Коллеги, напоминаю про онлайн встречу ссегодня, поговорим про Client facing AI-Agents

Как ИТ-директору навести порядок в бэк-офисе и стать стратегическим партнером бизнеса

Слишком много систем на поддержке, теневое ИТ, которое появляется в отделах без контроля, а сверху — ожидание, что ИТ-директор все починит руками. Знакомо?

В такой ситуации ИТ превращается в техподдержку для всей компании: HR, финансы, юристы и АХО живут по своим правилам, а сотрудники по привычке идут с любой проблемой к ИТ. И хаос в бэк-офисе рано или поздно становится головной болью CIO — даже там, где он формально ни за что не отвечает.

В новом гайде SimpleOne рассказываем, почему именно ИТ-директор может возглавить трансформацию бэк-офиса и как ESM (Enterprise Service Management) меняет его роль — без захвата чужих процессов и без навязывания отделам ИТ-инструментов.

В материале:

почему хаос в бэк-офисе становится проблемой именно ИТ-директора
как распространить сервисный подход на HR, финансы и АХО, сохранив их автономию
что поменять в операционной модели, чтобы ИТ владело архитектурой, а не чужими процессами
5 практических шагов внедрения и роль ИТ на каждом этапе
новая роль CIO — стратегический партнер, который строит цифровую среду для всей компании
реальные кейсы Альфа-Лизинг, МТС Банка и Systeme Electric

Автор материала — Андрей Вишняков, директор по бизнес-продуктам SimpleOne, ITIL 4 Master, ITIL 3 Expert, автор РИТМ.

🔗 Скачать материал
🔗 Оценить эффект изменений с ESM-калькулятором

Дайджест статей

📰 Стоковый ClickHouse занял 12 ГБ диска при 543 КБ данных
🔗 https://habr.com/ru/articles/1070270/
💡 Вывод: 98.8% вставок в базу оказались собственной телеметрией ClickHouse (trace_log, asynchronous_metric_log, text_log - без TTL из коробки), мерж-амплификация 1:678. Проверяйте, какая доля I/O вашего стораджа обслуживает полезную нагрузку, а какая - самонаблюдение движка. Второй урок автора дороже первого: настройка, пропорциональная ресурсам машины, не имеет права лежать в дефолтном конфиге. Универсальны оказались только три из одиннадцати.

📰 The dark side of компрессия в PostgreSQL
🔗 https://habr.com/ru/companies/tantor/articles/1071746/
💡 Вывод: коэффициент сжатия - ложная цель. Реальные метрики - write и read amplification. Страницы переменного размера дают максимальное сжатие ценой WAF 1.5-2x, страницы фиксированного размера 4 КБ дают WAF вдвое лучше несжатой записи. На больших объёмах LZ4 обгоняет несжатый вариант даже когда данные уже в кэше ОС, а zstd проигрывает 69% на распаковке при лучшем коэффициенте. Выбирайте размер страницы по проценту overflow, а не по среднему размеру. Оговорка: статья от вендора Tantor Labs, тесты на их же CSM.

📰 Как я улучшил векторный поиск в YDB
🔗 https://habr.com/ru/articles/1072032/
💡 Вывод: +28% throughput и p99 66→53 мс получены без единого изменения алгоритма поиска, recall остался 0.883. Цепочку из нескольких стадий StreamLookup заменили одним read-актором. Показательный кейс: когда логика размазана по независимым стадиям, ей негде держать состояние, а без состояния невозможны ни кэш уровней, ни best-first обход, ни ранний выход. Автор прямо говорит, что 28% были побочным эффектом, целью было создать место для оптимизаций.

📰 Как ИИ меняет работу с корпоративными данными - итоги седьмого митапа MWS
🔗 https://habr.com/ru/companies/ru_mts/articles/1072154/
💡 Вывод: самый плотный материал в выборке. Data Governance 2.0 = классический DG + Model Governance + управление рисками + управление стоимостью, где каждый ИИ-кейс описан формальным манифестом (источники, разрешённые и запрещённые действия агента, условия остановки, место человека в контуре). Качество меряют по цепочке, а не по финальному ответу: hit rate, precision, citation rate - это позволяет отделить ошибку модели от дыры в поиске. Стоимость запроса считают с retrieval, embeddings, хранением и временем человека на проверку. Отдельно про Text2SQL: масштабируется не количество примеров, а онтология и YAML-манифест метаслоя, 90% на пилотных доменах при рубле за описание поля.

📰 Теория и практика DWH: все виды SCD по Кимбаллу
🔗 https://habr.com/ru/articles/1073420/
💡 Вывод: справочник, а не аналитика. Полезен тем, что раскладывает SCD 0-7 на одной шкале сложности и явно отделяет базовые типы (0-4) от гибридных (5-7), которые в проде почти не встречаются. Годится как быстрая опора при проектировании измерений или как материал для онбординга.

