Data

Satış bölümünden biri bir müşterinin önceki ay ne yaptığını öğrenmek istediğinde genellikle analiz veya gelir operasyonları ekibine sorardı. Mural'ın beş ila yedi kişiden oluşan analiz ekibi, her büyük departmana bir analist yerleştirilmiş olarak tüm işi destekliyor. Taahhüt edilen işin arkasındaki kuyruğa yeni sorgular ve kontrol panelleri eklendi.

Mural Veri Mühendisliği Direktörü Wendy Lam, "Bir talebin karşılanması kolaylıkla bir veya iki haftayı alır" dedi. "Ekibin bir kişinin sorusuna mı cevap vereceğine yoksa önceden taahhüt ettiği kontrol panelini mi oluşturacağına karar vermesi gerekiyordu."

Verilerin kendisi sorunun bir parçasıydı. Mural'ın Amazon Redshift deposu binlerce tabloyu barındırıyordu; birçoğu aynı ölçümleri biraz farklı hesaplamalarla takip ediyordu ve veri kalitesi ve erişim konusunda tutarlı standartlardan yoksundu. Hangi masaya güvenileceğini bilmek bir avuç kişiye bağlıydı ve bu verilere işaret eden herhangi bir yapay zeka asistanı aynı kafa karışıklığıyla karşı karşıya kalacaktı.

Bu blog yazısında, Microsoft SQL Server veritabanlarını Amazon Aurora PostgreSQL'e (Aurora PostgreSQL) dönüştürmeden önce AWS Transform'daki dönüşüm planını nasıl inceleyeceğinizi ve özelleştireceğinizi gösteriyoruz.

Bir veritabanı geçişi, temiz bir şekilde dönüştürülen nesneler üzerinde nadiren durur. Kararlarda duruyor. MONEY'in dört veya iki ondalık basamak taşıyıp taşımayacağına, dbo'nun herkese açık olarak mı eşleneceğine yoksa kendi ad alanını mı koruyacağına ve SQL Server'da büyük/küçük harfe duyarlı olmayan bir sütunun PostgreSQL'de büyük/küçük harfe duyarlı olarak kalıp kalmayacağına siz karar verirsiniz. Artık dönüşüm planında bu seçimleri akıllıca yapabilirsiniz. AWS Transform daha sonra bunları her nesneye tutarlı bir şekilde uygulayarak daha sonra düzeltmelerden kaçınmanıza yardımcı olur.

SQLite ve PostgreSQL arasındaki soru, veritabanı kalitesinden çok dağıtım şekliyle ilgili bir sorudur. SQLite, başvuru sürecinizin içinde çalışan ve her şeyi tek bir dosyada tutan, genel kullanıma açık bir motordur. PostgreSQL, bir soketi dinleyen, istemcilerin kimliğini doğrulayan ve birçok yazarı aynı anda koordine eden bir sunucudur. Her ikisinin de lisans maliyeti 0 ABD dolarıdır, her ikisinin de bakımı 23 Ekim 2026 itibarıyla aktif olarak yapılmaktadır ve her ikisi de, yanlış bir seçimin genellikle başarısız bir projeden ziyade operasyonel sürtüşme olarak ortaya çıkmasına yetecek kadar iyidir.

Bu ay zamanlama önemli. PostgreSQL 19, 15 Ekim'de sürüm adayı 1'e ulaştı ve bu sürüm fişi raporunda açıklandığı gibi proje, 19 Kasım 2026 için genel kullanılabilirliği belirledi. O tarihe kadar PostgreSQL 18 serisi genel olarak yayımlanan en yeni ana sürüm olarak kalacak. SQLite, 9 Ekim'de 3.54.0'ı ve 16 Ekim'de 3.54.1 yama sürümünü yayınladı. Bu karşılaştırma, geçen yılınkileri değil, tam olarak bu sürümleri kullanıyor.

Bir tesis müdürü Hat 3'ün önümüzdeki ay reçine sıkıntısı çekeceğini söylüyor. Tahmine ulaşıldığında, satın alma spot fiyatlardaki açığı kapatmış ve marj çoktan hareketlenmiştir.

İmalat finansmanı ekipleri bu gecikmenin farkına varacaktır. Üretim aslında MES'te, standart maliyetler ERP'de ve kapasite varsayımları yalnızca iki kişinin tam olarak anlayabileceği bir çalışma kitabında bulunur. Finans ekipleri bunları her döngüde elle monte ediyor ve dikkatli bir çalışma yapılıyor ancak tahminler hâlâ tesisin zaten değişmiş olduğunu gösteriyor.

Küçük başlayın. Bir ürün grubu seçin ve marjını geriye doğru izleyin. Hangi girdiler onu en çok harekete geçirir? Genellikle malzeme fiyatı, hurda oranı, makine saatleri ve hacim karışımı gibi kısa bir listedir. Bu liste, plan için belirlenen itici güç haline gelir.

New Mexico'daki bir eyalet yargıcının bu hafta Facebook kullanıcılarını veri gizliliği uygulamaları konusunda yanıltması nedeniyle Meta'ya verdiği 25 milyar dolarlık para cezası, şirketler tarafından uygunsuz veri kullanımının olası sonuçlarının çarpıcı bir örneğidir - ve veri uzmanları ve danışmanları, yapay zeka dağıtımları arttıkça gizlilikle ilgili yanlış adım riskinin daha da büyüdüğünü söyledi.

New Mexico'daki dava aynı zamanda GDPR ve Kaliforniya Tüketici Gizliliği Yasası (CCPA) gibi veri koruma yasalarının ihlal edildiği iddialarının ötesinde, gizlilikle ilgili davalar için yeni bir yol açıyor. New Mexico, 2021 yılında Meta'ya, kuruluşların adil olmayan ve aldatıcı uygulamalarını yasaklayan eyaletin tüketiciyi koruma yasası uyarınca dava açtı. Dava, siyasi danışmanlık firması Cambridge Analytica'nın 2014 yılında on milyonlarca Facebook kullanıcısının kişisel verilerini bilgileri olmadan toplamasından kaynaklandı.

Sağlam Tahmin Serisi: Sahte Verilerle Polinomlar ve Spline'larla Doğru Eğriler Oluşturma

Dağınık Verilerin Eğrilerinizi Bükmesine İzin Vermeyin yazısı ilk olarak Veri Bilimine Doğru'da yayınlandı.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

Henrietta, N.Y. — Okuldan gelen bir uyarıya göre, bir Rochester Teknoloji Enstitüsü öğrencisinin kayıp olduğu bildirildi.

Monroe İlçesi Şerif Ofisi, 21 yaşındaki Maxmilian Cardone ile en son Çarşamba günü saat 11.00 civarında temasa geçildiğini ve Niagara Şelalesi bölgesinde olduğuna inanıldığını söyledi.

Cardone'un 1.80 boyunda ve 185 kilo ağırlığında, kahverengi saçlı, ela gözlü olduğu, en son mavi bir sweatshirt, koyu renk pantolon, siyah bir sırt çantası, siyah ayakkabılar ve siyah gözlük taktığı görüldü.

