DuckLake, GraphRAG и метрики LLM: дайджест материалов
Lakehouse на DuckDB за час
DuckLake — это открытый табличный формат для lakehouse от команды DuckDB. Метаданные таблиц он хранит в SQL-базе, а сами данные — в файлах Parquet, то есть описание схемы и хранение данных разведены по разным слоям. Версия DuckLake 1.0 вышла в апреле 2026 года: она получила стабильную спецификацию и гарантированную обратную совместимость. Материал обещает практическое введение: собрать lakehouse на DuckDB можно менее чем за час. Такой подход может быть полезен тем, кто хочет получить аналитический контур на привычном SQL и Parquet без тяжелой инфраструктуры.
Источник: Getting Started with DuckLake: Build a Lakehouse on DuckDB in Under an Hour (13.11.2026)
Пять открытых альтернатив Jev
Текст собирает пять бесплатных open-source альтернатив Jev. Речь идет о моделях принятия решений, которые можно запускать локально, не отправляя данные во внешние сервисы. Разброс заявлен широкий: от вариантов с высокой точностью до легких моделей, рассчитанных на работу внутри AI-агентов. Подборка ориентирована на тех, кому нужна бесплатная замена и контроль над тем, где именно выполняется вычисление.
Источник: 5 FREE Open-Source Alternatives to Jev (13.11.2026)
graphrag-toolkit и многошаговый RAG
Материал объясняет, чем графовое расширение RAG отличается от обычного векторного поиска: граф помогает связывать связанные факты, которые простой поиск по эмбеддингам пропускает. В качестве практики предлагается собрать исследовательского ассистента, умеющего делать многошаговые (multi-hop) запросы. В стеке названы открытый graphrag-toolkit от AWS Labs, база Neo4j и расширение pgvector. Такой набор соединяет графовое хранилище и векторный поиск в одной схеме. Для читателя это пример того, как строить GenAI-приложения, опирающиеся не только на похожесть текстов, но и на связи между фактами.
Источник: Building Graph-Enhanced GenAI Applications with graphrag-toolkit (12.11.2026)
Семь бесплатных книг про AI-системы
Подборка включает семь бесплатных книг о построении AI-систем. Основная мысль вводной части: собрать AI-агента легко, а сделать так, чтобы он реально работал в продакшене, — заметно труднее. Именно инженерным знаниям, которые нужны для такого перехода, и посвящены эти книги. Материал адресован тем, кто уже пробовал делать агентов и хочет закрыть разрыв между прототипом и рабочей системой.
Источник: 7 FREE Books to Learn About Building AI Systems (12.11.2026)
Smaug от Abacus.AI: где прирост больше
Abacus.AI применила один и тот же рецепт тонкой настройки к трем очень разным моделям с открытыми весами. Прирост качества при этом оказался в совершенно разных местах, а не в одной и той же точке. Автор разбирает модель Smaug и то, где именно улучшение проявляется сильнее всего. Главный вывод, который предлагает текст: распределение прироста по разным задачам говорит больше, чем отдельная оценка из бенчмарка.
Источник: Where Does Abacus.AI’s Smaug Model Improve Performance the Most? (11.11.2026)
Что требуют в senior-вакансиях по данным
Материал — разбор вакансий для senior-специалистов в области data science в 2026 году. Автор опирается на данные и раскладывает по полочкам навыки, подтверждения квалификации и компетенции, на которые сейчас смотрят нанимающие менеджеры. Речь идет именно о том, что реально стоит в требованиях, а не об общих пожеланиях. Такой срез полезен и соискателям, которые готовят резюме, и тем, кто формирует требования к роли.
Источник: What Senior Data Science Job Postings Actually Ask for in 2026 (11.11.2026)
Девять метрик инференса LLM
Текст объясняет девять ключевых метрик инференса больших языковых моделей, обещая уложиться в пять минут чтения. Разбираются замеры производительности инференса и формулы для латентности, скорости генерации токенов и системной нагрузки. Такой набор метрик нужен, чтобы оценивать поведение модели под нагрузкой и сравнивать конфигурации между собой. Материал рассчитан на быстрый вход в тему без длинной теории.
Источник: 9 Key LLM Inference Metrics Explained in 5 Minutes (11.11.2026)
👤 Зарегистрируйтесь, чтобы добавить материал в закладки.