📰 Обзор технологий S3-хранилища
🔗 https://habr.com/ru/companies/vk/articles/1071120/
💡 Вывод: обзорная статья с одной практической мыслью - защита от шифровальщиков живёт не в бэкап-стратегии сверху, а внутри хранилища. Object Lock переводит объекты в WORM на заданный срок и блокирует удаление даже администратором, версионирование само по себе от компрометации ключей не спасает. Дедупликация даёт около 20% экономии на архивах и логах. Оговорка: материал VK Tech, заканчивается рекламой их Object Storage.

Олды поймут :)

Цифровизация на языке бизнеса

Мероприятия по цифровизации часто бывают слишком ИТшными. Мы это учли и сделали интенсив, который будет действительно интересен Топ-менеджерам от бизнеса.
 
Офлайн-интенсив “Цифровизация производства от учета до ИИ” для владельцев и ТОП-менеджеров производственных компаний FMCG и АПК. 

30 сентября 2026 г. Приурочено к выставке Агропродмаш
 
О чем поговорим?

Что такое цифровое производство? Ключевые элементы и ценность от их синергии.
8 болей пищевого производства, которые лечит MES
MES на фабрике кухни: особый подход к автоматизации сегмента готовой еды
Как цифровизация трансформирует работу службы качества?
Инфобез промышленных масштабов: конкретные шаги по защите производства
Эволюция российского BI – от реактивных дашбордов к проактивным ИИ-агентам
Как оценить зрелость данных и ИТ-инфраструктуры перед стартом внедрения ИИ-агентов? 
Применение ИИ в работе с видеоаналитикой

И это, разумеется, еще не все!

Вас ждет:

Только практика – только хардкор! Все доклады основаны на кейсах реальных проектов. 
Применимость здесь и сейчас. Вы сможете оценить, где проседаете, и тут же получить советы, как с этим работать.
Живое общение. Возможность завязать новые полезные знакомства и задать вопросы экспертам без «лишних ушей».
 
Регистрируйтесь по ссылке

PS: Участие бесплатно, но требует подтверждение модератором. Количество мест ограничено. Помните, что с каждым днем свободных слотов становится все меньше!

Один мой знакомый решил в своей компании полностью отказаться от дашбордов и заменить их на ИИ. Дашбордами все равно никто не пользовался, так что Claude казался более дешевой и удобной альтернативой.

Но постепенно все покатилось куда-то не туда.
Перестали сходиться цифры: разные отделы оперировали разными данными и метриками и никак не могли договориться между собой.
У термина “активный клиент” появилось сразу три определения.
Claude посчитал показатели по таблицам, которые не обновлялись с 2022 года.
У знакомого начало зреть ощущение, что он все сломал.

Это не уникальный случай. Я такое видел уже много раз в разных компаниях.

Дело в том, что BI-система - это не просто набор графиков. Это то, что заставляет всех договариваться, что значат данные и как считать метрики. Как только убрали этот общий знаменатель, разногласия начали расползаться по всей компании. Именно поэтому я не устаю повторять: ИИ не заменит систему данных, особенно если в компании ее толком и не было.

Прежде чем отказываться от BI ради экономии, убедитесь, что понимаете, что именно вы теряете. Если вы потратили деньги на дашборды, а сотрудники на них все равно не смотрят, дело может быть вообще не в дашбордах. Я регулярно провожу аудиты систем аналитики и вижу, что причины могут быть самые разные, но я еще не встречал случаев, когда полный отказ от BI пошел бы кому-то на пользу.

А вы бы заменили дашборды на инсайты от ИИ?

Fine Talks: куда движется корпоративная аналитика

Собираемся, чтобы разобраться без лозунгов: что реально меняется в работе BI-команд с приходом ИИ, где он уже даёт результат, а где упирается в состояние данных. Одни ждут, что чат-бот заменит аналитика, другие уверены, что до их данных это не коснётся.

В программе:
✅ дискуссия с практиками из СИБУР и t2: три версии показателя «выручка» в разных отчётах, матрица доступа, доверие бизнеса к цифрам и кто отвечает за результат, если его посчитала машина
✅ разбор Dora, новой платформы дата-агентов FanRuan: четыре роли агентов, архитектура, права, демо и роадмап
✅ новые компетенции аналитика: критическое мышление, промпт-инжиниринг, умение проверять выводы моделей

Онлайн-встреча 3 сентября в 16:00.

Ссылку на трансляцию пришлём на почту после регистрации.