Okul, Cardone'un Albany'den bir dördüncü sınıf öğrencisi olduğunu ve RIT Kamu Güvenliği'nin ailesiyle temas halinde olduğunu söyledi.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

InfoQ'ya göre yapay zeka aracıları analitik arayüzü ve yorumlama katmanını dönüştürüyor ancak hassas hesaplama için yürütme motorlarına bağımlı olmaya devam ediyorlar. Belirleyici hesaplamanın olasılıksal akıl yürütmeden bu şekilde ayrılması, üretim düzeyinde aracı analitiği için ve yerleşik bir motor ile yönetilen bir göl evi arasında karar vermede çok önemlidir.

Mimari, motora filtreleme, toplama ve birleştirme işlemlerinin yapılmasını içerirken yapay zeka aracısı kanıtları yorumlar ve sonuçları iletir. DuckDB gibi yerleşik bir motor, orta düzeyde veri hacimleri için ve birincil tüketicinin aracı iş akışı olduğu durumlarda yeterli olabilir.

OPUS Lakehouse üzerine inşa edilen yeni yetenek, yaşam bilimleri ve sağlık hizmetleri müşterilerine, OPUS Raporları ve Kontrol Panelleri aracılığıyla entegre raporlama ve analiz ile serileştirilmiş olay verilerine SQL tabanlı erişim sağlıyor.

, /PRNewswire/ -- Dünyanın en büyük Temsilci İş Ağı TraceLink, bugün yaşam bilimleri ve sağlık şirketlerine serileştirilmiş ürün etkinliklerine uçtan uca analitik erişim sağlayan yeni bir özellik olan Track & Trace Lakehouse'un lansmanını duyurdu. TraceLink'in yüksek hacimli tedarik zinciri etkinlikleri için meta veriye dayalı analitik temeli olan OPUS Lakehouse üzerine inşa edilen yeni yetenek, bu bilgileri gelişmiş analitik, raporlama ve yönetilen Aracı İş Süreçleri için kullanılabilir hale getirerek şirketlerin uyumluluk riskini azaltmasına, istisna çözümünü hızlandırmasına, envanter yönetimini iyileştirmesine ve iş performansını güçlendirmesine yardımcı olur.

Yüksek dereceli anların matematiği, sezgisi, yorumlanması ve pratik kullanımı.

Çarpıklık ve Basıklık: Anlardan Makine Öğrenimine yazısı ilk olarak Veri Bilimine Doğru'da yayınlandı.

Veri analistleri, istatistikçiler ve araştırmacılara yönelik iş ilanlarında "Yapay Zeka deneyimi" giderek artan bir şekilde bir gereklilik olarak listeleniyor. Ancak bu ifade, listeyi kimin yazdığına, hangi sektörde olduklarına ve hangi sorunu çözmeye çalıştıklarına bağlı olarak çok farklı anlamlara gelir. Bir perakende şirketindeki bir işe alım müdürü, bir biyoteknoloji girişimi ve bir finansal hizmetler firması, tamamen farklı beklentileri tanımlamak için aynı iki kelimeyi kullanabilir.

Bu kılavuz, işverenlerin gerçekte ne istediğini, iş ilanlarının satır aralarını nasıl okumanız gerektiğini ve mevcut istatistiksel bilginizin "Yapay Zeka deneyimi" olarak adlandırılan şeyle nasıl eşleştiğini açıklamaktadır.

Finansal hizmetler ve sağlık hizmetleri genelindeki çalışmaları büyük ölçekli veri işlemeyi, bulut otomasyonunu ve yapay zekanın kurumsal iş akışlarına entegrasyonunu kapsıyor.

Bir yapay zeka modeli saniyeler içinde yanıt üretebilir. Bu yanıtı kuruluş içinde yararlı kılmak, kaynak verileri, dönüştürme doğruluğu, erişim izinleri ve sonuçların iş sistemlerine sunulmasıyla ilgili mühendislik kararları gerektirir.

Priya Vattikuti'nin yazılım geliştirme, bulut altyapısı ve veri mühendisliği alanlarındaki yaklaşık 10 yıllık deneyimi bu geçişi kapsamaktadır. Veritis Group, Thales, Vanguard, Fannie Mae ve Medtronic'teki çalışmaları, disiplinin Hadoop tabanlı işlemeden makine öğrenimi ve üretken yapay zekayı içeren bulut platformlarına doğru genişlemesinin izini sürüyor.

Etkin boyut, fazlalık, genelleme ve eğitilebilirlik hakkında parametre sayımı, kaybı ve doğruluğunun göstermediği neyi ortaya çıkarır?

Parametre Sayısı Neden Model Karmaşıklığı Değildir: Etkili Boyuta Giriş yazısı ilk olarak Veri Bilimine Doğru'da yayınlandı.

Yapay zeka kodlama aracıları artık yalnızca pahalı API'ler için ödeme yapmak isteyen şirketler veya geliştiriciler için değil. Artık kredi kartınız olmasa bile Google ve diğer yapay zeka laboratuvarlarının en yeni açık kaynak ve tescilli modelleriyle desteklenen yetenekli aracıları deneyebilirsiniz. Bu aracılar, depoları inceleyebilir, dosyaları düzenleyebilir, terminal komutlarını çalıştırabilir, hataları ayıklayabilir, testleri yürütebilir ve kodlama görevlerinin tamamını gerçekleştirebilir.

Bu, mevcut yapay zeka devriminin en iyi parçalarından biri: Hangi araçları kullanacağınızı biliyorsanız, bu teknolojinin çoğuna zaten erişebilirsiniz. Sorun şu ki, birçok kodlama aracısı, bunları doğru şekilde deneyebilmeniz için hâlâ ücretli bir aboneliğe veya API anahtarına ihtiyaç duyuyor. Bu kılavuz, önceden API erişimi için ödeme yapmadan aracılı kodlamayı deneyimlemeniz ve güçlü modelleri test etmeniz için size pratik bir yol sunan araçlara odaklanmaktadır.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

PostgreSQL 18 Sorgu Optimizasyonunun İngilizce sürümü artık Postgres Professional web sitesinde mevcuttur.

Kitap, sorgu optimizasyonu kursumuzun PostgreSQL 18 versiyonunu temel alıyor ve özellikle uluslararası hedef kitle göz önünde bulundurularak oluşturulmuş yeni bir demo veritabanını kullanıyor. Bu versiyonda, orijinal Rus havayolu verileri uluslararası rotalar ve taşıyıcılarla değiştirilerek örneklerin Rusya dışındaki okuyucular için takip edilmesi kolaylaştırılmıştır.

İngilizce çeviri Oleg Bartunov tarafından yapay zekanın yardımıyla hazırlandı, ardından Ilya Bashtanov ve Egor Rogov tarafından incelenip düzenlendi.

Basılı baskısı da yolda. Kitap, PgConf.Nepal 2026 için Dharma of Data'nın desteğiyle Nepal'de basılacak.

Aynı soruyu birkaç modele sorun, oy verin ve ödediğinizden daha az sayıda bağımsız görüş alırsınız. Bir formül kaç tane olduğunu söylüyor ve bunu altı açık model ve 1.500 sınav sorusu üzerinde kontrol ettim.

