Клуб CDO

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.

Gartner обновил список технологий будущего на 70% 23 июля Gartner опубликовал Hype Cycle for Emerging Technologies 2026. Традиционно тридцать технологий. Из прошлогоднего набора в новый перешли девять. Двадцать одна выбыла, двадцать одна появилась впервые. AI Agents исчезли как категория В 2025 это была одна позиция на пике завышенных ожиданий. В 2026 её нет вовсе. Вместо неё в выпуске восемь отдельных агентных позиций: Multiagent Systems, Agent Management Platform, Agent Marketplace, Guardian Agent, No-Code Agent Builders, Physical AI Agents, AI Toolmate, Context Graphs. Так выглядит взросление категории: зонтичный термин теряет полезность и распадается на инженерные специализации. Половина осколков описывает управление агентами, а не их способности. Guardian Agent - агент, надзирающий за другими агентами. Model Context Protocol проехал полкривой за год Из середины Innovation Trigger на самый пик. Самое быстрое движение в наборе. Протокол, которому нет и двух лет, стоит теперь рядом с Multiagent Systems и Machine Customers. AGI выпал из списка В 2025 он был отмечен как «более десяти лет до плато». В 2026 отсутствует. Вместе с ним ушли Embodied AI, Humanoid Working Robots, Meta Computing. Пришли Polyfunctional Robots и World Models - вещи с обозримым горизонтом и понятным применением. Пришёл физический слой Space-Based Data Centers, Commercial Nuclear Fusion Power, Supplemental Coverage From Space, Photonic Computing. Год назад из этого ряда были только энергоэффективные здания. Инфраструктурный голод ИИ дошёл до перечня emerging technologies: энергия, космос, оптика. Тема человека исчезла целиком Cybernetic Teammate, Cognitive Offloading, Augmented Connected Workforce, Bidirectional Brain-Machine Interface, Adaptive Experiences - выбыли все. Прошлогодняя тема «дополненная человечность» не пережила год. Сменилась и рамка. В 2025 Gartner описывал четыре явления: автономный бизнес, гиперавтоматищация, дополненная человечность, техносоциальная хрупкость. В 2026 - четыре вызова для CIO: перераспределение решений между людьми и автономными машинами, слияние реальностей, новые технические базисы, рост на человекоцентричном доверии. Язык сместился с технологий на управленческие решения. Что осталось незамеченным Ни одна позиция выпуска 2026 года не стоит правее пика. Trough of Disillusionment, Slope of Enlightenment и Plateau of Productivity пусты. Весь список собран из технологий, которые ещё не прошли проверку разочарованием. Выпадение из Hype Cycle не означает провал. Confidential Computing и Geopatriation покинули перечень emerging - и оказались в Top 10 Strategic Technology Trends на 2026 год. Они перешли из разряда «следить» в разряд «внедрять». Встречается и обратное: Physical AI, Disinformation Security и Multiagent Systems стоят одновременно в Hype Cycle и в списке стратегических трендов. Отсюда практическое правило чтения этих документов. Hype Cycle отвечает на вопрос, где ставить эксперимент. Список стратегических трендов - на вопрос, куда закладывать бюджет. Смешение двух вопросов даёт две типовые ошибки: внедрять то, что ещё не проверено, и не замечать того, что уже стало обычной работой. В выпуске 2026 года на стороне экспериментов - весь агентный слой и физическая инфраструктура.

