навести порядок. Это графическая платформа для управления базами данных Postgres Pro через веб-интерфейс.
С новой версией команда тратит еще меньше времени на рутину и быстрее возвращает систему в нормальный режим.
Преимущества для бизнеса:
✔️ Ниже нагрузка на администраторов и меньше ручных операций.
✔️ Больше порядка в работе с экземплярами, ролями и бэкапами.
✔️ Быстрее поиск причин сбоев и проще восстановление.
✔️ Более управляемая инфраструктура и предсказуемая работа команды.
Что нового в версии 2.5:
✔️ BiHA-кластеры: мажорное обновление через GUI, улучшенная интеграция и поддержка узла-рефери.
✔️ Аудит и контроль доступа: аудит CRUD-операций, детали изменений, работа с ролями СУБД через формы.
✔️ Логи и диагностика: VictoriaLogs, раздел «Диагностика» и поддержка
✔️ Бэкапы: удаленный режим
Запросите тестирование и проверьте Postgres Pro Enterprise Manager 2.5 на своей инфраструктуре.
Реклама ООО «ППГ» Инн: 7707083893 Erid: 2Vtzqwfck23
Postgres Pro Enterprise Manager 2.5 помогает навести порядок. Это графическая платформа для управления базами данных Postgres Pro через веб-интерфейс.
С новой версией команда тратит еще меньше времени на рутину и быстрее возвращает систему в нормальный режим.
Преимущества для бизнеса:
Что нового в версии 2.5:
pg_diagdump.pg_probackup через SSH и стабилизация непривилегированного режима агента.Запросите тестирование и проверьте Postgres Pro Enterprise Manager 2.5 на своей инфраструктуре.
Реклама ООО «ППГ» Инн: 7707083893 Erid: 2Vtzqwfck23
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍1
This media is not supported in your browser
VIEW IN TELEGRAM
Большинство думает, что проблема в LLM или плохом промпте. На практике всё проще. Модель не видит правильные связи между таблицами.
Пример. Запрос вроде “какие издатели получили выплаты выше 5000”. Векторный поиск подтянет publisher и royalty_ledger. Всё логично. Но пропустит vendor_agreement, ту самую таблицу, которая их связывает.
В итоге SQL выглядит валидно. Но возвращает ноль строк.
Это системная проблема всех решений на embeddings. Они ищут по смыслу, но не понимают структуру базы.
Нормальный подход другой. Схему нужно рассматривать как граф.
Таблицы это узлы. Foreign keys это связи. Запрос решается не поиском похожих слов, а обходом графа и поиском join-пути.
Именно так работает QueryWeaver.
Он строит граф базы и при запросе сам находит весь путь, включая промежуточные таблицы. Даже если это цепочка из нескольких шагов.
На практике это выглядит так. В тесте с базой на 60 таблиц он разобрал 5-шаговый запрос через цепочку superpower → capability_matrix → stakeholder_registry → resource_requisition → budget_allocation.
Векторный поиск увидел только начало и конец. Всё между ними потерял, потому что “stakeholder” никак не связан по смыслу с “superpower”.
Графу на это всё равно. Он просто находит единственный путь между сущностями.
И это меняет всё.
Open-source, можно развернуть у себя и наконец получить text-to-SQL, который реально работает.
https://github.com/FalkorDB/QueryWeaver
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍2🥰1
SQL и Python - это инструменты. Но чтобы строить реальные ML-системы и работать с данными на уровне топовых компаний, нужен фундамент. Поэтому рекомендация!
Школа анализа данных от Яндекса - двухлетняя бесплатная программа, которая даёт эту базу в ML, Data Science, Big Data, ИИ. Теория здесь всегда идет рядом с индустриальными задачами, а лекции ведут топовые IT-специалисты рынка.
Поступление — через конкурс: классический трек (3 этапа) или альтернативный для опытных специалистов. Формат обучения - офлайн, гибрид или онлайн.
Если хотите бустануть карьеру в Data Science — переходите по ссылке
Школа анализа данных от Яндекса - двухлетняя бесплатная программа, которая даёт эту базу в ML, Data Science, Big Data, ИИ. Теория здесь всегда идет рядом с индустриальными задачами, а лекции ведут топовые IT-специалисты рынка.
Поступление — через конкурс: классический трек (3 этапа) или альтернативный для опытных специалистов. Формат обучения - офлайн, гибрид или онлайн.
Если хотите бустануть карьеру в Data Science — переходите по ссылке
👎6❤1👍1😁1🤬1