Altı Yapay Zeka Modeliniz Gerçekten İkidir: İlişkili Hataların Matematiği yazısı ilk olarak Veri Bilimine Doğru'da yayınlandı.

OpenAI Perşembe günü, Open Responses API spesifikasyonunu açık kaynaklı Agentic AI Foundation'a (AAIF) bağışladığını duyurdu. Bu spesifikasyon, geliştiricilere çeşitli büyük dil modeli (LLM) sağlayıcıları arasında çalışan bir dizi temel API çağrısı sağlamayı amaçlamaktadır. Geliştiricilerin satıcıya özel API'ler arasında çeviri yapma ihtiyacını en aza indirmek için mesajlar, araç çağrıları ve işlev çağrısı gibi temelleri standartlaştırmayı amaçlamaktadır.

AAIF'ye katılan diğer projeler arasında OpenSandbox, Anthropic'in Temsilci Becerileri ve HuggingFace'in temsilci ortamları için OpenEv çerçevesi yer alıyor. Bunlar, MCP ve A2A protokolleri, AGENTS.md (yine OpenAI'den), açık kaynaklı AI ajan kaz, ajan ağ geçidi ve Ajan Yönlendirici gibi mevcut AAIF projelerine katılır. Linux Vakfı'nın bir parçası olan vakıf, Aralık 2025'te faaliyete geçti.

Moda endüstrisinin bağımsız platformu FashionUnited, Yönetici bölümünü sektör liderleri için günlük olarak güncellenen bir gösterge panosuna yükseltti. Fashionunited.com/executive adresinde yer alan FashionUnited Executive, hazır giyim, ayakkabı, lüks ve perakende sektörlerindeki yöneticilerin işlerini etkileyen gelişmeleri takip edebilmeleri için moda iş haberlerini, finansal sonuçları, moda endüstrisi istatistiklerini, anlaşma takibini ve CEO röportajlarını tek bir yerde bir araya getiriyor.

Günümüzün değişken pazarında kararlı liderlik, birinci sınıf, veriye dayalı içgörülere erişime bağlıdır. FashionUnited, finansal sonuçlara, teknolojiye, sürdürülebilirliğe, pazar istatistiklerine ve yönetici röportajlarına odaklanan daha fazla içeriğe yatırım yaparak hazır giyim sektörüne olan bağlılığını artırıyor.

Bir AI ajanının istediği zaman tekrar arama yapmasına izin verdim. Basit aramanın kaçırdığı bazı belgeleri buldu, basit aramanın bulduğu bazı belgeleri kaybetti ve güvenilmeyecek kadar az şey kazandı.

Bu yazı Agentic RAG Aslında Daha İyi Kanıtlar Elde Ediyor mu? 298 Soru Üzerinde Test Ettim ilk olarak Veri Bilimine Doğru'da çıktı.

JSON, Python uygulamalarında veri depolamak ve değiştirmek için en yaygın formatlardan biridir. Küçük dosyalar için Python'un yerleşik json modülü mükemmel şekilde çalışır:

json.load(), JSON belgesinin tamamını ayrıştırır ve siz verileri işlemeye başlamadan önce bellekte karşılık gelen Python nesnelerini oluşturur. Diskte birkaç yüz megabayt yer kaplayan bir dosya bu nedenle Python sözlüklerine, listelerine, dizelerine ve sayılarına dönüştürüldüğünde çok daha fazla bellek gerektirebilir.

Bu tür iş yükü için daha iyi bir seçenek, verileri artımlı olarak işlemenize olanak tanıyan yinelemeli bir JSON ayrıştırıcısı olan ijson'dur. Bu derste San Francisco arazi parseli verilerini içeren büyük bir JSON dosyası kullanacağız. Önce bunu json.load() ile işleyeceğiz, belleğe ne olduğunu ölçeceğiz ve ardından aynı görevi ijson ile çözeceğiz.

Gerçek yerinde interzeolit ​​dönüşüm verilerini kullanan spektral karışım gidermeye ilişkin kısa, tekrarlanabilir bir eğitim

Python'da Raman Spectra Ön İşleme ve Negatif Olmayan En Küçük Kareler Modellemesi sonrası: Zeolit ​​​​Kristalizasyonunu İzleme ilk olarak Veri Bilimine Doğru'da yayınlandı.

Sunum sırasında şirketin CEO'su Vincent Sun, yapay zeka tabanlı çözümlerin gerçek verilere ve iş ölçümlerinin üzerinde anlaşılan tanımlarına dayanması gerektiğini vurguladı. MIP, her türlü soruya sınırlama olmaksızın yanıt vermek yerine, açıkça tanımlanmış iş alanları dahilinde, uzmanlardan alınan geri bildirimlerden yararlanarak ve sürekli sistem iyileştirmeyi kullanarak doğrulanabilir analizlere odaklanır.

MIP platformu, veri işleme için veri altyapısını, kurumsal anlam katmanını ve yapay zeka aracılarını birleştirir. Bu öğeler, gerçek zamanlı analizlerin ve açık veri göl evinin iş ölçümleri, hesaplama kuralları ve gerekli bilgilerle entegrasyonunu sağlar.

pgCluu, PostgreSQL Kümesi performanslarının tam denetimini gerçekleştirmek için kullanılan bir Perl programıdır. İki bölüme ayrılmıştır; psql kullanarak PostgreSQL sunucusundaki istatistikleri almak için kullanılan bir toplayıcı ve tüm HTML ve grafik çıktılarını oluşturacak bir rapor oluşturucu olan sar.

pgCluu'nun 6.0 sürümü yayınlandı; bu, birçok yeni özellik ve rapor ekleyen önemli bir sürümdür. Ayrıca son sürümden bu yana bildirilen sorunları da giderir.

Değişikliklerin, hata düzeltmelerinin ve bildirimlerin tam listesi için ChangeLog'a bakın.

Bu projenin amacı, yerel veya uzak bir sunucuyu denetlemek için herhangi bir bağımlılığa gerek duymadan, kolayca çalıştırılabilen eksiksiz bir PostgreSQL denetim aracı sağlamaktır.

Bir kod farkı neyin değiştiğini gösterir. Aracıyı geliştirmek aynı zamanda onu hangi model çağrılarının ve araçların ürettiğini, zamanın nereye gittiğini ve çalıştırma maliyetinin ne olduğunu anlamak anlamına da gelir.

Aracıların gözlemlenebilirliği ve değerlendirilmesine yönelik açık kaynaklı platformumuz Langfuse, bu çalışmayı incelemenize ve geliştirmenize yardımcı olur. Langfuse Observability eklentisi, Cursor'in model çağrılarını, araç uygulamalarını ve belirteç kullanımını izler olarak yakalar. ClickHouse, bu izlerin ardındaki analitiği güçlendirir, böylece bireysel çalışmaları araştırabilir ve ekibinizdeki kalıpları karşılaştırabilirsiniz.

Bu kılavuzda Cursor'i Langfuse'a bağlayacağız, pahalı bir dönüşü inceleyeceğiz ve bir değişikliğin sonucu iyileştirip iyileştirmediğini kontrol etmek için değerlendirmeleri kullanacağız.