18 августа проводим технический митап по архитектуре и развитию платформ данных В программе: — архитектура дата-платформы VK Tech: как на Kubernetes реализовали оркестрацию сервисов данных, включая СУБД, и унифицировали их развёртывание, масштабирование и эксплуатацию; — кейс Авито: как сняли ограничение S3 на производительность аналитической платформы — сделали шардирование таблиц между тремя S3 кластерами и увеличили пиковую скорость чтения с 20 до 60 ГБайт/с; — круглый стол инженеров RWB и VK Tech: кейс подготовки сегментов для таргетинга на Trino и DataFusion и дискуссия об архитектуре платформ данных — Kubernetes, реальном self-service, контроле безопасности, работе платформы как дата-бэкенда для сервисов и подготовке к агентам и AI-нагрузкам. 🗓 18 августа, сбор гостей в 17:30 📍 Москва, БЦ «Скайлайт», Ленинградский проспект, 39 💻 Можно подключиться онлайн ✍️Необходима регистрация После программы будет время обсудить доклады и пообщаться с коллегами

📰 Best AI Semantic Layer Tools (2026): Connecting Data Models to LLMs 🔗 https://medium.com/@oskartammekivi/best-ai-semantic-layer-tools-2026-connecting-data-models-to-llms-555e9af89545 💡 Вывод: Рынок семантических слоёв сходится к идее, что семантика должна жить выше конкретного BI: upstream в моделировании, в трансформации или нативно в хранилище (Snowflake Semantic Views в GA с марта 2026, автогенерация из истории запросов). Самая полезная цифра спрятана в минусах: собственный бенчмарк dbt 2026 показал 0% точности на вопросах с многозвенными entity-джойнами, то есть семантический слой не отменяет проектирования связей. Флаг: рейтинг с явным продвижением SqlDBM в победители, читать как каталог рынка, а не как рекомендацию.

Дайджест статей 📰 Наш стек сквозной аналитики для SaaS-сервиса: коннекторы, хранилище, BI 🔗 https://habr.com/ru/articles/1068254/ 💡 Вывод: На длинном цикле сделки честная оценка окупаемости трафика требует когорт по дате первого касания, а не деления бюджета месяца на продажи того же месяца: такая арифметика систематически занижает ранние месяцы. Единственный ключ связывания, переживающий переименования кампаний, это CampaignId в utm_campaign, а перед постройкой витрин проверять надо стык "обращение - сделка": именно там BI начинает красиво визуализировать дыру в данных. Четыре сверки целостности (клики vs визиты, формы vs обращения, витрина vs CRM, продажи без источника) стоят дешевле любого дашборда. 📰 Как я встроил AI-агента прямо в интерфейс Apache Superset и не сломал ему CSP 🔗 https://habr.com/ru/articles/1066586/ 💡 Вывод: Ключевое решение при встраивании агента в BI не выбор модели, а наследование модели прав: автор сознательно отказался от штатного MCP-сервера Superset, потому что тот в дефолтной конфигурации работает от админа без авторизации, и любой пользователь получил бы доступ к данным с админскими правами. Агент, выполняющий SQL, обязан работать от имени того, кто нажал кнопку, с трёхуровневым read-only гардом. Это чек-лист вопросов к любому вендору "AI в вашем BI". 📰 Двигаем PostgreSQL в сторону OLAP: оптимизация параллельного вычисления агрегатов 🔗 https://habr.com/ru/companies/tantor/articles/1066692/ 💡 Вывод: Прототип shared-memory агрегации по мотивам PVLDB 2025 даёт до 4.8x ускорения на равномерных данных, но проваливается до 0.04x при перекосе 95% на одну группу: процессная модель Postgres платит за разделяемое изменяемое состояние кратно больше, чем тредовые движки, ради которых метод придуман. Практическое следствие для владельцев data-платформ: решения "растянем Postgres на OLAP" упираются в фундамент архитектуры, а безопасное применение таких оптимизаций требует качественной MCV-статистики и cost-based выбора стратегии, то есть зрелости эксплуатации, а не одной фичи. 📰 База встала под нагрузкой: как найти, кто кого блокирует в PostgreSQL 🔗 https://habr.com/ru/companies/otus/articles/1065588/ 💡 Вывод: Картина "приложение задыхается, база отдыхает" почти всегда означает не нехватку железа, а длинные транзакции, которые через блокировки исчерпывают пул соединений и роняют сервис целиком. Дешёвая страховка, которую стоит требовать включённой на каждом prod-инстансе: log_lock_waits, idle_in_transaction_session_timeout и lock_timeout на любой DDL. Это превращает разбор инцидента из детектива в чтение лога и снимает типовой класс аварий до их наступления. 📰 Lightdash — BI, который живёт внутри вашего dbt-проекта 🔗 https://habr.com/ru/articles/1067570/ 💡 Вывод: Проблема "три разных цифры выручки на одном созвоне" решается не инструментом, а переносом определений метрик в код: в Lightdash семантика живёт в YAML dbt-проекта, проходит ревью, версионируется и валидируется в CI как обычный код, а RLS/CLS описываются рядом с данными. Ограничение честно названо: валидатор проверяет ссылки и определения, но не исполняемый SQL. Для оценки: это паттерн metrics-as-code в чистом виде, применимый и без конкретного вендора. 📰 Anthropic is telling you that Agentic Analytics is not just text-to-SQL 🔗 https://medium.com/data-science-collective/anthropic-is-telling-you-that-agentic-analytics-is-not-just-text-to-sql-ce605454bbc9 💡 Вывод: Автор вводит термин "analytics slop": подключение агента к базе снижает барьер входа в анализ, но никто не проверяет полученные цифры, потому что беглость LLM в SQL создаёт ложное чувство корректности. Позиция Anthropic, которую автор пересказывает: доверенная агентная аналитика это semantic layer, skills, evals и классический data engineering до того, как модель коснётся запроса. Флаг: заявленные 95% точности — самоотчёт вендора через вторичный источник, независимой проверки нет; полный текст Medium обрезал, разбор по вводной части.