👉 Регистрация: https://clck.ru/3VDswx

📰 Данные без противоречий. Связи между полями
🔗 https://habr.com/ru/articles/1069220/
💡 Вывод: Генератор, заполняющий поля независимо, создаёт формально валидные и физически невозможные записи — «женский, Ольга, аденома простаты», и это тихо ломает фикстуры, когда полей становится пятнадцать. Ключевое инженерное решение автора: доли раскладываются как квота на всю выборку, а не как взвешенный рандом на каждую строку, поэтому распределение можно проверять ассертом, а не глазом. Инструмент TDCV2 под MIT, один конфиг с одним сидом даёт построчно совпадающий вывод в пяти языках.

Дайджест статей

📰 Честный RAG eval set: как собрать первые 100-300 кейсов и не обмануть себя цифрой
🔗 https://habr.com/ru/articles/1070534/
💡 Вывод: Разделяйте три набора (smoke 20-50, ручной eval 100-300, обучающие данные) и меряйте retrieval отдельно от генерации, иначе причины поломок смешиваются. Практический момент, который автор подтверждает цифрами: на 120 кейсах разница Recall@5 0.808 против 0.792 — это два запроса, а не победа конфигурации; 95% интервал при p=0.78 и n=120 около ±7.4 пункта. Решение принимайте по срезам (exact entity, версии, «нет ответа»), а не по среднему.

📰 Предиктивное обслуживание в промышленности: три системных условия, без которых технологии не работают
🔗 https://habr.com/ru/companies/severstal/articles/1070560/
💡 Вывод: Технологический успех при операционном провале — стандартный сценарий: модели прогнозируют верно, а ремонтируют по факту. Автор из «Северстали» приводит свои цифры: до 40% временных рядов с датчиками содержат пропуски, только 45% интерфейсов работают в реальном времени, 35% критического оборудования имеет достаточную историю отказов. Проектируйте не платформу, а замкнутый цикл «данные → культура → знания», где каждый элемент питает остальные, иначе получаете дашборды, которые никто не смотрит.
Оговорка по источнику: часть статьи — витрина решений «Северстали», сравнительная таблица Industry 4.0 vs 5.0 подана со ссылкой на Deloitte Manufacturing Industry Outlook 2024, но методика замера в тексте не раскрыта.

📰 DataJunction as Netflix's answer to the missing piece of the modern data stack
🔗 https://netflixtechblog.medium.com/datajunction-as-netflixs-answer-to-the-missing-piece-of-the-modern-data-stack-92af926b40a5
💡 Вывод: Netflix выбрал DataJunction не за фичи, а за движок парсинга и генерации SQL плюс хранение определений в связном графе — на момент POC этого не давали ни Minerva, ни внутренний Mando. Строя семантический слой, режьте scope до ядра: API и граф сначала, UI, кэширование и интеграции потом, иначе ядро придётся переписывать. Отдельный аргумент для тех, кто строит LLM поверх аналитики: внутренние модели Netflix могут отвечать по бизнес-метрикам подотчётно только потому, что определения лежат в одном месте.

📰 GenRec: Towards LLM-Native Recommendation at Netflix
🔗 https://netflixtechblog.com/genrec-towards-llm-native-recommendation-at-netflix-f20be6f643e3
💡 Вывод: Сдвиг от feature engineering к context engineering перестал быть слоганом: GenRec обошёл зрелый продакшн-ранкер, используя в 10-40 раз меньше размеченных примеров второй фазы, а окно контекста стало новым бюджетом на фичи — сжатие вербализации до трети токенов почти не тронуло офлайн-метрики и во столько же уронило стоимость инференса. Prefill-only режим на vLLM (один проход по промпту, скоринг всего каталога без авторегрессии) — тот приём, который вообще делает экономику возможной. Инфраструктура рекомендаций начинает выглядеть как LLM-инфраструктура, а не как классический RecSys-стек.

📰 Опыт миграции аналитики для ритейла Retail Analytics с MS SSAS на Alpha OLAP
🔗 https://habr.com/ru/companies/barsgroup/articles/1070016/
💡 Вывод: Планируя уход с SSAS, закладывайте инженерную работу на 10-20% показателей: 80% (маржа, средний чек, оборачиваемость) переезжают предсказуемо, а ежедневные остатки на 150 млн строк, out-of-stock, прогнозирование и cross-selling требуют переноса логики в СУБД и переработки витрин. Архитектурная ловушка, которую стоит знать заранее: в Alpha OLAP каждый атрибут измерения — отдельная иерархия, что ломает формулы со ссылками на периоды. Заявленный срок миграции всего контура — около 3,5 человеко-месяцев.
Оговорка по источнику: текст написан маркетологом продукта Alpha BI, все цифры производительности — от вендора и партнёра, независимых замеров нет.

Цифровизация на языке бизнеса

Мероприятия по цифровизации часто бывают слишком ИТшными. Мы это учли и сделали интенсив, который будет действительно интересен Топ-менеджерам от бизнеса.
 