Sınır modellerini kodlama ve diğer amaçlarla çalıştırmak çok pahalı olabilir, ancak bazen çok etkili olabilir. Sınır modeller yerine daha küçük veya daha eski modelleri kullanmak cazip gelebilir çünkü daha ucuzdurlar, ancak o kadar da işe yaramayabilirler. Herhangi bir görev için ideal model, görevin karmaşıklığına bağlı olma eğilimindedir. İsteğe ve bağlama göre en uygun modelin otomatik olarak seçilmesine model yönlendirme adı verilir.

Model yönlendirmeyi uygulamanın birkaç yolu vardır. Genel olarak model yönlendirme, mevcut model havuzuna, model seçiminde kullanılan kriterlere ve yönlendiricinin optimize etmeye çalıştığı hedefe bağlıdır. Farklı satıcılar bu planın farklı uygulamalarını sunmaktadır.

Yapay zeka, veri hatlarına olan talebi, veri ekiplerinin oluşturabileceğinden daha hızlı bir şekilde artırıyor ve kuruluşlar, manuel mühendislik çalışmaları ve verileri konusunda güvenebilecekleri aracıların dağıtımı konusunda hâlâ zorluklarla karşı karşıya kalıyor. IBM, watsonx.data entegrasyonunda aracı veri entegrasyonunu genel kullanıma sunarak veri ekiplerine halihazırda kullandıkları araçlardan yönetilen işlem hatları oluşturmanın ve operasyonel verimliliği artırmanın daha hızlı bir yolunu sunuyor.

IBM, watsonx.data entegrasyonundaki aracı veri entegrasyonu yeteneklerinin genel kullanıma sunulduğunu duyuruyor. Veri mühendislerinin yanı sıra iş kullanıcılarını da içeren genişletilmiş veri ekibi, bir işlem hattı sonucunu doğal dilde tanımlayarak veri işlem hatlarını oluşturabilir ve güncelleyebilir. Aracılı veri entegrasyonu, dağıtımdan önce insan tarafından incelenmek üzere kaynakları, entegrasyon mantığını ve bir işlem hattı tasarımını önerir. Ajansal veri entegrasyonu bir ekibin gerçek bağlantılarından, meta verilerinden ve mevcut akışlarından çalıştığından, önerdiği şey genel bir şablondan ziyade ortamı yansıtır.

LAREDO, Teksas (KGNS) - Laredo Koleji, 22 Ekim Perşembe günü yeni bir veri analizi programı hakkında bir bilgilendirme oturumuna ev sahipliği yapıyor.

Oturum saat 18.00'den itibaren gerçekleştirilecek. akşam 8'e kadar D.D.'de Hachar Binası, Oda 117, Fort McIntosh kampüsünde.

Laredo Koleji'nden Lupita Salinas, oturumun yeni program için önlisans ve lisans derecesi yollarını kapsayacağını söyledi.

Veri analitiği, ham verileri anlamlı bilgilere dönüştürmeyi ve iyileştirmeleri teşvik etmek için bulguların paydaşlara iletilmesini içerir.

Yapay zekayı oyun oynamak için kullanırken en zor mühendislik sorunu doğru modeli seçmek değil; ilgi çekici kullanıcı deneyimleri oluşturmak için gereken işlevselliği destekleyen altyapıyı seçmektir. Her konuşmayı unutan üretken, oyuncu olmayan bir karakter (NPC), görevin ortasında anlatı bağlamını kaybeden bir AI zindan ustası veya AWS Lambda soğuk başlangıcında durumu düşüren aracılı bir döngü, hepsi aynı nedenden dolayı ortalamanın altında deneyimler üretir: dayanıklı, küresel olarak tutarlı bir durum depolama katmanının olmaması.

Çoğu üretim oyun arka ucu için bu depolama katmanı halihazırda Amazon DynamoDB'dir ve envanteri, skor tablolarını, oyuncu profillerini ve oturum durumunu saniyede milyonlarca istekle yönetir. Son 12-18 ay boyunca DynamoDB, yapay zeka tabanlı oyun arka uçlarını doğrudan geliştiren dört iyileştirme sundu:

On beş yıldır iklim, dayanıklılık ve araştırma ekosistemlerinden paydaşlar, iklimimizin nasıl değiştiğine dair net, şeffaf ve güvenilir bir okuma için Berkeley Earth'e geliyor. Bu güvenin büyük bir kısmı, yakın zamana kadar nispeten görünmez kalan çalışmalara dayanıyor: Her ay 50.000'den fazla küresel hava durumu istasyonundan milyonlarca gözlemi toplayan, birleştiren ve kalite kontrolünden geçiren veri hattı.

Geçen yıl yaşanan bir dizi yukarı akış veri kesintisinin ardından Berkeley Earth, herhangi bir tek yukarı akış gözlem kaynağına daha az bağımlı olan ve herhangi bir alım ürününün kesintiye uğraması veya kaybolması durumunda önemli veri sürekliliğini koruyabilecek daha dayanıklı ve sağlam bir veri hattı oluşturmaya yatırım yapma taahhüdünde bulundu.

CM DK Shivakumar, "Kıyı bölgesinin Kambala ve Tulu Nadu tablosu bu yılki Mysore Dasara'nın bir parçası" dedi.

Shivakumar Perşembe günü Mangaluru Havalimanı'nda medyaya yanıt verdi.

“Janardana Poojary uzun yıllardır beni Dasara sırasında Kudroli'yi ziyaret etmeye davet ediyordu. Geçen sene festivalin ortasında ziyaret etmiştim.

Büyük çapta kutlanıyor. Toplumları ve toplulukları birleştirmek için çalışmalar yapılıyor. Navratri sırasında Navadurga'ya kültürel hayatımızı yansıtan dualar ediliyor” dedi.

Kurumsal bir Teradata varlığını Microsoft Fabric'e geçirmek, veritabanı nesneleri, SQL ve BTEQ kodu, bağımlılıklar ve operasyonel süreçler arasında kapsamlı manuel çalışma gerektirebilir. Fabric Geçiş Asistanı, ekiplerin incelemelerini dikkat edilmesi gereken nesnelere ve iş akışlarına odaklayabilmeleri için bu çabanın azaltılmasına yardımcı olur.

Veri Ambarı için Fabric Geçiş Asistanı artık önizleme aşamasında Teradata kaynaklarını destekliyor. Uygun Teradata meta verilerini ve kodunu Fabric uyumlu T-SQL'e dönüştürür, uygun hedef tanımlarını dağıtır ve gözden geçirilmesi veya iyileştirilmesi gereken komut dosyalarını işaretleyerek geçiş hazırlamak için gereken manuel çabayı azaltır.

Fabric Dizüstü Bilgisayar Araç Seti (Önizleme), geliştiricilerin kod yazma ve onu canlı not defteri sonuçlarıyla doğrulama arasındaki geri bildirim döngüsünü kısaltmasına yardımcı olur. Kodlama aracılarını, Claude Code, GitHub Copilot CLI ve Codex gibi araçların yanı sıra terminalde çalışan bir komut satırı arabirimi (CLI) aracılığıyla Microsoft Fabric dizüstü bilgisayarlara bağlar. Bir aracı, mevcut kodu inceleyebilir, bir hücreyi çalıştırabilir, çıktısını inceleyebilir, hedeflenen bir değişiklik yapabilir ve not defterinin tamamını yeniden göndermeden onu yeniden çalıştırabilir; tıpkı etkileşimli olarak çalışan bir insan programcı gibi.

