Дайджест статей 📰 Data mart vs semantic layer when do you need both 🔗 https://medium.com/@kausik.kb.bhowmik/data-mart-vs-semantic-layer-when-do-you-need-both-ae625db547ad 💡 Прежде чем покупать semantic layer, найди, где команды втихую переопределяют метрики; начни с одной спорной. 📰 Ontology semantic layers and the ai enabled bi stack 🔗 https://medium.com/data-science-collective/ontology-semantic-layers-and-the-ai-enabled-bi-stack-b976b5f9c833 💡 Для conversational BI сначала резолви термины в governed-объекты, потом генерируй SQL: точность растёт с 46-58% до 68-89%. 📰 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 💡 Держи каталог как markdown в git со ссылками-lineage: агенту с одним read-tool хватает, чтобы обойти зависимости. 📰 Что российские BI-вендоры называют AI-агентом? Мы проверили 11 решений и собрали целый зоопарк 🔗 https://habr.com/ru/articles/1079844/ 💡 Пилотируй AI-BI на 30-50 реальных вопросах с плохими данными и «не знаю»; семантический слой важнее размера LLM. 📰 Как мы мигрировали 40 кластеров ClickHouse: стратегии, проверки и автоматизация 🔗 https://habr.com/ru/companies/mindbox/articles/1078822/ 💡 Переноси replicated-кластеры через новую реплику, не через снапшоты; проверяй тяжёлыми продовыми запросами до cutover. 📰 Как мы сделали RAG, который почти не галлюцинирует 🔗 https://habr.com/ru/companies/rwb/articles/1079316/ 💡 Вкладывайся в retrieval-цепочку (перефраз, гибрид, RRF, cross-encoder): 85-90% против 60-70% у голого вектора. 📰 От исходных данных до аналитической витрины: что происходит между ними 🔗 https://habr.com/ru/articles/1080488 💡 Считай витрину готовой, когда любую цифру можно развернуть до исходной записи, а не когда графики открылись. 📰 Не пишите свой маленький BI 🔗 https://habr.com/ru/companies/diasoft_company/articles/1080808/ 💡 Когда «пара графиков» требует фильтров, RBAC и экспорта, встраивай готовый BI-слой, а не выращивай свой. 📰 Why AI Hallucinations Are a Quality Engineering Problem 🔗 https://dzone.com/articles/ai-hallucinations-quality-engineering-problem 💡 Заведи галлюцинации как класс дефектов: ground-truth тесты, проверка консистентности, adversarial-пробы. 📰 What Is Changing in Enterprise Data Engineering? 🔗 https://dzone.com/articles/enterprise-data-engineering-changes 💡 Делай лёгкий transform до загрузки (EtLT), бизнес-семантику после; агенту нужен надёжный execution-слой. 📰 Rebuilding LinkedIn’s Follows Recommendations with LLM-Based Semantic Retrieval and Ranking 🔗 https://www.linkedin.com/blog/engineering/ai/rebuilding-linkedins-follows-recommendations-with-llm-based-semantic-retrieval-and-ranking 💡 Переводи профили в нарративный промпт и эмбеддинг, дообучай bi-encoder на целевом действии; те же эмбеддинги отдай ранкеру.