Офлайн-интенсив “Цифровизация производства от учета до ИИ” для владельцев и ТОП-менеджеров производственных компаний FMCG и АПК. 

30 сентября 2026 г. Приурочено к выставке Агропродмаш
 
О чем поговорим?

Что такое цифровое производство? Ключевые элементы и ценность от их синергии.
8 болей пищевого производства, которые лечит MES
MES на фабрике кухни: особый подход к автоматизации сегмента готовой еды
Как цифровизация трансформирует работу службы качества?
Инфобез промышленных масштабов: конкретные шаги по защите производства
Эволюция российского BI – от реактивных дашбордов к проактивным ИИ-агентам
Как оценить зрелость данных и ИТ-инфраструктуры перед стартом внедрения ИИ-агентов? 
Применение ИИ в работе с видеоаналитикой

И это, разумеется, еще не все!

Вас ждет:

Только практика – только хардкор! Все доклады основаны на кейсах реальных проектов. 
Применимость здесь и сейчас. Вы сможете оценить, где проседаете, и тут же получить советы, как с этим работать.
Живое общение. Возможность завязать новые полезные знакомства и задать вопросы экспертам без «лишних ушей».
 
Регистрируйтесь по ссылке

PS: Участие бесплатно, но требует подтверждение модератором. Количество мест ограничено. Помните, что с каждым днем свободных слотов становится все меньше!

Коллеги, и еще один анонс

VTORNIK.Вечер #9

Друзья, мы возвращаемся после летнего перерыва и открываем второй сезон Вечеров! Надеемся, вы хорошо отдохнули! Мы уже успели соскучиться. Ждем вас!

25 августа, с 19:00 до 21:00 мы рады вас пригласить на наш новый митап. Он пройдет как обычно офлайн. В этот раз вас ждет следующая программа:

————————————

1️⃣ Как структурировать и запустить ИИ-проект в крупной корпорации и довести его до успешного внедрения?
Модель управления. Роли в команде. Про что не забыть на входе. Какие нюансы по метрикам. Когда делать PoC, а когда сразу идти по-серьезному

Спикер: Сергей Рассудительнов, Начальник управления внедрения ИИ решений и развития GenAI, Альфа-банк

5 лет в финансах. 5 лет в стратегии. 3 года в ИИ. Опыт работы в: Банк Москвы, ВТБ, Альфа-банк


2️⃣ Исследовательский harness: как устроен, какие ошибки ждут, как построить свой — чтобы масштабировать работу и не только

Спикер: Максим Шаланкин, ML Tech Lead в финтех‑команде Big Data MWS (МТС)

Победитель премии RuCode в номинации «ИИ инноватор» за эффективное внедрение технологий искусственного интеллекта в образовательный процесс. Преподает машинное обучение и AI‑агентов в МФТИ, НИУ ВШЭ и Школе аналитиков данных МТС.

————————————

📍 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, отмечаем в календаре, не пропускаем очень хорошее мероприятие!

Microsoft Research выложил Flint - новый язык для визуализации данных, заточенный под агентов и LLM

Концепция - разделить то, что график значит, и то, как он рисуется. Агент пишет компактный семантический спек. Детерминированный компилятор выводит из данных, семантических типов и энкодингов всё остальное - шкалы, оси, отступы, раскладку. Дальше один и тот же спек компилируется в Vega-Lite, ECharts, Chart.js, Plotly и нативные чарты Excel.

Flint интересен не как инструмент для чартов. Как готовый образец того, из чего собирается интерфейс между агентом и системой.

https://microsoft.github.io/flint-chart/

Найдена причина, почему 95% проектов внедрения ИИ проваливаются

Компании выбирают ИИ-проект наугад, тратят бюджет и месяцы, а получают ноль результата. Не потому что ИИ не работает. Причина в неверном выборе стратегии под свою задачу.

Как выбрать верный путь внедрения ИИ, обсудим на вебинаре августа.

Почему большинство ИИ-проектов проваливаются с самого старта
Как соотносятся скорость, бюджет, безопасность и результат — и чем придется пожертвовать
Как понять, готов ли ваш бизнес к тому или иному сценарию внедрения
Как легализовать использование ИИ сотрудниками, чтобы не словить утечку данных и штраф
Когда выгоднее строить «свой ИИ», а когда — просто взять готовое решение

Всем участникам подарим чек-лист «Как выбрать стратегию внедрения GenAI для вашего бизнеса»😊

Начинаем 20 августа в 11:00, онлайн, бесплатно.

Зарегистрироваться на вебинар

Спикер — Алексей Чуприцкий,

основатель и управляющий партнер Interstorm, эксперт по внедрению ИИ и росту эффективности производственных компаний. Куратор нацпроекта «Производительность труда». Кейсы Interstorm — победители BRICS Solutions Awards.