Bir kodlama aracısı bir dönüşümün yazılmasına yardımcı olabilir, ancak önerilen bir değişiklik, çalışan bir sonuçla aynı değildir. Yürütme başka bir yerde gerçekleştiğinde, geliştiricilerin kodu bir not defterine taşıması, çalıştırması ve sonuçları veya hataları aracıya geri getirmesi gerekir. FNTK, aracının yalnızca konuşmada paylaşılan koda güvenmek yerine çalışan bir Fabric not defteriyle ve yürütme sonuçlarıyla çalışabilmesi için bu adımları birbirine bağlar.

Dışişleri Bakanlığı ofisi, oy pusulası getirisi istatistiklerini göstermek için Microsoft Power Bi ile oluşturulmuş bir veri görselleştirmesi sunuyor. Bu, Kasım 2026 görselleştirmelerinden birinin yakalanmış halidir.

2026 genel seçimlerinde oylamanın ilk hafta sonu artık geride kalırken, Dışişleri Bakanlığı her zamanki uygulamasını sürdürerek eyalet çapında oy verme istatistiklerini yayınlamaya başladı ve veriler erken oylamada 2022'deki son ara dönemle karşılaştırıldığında hafif bir artış olduğunu gösteriyor, ancak 2024 veya 2020'deki kadar değil.

Seçime on dört gün kala, Washington seçmenlerinin yüzde 6,54'ü oyları erken iade etti; bu oran son karşılaştırılabilir döngü olan 2022'deki yüzde 5,14'tü. Mutlak sayı olarak şu ana kadar 337.155 oy geri geldi; 2022'deki 246.974'e kıyasla. Bu, erken oy kullanma çağrılarına kulak veren seçmenlerin sayısında küçük ama yine de gözle görülür bir artış ve aynı zamanda son on yılda bir ara dönem için en yüksek yüzde. Aşağıdaki tablodan da görebileceğiniz gibi, başkanlık dönemleri genellikle daha yüksek erken seçmen katılımına, daha yüksek risklere, artan medya kapsamına ve daha fazla farkındalığa sahiptir:

Veriler, yatırım profesyonellerinin güvendiği küresel LP ve GP istihbarat platformu Dakota Marketplace'ten alınmıştır. Daha Fazla Bilgi Edinin | Demo Rezervasyonu Yapın

Dakota, yatırım firmalarının yapay zeka çabalarının arkasında veri temelini oluştururken sıklıkla değerlendirdiği iki veri platformu olan Databricks ve Snowflake'in ayrıntılı bir şekilde ele alındığı bir ürün web seminerine ev sahipliği yaptı.

Ürün Başkanı Pat Tighe ve Başkan Rob Robertson'a, veri ambarı, veri gölü ve veri gölü evi arasındaki farkı ve her platformun başladığı yeri açıklayan CTO Priya Stanley katıldı. Grup, her platforma hangi tür firma ve ekiplerin uyduğunu, en büyük firmalardan bazılarının neden her ikisini de çalıştırdığını, Dakota'nın her biri aracılığıyla verileri nasıl ilettiğini ve maliyetlerin nasıl karşılaştırıldığını ele aldı.

Karar modellerini Yüksek Lisans ile birleştirerek tarayıcı otomasyonu oluşturmaya yönelik uygulamalı bir kılavuz.

Karar Sonrası Modeller Uygulamada: Hibrit Yüksek Lisans İş Akışı Oluşturma ilk olarak Veri Bilimine Doğru'da yayınlandı.

Metinden yapılandırılmış veri çıkarmanın, veri analizinde ve tahmine dayalı makine öğrenimi modelleri oluşturmak da dahil olmak üzere sayısız uygulamada birçok kullanımı vardır. Adlandırılmış varlık tanıma (NER) bunun açık bir örneğidir: ilgili bilgilerin tanımlanması, çıkarılması ve kategorize edilmesi sonucunda yapılandırılmamış, dağınık metnin yapılandırılmış verilere dönüştürülmesinden oluşur.

NER geleneksel olarak geleneksel doğal dil işleme (NLP) kitaplıkları kullanılarak gerçekleştirilir, ancak bu modeller genellikle büyük eğitim veri kümeleri ve özel varlıkları tanımayı öğrenmeleri için zorlu ince ayarlar gerektirir. Neyse ki, Scikit-LLM, büyük dil modeli (LLM) muhakeme yeteneklerini masaya getirmek ve birkaç basit adımda standartlaştırılmış makine öğrenimi hatları oluşturmaya yardımcı olmak için ortaya çıktı; bunların tümü, özel NER de dahil olmak üzere yalnızca metin sınıflandırmanın ötesinde çeşitli hedef görevlerde.

AWS'de eşzamansız iş yükleri oluştururken kuyruklar, hata kurtarma ve tekrarlanabilirlik hakkında öğrendiklerim

Uzun Süreli Python Simülasyonlarını Self Servis Platformuna Dönüştürme yazısı ilk olarak Veri Bilimine Doğru'da yayınlandı.

ClickHouse'teki mühendisler performans konusunda takıntılıdır. Her sürümde ClickHouse'in daha hızlı çalışmasını ve temel donanım üzerinde daha iyi ölçeklenmesini sağlamanın yeni yollarını arıyoruz. NVIDIA yakın zamanda bize yakında çıkacak olan Vera CPU platformunun erken erişim sunucusunu sağladığında bariz olanı yaptık: analitik için popüler referansımız olan ClickBench'i bu sunucuda çalıştırdık. Web sitemizdeki standart ClickHouse ikili dosyasını kullandık ve veritabanında özellikle NVIDIA Vera için herhangi bir optimizasyon veya özelleştirme gerçekleştirmedik. Sonuçlar kendi adına konuşuyor:

NVIDIA Vera hemen ClickBench donanım sıralamasında açık ara farkla zirveye yerleşti.

İnsanların çözdüğü bulmacalar, dil ve görme modellerinin hala nerede koptuğunu neredeyse mükemmel bir şekilde gösteriyor

Yapay Zeka Modellerinde Uzamsal Akıl Yürütme sonrası, Taken Apart ilk olarak Veri Bilimine Doğru'da yayınlandı.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

Claude Code, Codex, Cursor ve OpenCode gibi AI kodlama aracıları kod yazmada çok iyi hale geldi. Ancak yazılım mühendisliği bundan çok daha fazlasıdır.

Hala gereksinimleri anlamanız, özellikleri planlamanız, testler yazmanız, sorunları ayıklamanız, değişiklikleri incelemeniz ve bir şeyin ne zaman gönderilmeye hazır olduğunu bilmeniz gerekir.