Оффтопик но не могу не поделиться - трейлер сериала Нейромансер, классики и основы киберпанка и всех его производных, включая Матрицу. Произведение настолько фундаментально, что до сих пор во многом, что касается ИТ технологий и ИИ, видны концепции и названия из этой книги. И судя по ролику, экранизация получается очень достойная. Так я себе их и представлял, как говорится. https://youtu.be/hBEDdMS400k?si=0y2fPICPpahdHJHv

Meta*, Anthropic, OpenAI, Moonshot: по очереди репортят о том, что их супермегаопасные модели сбежали и что-то взломали Тем временем Google:

Улыбнуло :)

⚡️ Google предлагает переписать теорию игр для эпохи ИИ-агентов Новая работа исследователей Google показывает неожиданную вещь: рациональные ИИ-агенты могут выбирать сотрудничество даже там, где классическая теория игр предсказывает предательство. Классический пример - одноразовая «дилемма заключённого». Если два независимых игрока больше никогда не встретятся и не могут договориться, рациональная стратегия обычно ведёт к отказу от сотрудничества. Но с ИИ всё может работать иначе. Авторы предлагают рассматривать модель не как полностью независимого игрока, а как часть мира, который она сама пытается предсказать. Если агент видит достаточно признаков того, что другой агент рассуждает похожим образом, его собственное решение становится дополнительной подсказкой: Если я, рассуждая так, выбираю сотрудничество, то похожий на меня агент, вероятно, выберет то же самое. Получается странный эффект: модели могут начать сотрудничать без общения, контрактов и будущей выгоды - просто потому, что считают поведение друг друга связанным через сходство. Для описания этого исследователи вводят embedded Bayesian agent и новый вариант равновесия - embedded equilibrium, который должен лучше описывать взаимодействие современных foundation-моделей, чем классическое равновесие Нэша. В экспериментах с социальными дилеммами агенты действительно сходились к устойчивому сотрудничеству, что противоречит стандартному прогнозу взаимного отказа от сотрудничества. То есть теория игр для общества из миллионов автономных агентов может оказаться совсем не той, которую мы последние десятилетия применяли к людям. Исследование: https://arxiv.org/abs/2608.03958