Yapay zeka temsilcilerinin becerileri burada devreye giriyor. Bunlar, temsilcilere her seferinde aynı süreci açıklamanıza gerek kalmadan belirli görevleri nasıl yerine getireceklerini öğreten yeniden kullanılabilir talimatlar ve iş akışlarıdır.

Bu yazıda beş popüler açık kaynak koleksiyonuna bakacağız:

GPU'lar, son teknoloji dil modellerinden çok modlu yapay zeka sistemlerine ve aracılarına kadar günümüzün en gelişmiş yapay zeka iş yüklerine güç sağlar. İşletmeler giderek artan bir şekilde açık modelleri kendi verilerine ve iş ihtiyaçlarına uyarlıyor. Ancak GPU erişimini güvence altına almak işin yalnızca bir kısmı. Teams'in ayrıca eğitim işlerini yapılandırması, veri erişimini yönetmesi ve GPU altyapısını yönetmesi gerekiyor; böylece modelleri denemek ve iş ihtiyaçlarını ne kadar iyi karşıladıklarını değerlendirmek için daha az zaman kalıyor.

Databricks ve NVIDIA, kurumsal verilerden özelleştirilmiş yapay zeka modellerine, küçük modellerde ince ayar yapılmasından büyük ölçekli dağıtılmış eğitime kadar kusursuz bir yol sağlar. Databricks, Unity Gateway aracılığıyla geliştiricilere sınır ve açık kaynak modellerine yönetimli erişim sağlar. Modelleri özelleştirmesi gereken ekipler için AI Runtime (AIR), NVIDIA'nın AI yazılım ekosistemini ve sunucusuz GPU'larını kurumsal verilere getiriyor. Teams, AIR'deki modelleri deneyebilir, ince ayar yapabilir ve değerlendirebilir, ardından bunları Databricks Model Hizmeti aracılığıyla gerçek zamanlı çıkarım için dağıtabilir; bunların tümü Databricks Platformu dahilindedir ve yönetilmesi gereken daha az altyapı ve yönetişim işi vardır.

Müşteriler Kumo paketini bir Snowflake Notebook'a yükler ve Snowflake altyapısında çalıştırır:

Bu kullanım kolaylığı aynı zamanda grafik tabanlı tahmine dayalı modellemeyi çok daha fazla kullanıcıya sunarak kuruluş çapındaki etkiyi artırır. Kumo müşterinin Snowflake hesabında çalıştığı için verilerin asla oradan ayrılması gerekmez. Kumo, Snowflake tablolarından okur, Snowflake bilgi işlem havuzları üzerinde eğitim alır ve tahminleri Snowflake tablolarına geri yazar. Teams, bu iş yüklerini, tümü Snowflake'in mevcut güvenlik kapsamı altında olmak üzere, ML İşleri gibi Snowflake ML yetenekleriyle düzenleyebilir.

Affirm, National Oilwell Varco (NOV), VideoAmp ve Yieldmo gibi müşteriler halihazırda Snowflake ML'de NVIDIA Kumo'dan yararlanıyor.

Bugün, müşterilerin en zorlu modellerini kurumsal verilerinin zaten bulunduğu yerde eğitebilmesi için tam olarak yönetilen GPU altyapısını doğrudan Databricks'e getiren AI Runtime'ın (AIR) Genel Kullanılabilirliğini duyurmaktan heyecan duyuyoruz.

Yapay zeka ekipleri çoğu zaman modellerini geliştirmek yerine GPU kapasitesini güvence altına almak, hataları yönetmek ve deneylerin başlatılmasını beklemek için daha fazla zaman harcıyor. GPU altyapısını Lakehouse'dan ayrı olarak çalıştırmak yönetim boşluklarını artırır ve hassas eğitim verilerini riske atar. Kodlama aracıları daha fazla eğitim deneyi başlattıkça bu darboğazlar ve riskler de artıyor; güvenilir, hızlı ve yönetilen altyapıyı zorunlu hale getiriyor.

Dbt anlık görüntüleri ve bu süreçte bana sessizce yalan söyleyen API ile artımlı bir ardışık düzen oluşturmak.

Girmeye Çalıştığım İş Piyasasını Takip Etmek İçin Bir Boru Hattı Oluşturduğum yazısı. İlk olarak Veri Bilimine Doğru'da ortaya çıktı.

Büyüklüğü ne olursa olsun çoğu şirket için iş büyümesi hedef olsa da, bu genellikle istenmeyen bir sonucu da beraberinde getirir: veri parçalanması. Bir şirket büyüdükçe ekipler birden fazla veri platformuna giderek daha fazla güveniyor ve kritik bilgileri kuruluş geneline dağıtıyor. Birleşik bir görünümün bulunmaması, işletmeyle ilgili doğru, gerçek zamanlı içgörüler elde etmeyi neredeyse imkansız hale getiriyor; bu da veri çoğaltma, önemli ölçüde daha uzun içgörü süresi ve daha az güvenilir yapay zeka girişimleri dahil olmak üzere bir dizi maliyetli verimlilik kaybıyla sonuçlanıyor.

Bu nedenle birçok kuruluş açık göl evi yaklaşımını tercih ediyor. Giderek yaygınlaşan bu mimari modeli, bir veri gölünün esnekliğini ve ölçeğini bir veri ambarının performansı ve güvenilirliğiyle birleştirerek veri silolarınızı birbirine bağlamanıza olanak tanır. Apache Iceberg'i açık tablo formatları için endüstri standardı olarak tamamen benimseyerek, nerede olursa olsun tüm verilere hızlı, yönetilen erişim elde edebilirsiniz. Verilerinizi nerede saklayacağınızı seçme esnekliğine sahip olurken aynı zamanda satıcıya bağımlı kalmadan birden fazla platformda verilerinizi kullanmaya devam edebilirsiniz.

Veri bilimi, veri mühendisliği ve makine öğrenimi ekipleri için görüntüler, videolar, ses ve belgeler gibi yapılandırılmamış verilerin değerinin ortaya çıkarılması, tarihsel olarak yapılandırılmış ve yapılandırılmamış veriler ile analizler ve AI/ML kullanım senaryoları için silolanmış veri hatlarını yönetmek anlamına geliyordu. Dosyalar Cloud Storage'da kalsa bile çıkarımı çalıştırmak, ekiplerin harici makine öğrenimi iş yüklerini düzenlemesini gerektirir; ancak bu yapılandırılmış çıkarım çıktılarını analiz için veri ambarına geri eklemenin karmaşık ve hassas zorluğuyla yüzleşir. Bu post-hoc veri birleştirme, önemli düzeyde operasyonel ek yüke ve veritabanı yanlış hizalamasına neden olur.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

Yapay zeka destekli geliştirme ve sunucusuz NVIDIA GPU bilgi işlem ile RFD4-Proteina'yı araştırma verilerinize getirin.

Washington Üniversitesi Protein Tasarımı Enstitüsü ile birlikte geliştirilen bir NVIDIA BioNeMo açık modeli olan RFD4-Proteina, bilim adamlarının yararlı proteinlere yönelik fikirleri test edebilecekleri tasarımlara dönüştürmelerine yardımcı oluyor. NVIDIA ve Databricks, modeli AI Runtime'daki Genesis Workbench'e getirerek geliştiricilere protein tasarımı iş akışlarını araştırma verileriyle bağlamaları için bir yol sunuyor.

Databricks AI Runtime (AIR), desteklenen iş yükleri için sunucusuz NVIDIA GPU bilgi işlem sağlar. Planlanan entegrasyon, Databricks'teki model yürütmeyi araştırma verileri ve tekrarlanabilir iş akışlarıyla birleştirerek yeni bir modeli değerlendirmek ve uyarlamak için gereken altyapı yükünü azaltır.

Hindistan Devlet Bankası (SBI), yapay zeka, veri analitiği, veri mühendisliği ve teknoloji mimarisi alanlarında Uzman Kadro Görevlisi (SCO) pozisyonları için başvuruları davet etti.

Banka, bu pozisyonlar için belirli süreli olarak deneyimli profesyoneller arıyor.

İlgilenen adaylar resmi web sitesi olan sbi.bank.in üzerinden online başvuru yapabilirler. Başvuru sahiplerinin, başvuru formunu göndermeden önce tercih ettikleri pozisyonlara ilişkin yaş sınırını, eğitim niteliklerini ve diğer uygunluk koşullarını kontrol etmeleri gerekmektedir.

Boş pozisyonlar arasında Genel Müdür ve Baş Yapay Zeka Görevlisi, Genel Müdür Yardımcısı ve uzmanlaşmış yapay zeka mimarisi rolleri gibi üst düzey pozisyonlar yer alıyor.

Hindistan Devlet Bankası (SBI), yapay zeka (AI), veri analitiği, veri mühendisliği ve teknoloji mimarisi alanlarında Uzman Kadro Görevlisi (SCO) pozisyonları için başvuruları davet etti ve ilgili teknik ve lisansüstü niteliklere sahip deneyimli profesyoneller için fırsatlar sundu.

İşe alım süreci, Genel Müdür ve Yapay Zeka Direktörü, Genel Müdür Yardımcısı ve uzmanlaşmış yapay zeka mimarisi rolleri gibi üst düzey pozisyonları içeriyor. Atamalar sabit dönem esasına göre yapılacak ve adayların belirli yaş, eğitim niteliği ve deneyim kriterlerini karşılaması gerekiyor.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

Fabric Eventstreams, akış kaynaklarına bağlanmayı, alınan olayları dönüştürmeyi ve bunları Microsoft Fabric genelindeki hedeflere yönlendirmeyi kolaylaştırır. Ancak gerçek zamanlı sistemler oluşturmak aynı zamanda ekiplerin hareket halindeki olayları anlamasını, bunları iş bağlamıyla zenginleştirmesini, sorunları zamanında tespit edip yanıt vermesini ve ortamlar arasındaki akışlarını güvenli bir şekilde yönetmesini gerektirir.

Bu çeyreğin güncellemelerinin ardındaki hikaye bu daha geniş deneyimdir. Eventstreams, ekiplerin akış verileri geldikten sonra hala hareket halindeyken üzerinde çalışması için ihtiyaç duyduğu yeteneklerin çoğunu sağlamak üzere bağlantı ve veri taşımanın ötesine geçiyor.

Kurumlara dağıtımları, modelleri ve altyapıları üzerinde kontrol sağlarken, ajansal yazılım geliştirmeyi hassas ve kritik iş yüklerine getiriyoruz.

Bu seri, demolar, tartışmalar ve müşteri öyküleri aracılığıyla, IBM teknolojilerinin kuruluşların daha hızlı sonuçlar elde etmesine, karmaşıklığı azaltmasına ve geniş ölçekte sorumlu bir şekilde yenilik yapmasına nasıl yardımcı olabileceğini gösteriyor.

Snowflake Startup Accelerator, mezun sayısı arttıkça ve programa yeni bir kurucu sınıfı katıldıkça ivme kazanmaya devam ediyor.

Startup'lar için Snowflake topluluğu hızla büyüyor ve Snowflake Startup Accelerator'ımızın arkasındaki ivme, Kış 2026 startup grubumuzu memnuniyetle karşılarken gelişmeye devam ediyor. Onların eklenmesi program için heyecan verici bir sonraki bölüme işaret ediyor.

Ayrıca 2025 yılını, 180'den fazla kurucu, yatırımcı ve inşaatçının Snowflake ile mümkün olanın sanatını ve ekosistemimizin büyüyen gücünü sergilemek üzere bir araya geldiği Proving Ground x Snowflake Startups Pitch Night ile kapattık.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

Kart tespiti ve segmentasyonu için prosedürel olarak oluşturulan veri kümeleri üzerinde eğitim modelleri

Dondurulmuş DINOv3 Özellikleriyle Sentetikten Gerçeğe Transfer sonrası yazısı ilk olarak Veri Bilimine Doğru'da ortaya çıktı.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

Spesifikasyon Odaklı Test Otomasyonuna Doğru, Bölüm 4 Beceri Sonrası mı, MCP Sunucusu mu? Yüksek Lisans'ın İtaatsizlik Etmesini Neyin Durdurduğunu Sor ilk olarak Veri Bilimine Doğru'da ortaya çıktı.

Yapay zeka, ürünlerin oluşturulma, sevk edilme ve ölçülme şeklini yeniden şekillendiriyor. Şirketler, gelecek vaat eden bir yapay zeka prototipi ile kullanıcıların gerçekten güvendiği bir ürün arasındaki farkın bir araştırma sorunu olmadığını buluyor. Bu bir ürün sorunudur. Bu boşluk, AI ürün yöneticisinin (PM) yaşadığı yerdir.

Belirleyici sistemleri denetleyen geleneksel ürün yöneticilerinin aksine, AI PM'ler, kullanıcı popülasyonları arasında değişen, halüsinasyon gösteren ve farklı davranan çıktılarda gezinmek zorundadır. Bu rol, mühendisler, avukatlar ve yöneticilerle net bir şekilde iletişim kurarken, makine öğrenimi ödünleşimlerinde, değerlendirme sistemlerinde, bilgi işlem ekonomisinde ve mevzuata maruz kalmada akıcılık gerektirir.

Devlet hizmetleri için SI'nın kullanışlılığını artırmaya yardımcı olacak yeni teknolojileri keşfedin!

Kapsam: Korumalı alan ortamlarında ve yalnızca halihazırda kamuya açık olan devlet verileriyle keşif. Hackathon çıktıları prototip olarak mevcut olacak ve halka açık olarak dağıtılmayacaktır.

Kim: .gov veya .mil e-posta adresine sahip tüm devlet çalışanları katılabilir (federal, eyalet, yerel, bölgesel veya kabile). GSA'nın ev sahipliğinde; endüstri ortakları arasında Databricks, OpenAI ve IBM yer alıyor.

Nedir: Model Bağlam Protokolü, SI uygulamalarını harici sistemlere bağlamak için kullanılan açık kaynaklı bir standarttır. SI kullanımı konuşma araçlarından özerk aracılara doğru genişledikçe, federal veri varlıklarına ve hizmet sunma yeteneklerine kontrollü erişim yoluyla pratik değeri büyük ölçüde artırılabilir. Ajansınızın açık veri varlıkları ve hizmet sunumu kullanım senaryoları için MCP sunucusu prototipleri oluşturma konusunda yardımınızı arıyoruz.

FormativGroup, iş stratejisini gelişen teknolojiyle birleştiren ve FormativGroup'un yapay zeka, veri mühendisliği, yazılım geliştirme ve teknoloji stratejisi alanlarındaki yeteneklerini genişleten bir yapay zeka ve teknoloji danışmanlık firması olan Saige Consulting'i satın aldı.

FormativGroup, Rockbridge Growth Equity tarafından desteklenmektedir ve şirketlerin iş sistemlerini modernleştirmelerine ve kurumsal verileri daha iyi kullanmalarına yardımcı olmak için tasarlanmış uygulama, iş akışı ve veri mimarisi çözümleri sunmaktadır.

Bu kombinasyon, Saige'nin yapay zeka uygulaması, yazılım mühendisliği, bulut platformları ve teknoloji stratejisindeki deneyimini FormativGroup'un mevcut uygulama ve veri mimarisi platformuna taşıyor. Şirketler müşterilere teknoloji stratejisi, sistem tasarımı, iş akışı geliştirme, veri altyapısı ve yapay zeka dağıtımını kapsayan daha entegre bir yaklaşım sunmayı planlıyor.

Varonis Systems, Inc., hassas veri bağlamını doğrudan Collibra Kurumsal Yapay Zeka Kontrol Düzlemine getiren bir entegrasyonu duyurdu. Teams, Collibra veri kataloğunda sürekli olarak senkronize edilen Varonis hassasiyet etiketlerini görerek verilerin yapay zeka için güvenli olup olmadığını anında anlayabilir. Başarılı yapay zeka girişimleri, ekiplerin güvenli bir şekilde bulabileceği, anlayabileceği ve kullanabileceği güvenilir verilere bağlıdır.

Varonis, veri varlıkları genelinde hassas ve düzenlemeye tabi bilgileri tanımlar ve sınıflandırır. Collibra, verilerin nereden geldiğini ve insanların onu nasıl kullandığını takip ediyor; böylece kuruluşlar, analizlerine ve yapay zekaya neyin güç verdiğini yönetebiliyor. Varonis ve Collibra birlikte kuruluşların analitik, veri bilimi ve aracı geliştirme için neyin güvenli olduğu konusunda net ve güncel bir görüş kazanmasına yardımcı oluyor.

Yakın zamandaki biyometrik davalar pratik bir soruyu gündeme getiriyor: Bir kuruluş, bir kişinin sesinin sistemlerine nasıl girdiğini, içinden nasıl geçtiğini ve çıktığını gösterebilir mi?

Mayıs 2026'da, Illinois ses uzmanları, kamuya açık kayıtların, Illinois Biyometrik Bilgi Gizliliği Yasası'nın gerektirdiği herhangi bir bildirim, yazılı açıklama, saklama politikası veya güvenlik önlemi olmaksızın ses izi elde etmek ve ses özellikli veya üretken yapay zeka sistemleri geliştirmek için kullanıldığını iddia eden dokuz ilgili toplu dava açtı. Şikayetlerde ayrıca tanıtım, tüketicinin korunması ve sebepsiz zenginleşme teorileri de ileri sürülüyor.

Oturum ortasında model değiştirmenin neden daha ucuz çıkarımın vaat ettiği tasarrufları silebileceğini anlamak için Yüksek Lisans yönlendirmesini test ettim

LLM Yönlendirmenin Gizli Maliyeti: Modelleri Değiştirmek Neden Daha Fazla Maliyetli yazısı ilk olarak Veri Bilimine Doğru'da çıktı.

Görev küçük. Bir JWT'nin kodunun çözülmesi gerekiyor, bir günlük alanı hex içindeki gzip içindeki Base64'tür veya bir istemci HEIC ekran görüntüsü göndermiştir ve bilet PNG istiyor. En hızlı rota üçüncü arama sonucudur; yapıştırma kutusu ve reklam banner'ı olan bir yardımcı program sitesidir. Tokenın, günlük satırının ve ekran görüntüsünün bittiği yer burasıdır. Hiç kimse dahili verileri bir yabancının web sunucusuna aktarmayı planlamamıştı. Bunun nedeni, alternatifin beş saniyelik bir iş için on beş dakikalık kurulum olmasıydı.

Beş konteyner bu boşluğu kapatıyor. Her biri, kendi makinenizde yinelenen bir geliştirici işi yapan küçük bir yerel hizmettir: inceleme, dönüştürme, dönüştürme, test etme ve diyagram oluşturma. Bunların hiçbiri yapay zeka altyapısı değil ve hiçbiri daha önce ele alınan KDnuggets aracı geliştirici kapsayıcılarıyla örtüşmüyor. Burada önemli olan sıkıcı araçlardır.

Dağınık gereksinimleri konuşlandırılabilir aracılara dönüştürün Gönderi Kutuda Ne Var? Kabul Edilebilir İzleri Kabul Edilemez Olanlardan Ayırmak ilk olarak Veri Bilimine Doğru'da ortaya çıktı.

Bir destek temsilcisi bir keresinde bir müşteriye para iadesinin işleme alındığını söylemişti. Olmamıştı. Model iyiydi, istem iyiydi ve ses tonu güzeldi. Sorun, geri ödeme tablosunun her gece senkronize edilmesi, önceki akşam bir toplu işin başarısız olması ve müşterinin ertesi gün öğleden sonra saat 14:00'te istemesiydi. Temsilci, artık var olmayan bir dünya hakkında çok güzel mantık yürüttü.

Bu hikayeyi anlatmak biraz utanç verici çünkü çoğunlukla çok sıradan. Teams haftalarca modelleri karşılaştırarak ve komutlarda ince ayar yaparak çalışıyor, ardından her şeyi, üzerinde işlem yapan bir şey tarafından okunmak üzere asla tasarlanmayan verilere bağlıyor. Açıkça ifade ettiğim argümanım şu: Bir aracının tavanı, veri hattı tarafından belirlenir ve model çoğunlukla bu tavana ne kadar yaklaşacağınıza karar verir.

İlk gönderi, 60 turluk bir bütçe, deterministik bir sonuç karşılaştırması ve hiçbir modelin kendi yanıtlarını derecelendirmediği, sağlayıcı başına bir koltuğun bulunduğu bir jüri paneli ile aracılı bir döngü çalıştırdı (model SQL yazar, sonuçları okur ve ne zaman yanıt vereceğine karar verir). Bunların hiçbiri değişmedi. Bu gönderi beş model ekliyor.

Koşum takımı da değişti. github.com/ClickHouse/data-agent-mnist adresinde herkese açıktır, panonun çalıştığı ağaçtan senkronize edilir ve ilk gönderinin bağlantılı olduğu sürümden bu yana:

İlk gönderideki kirlilik sondası beş yeni modelin tamamında çalıştırıldı. Hiçbiri bir soru önekinden anonimleştirilmiş bir varlık adı çıkaramaz (her biri 25'ten 0) ve sorularımıza tamamlama benzerlikleri, tahtanın geri kalanıyla aynı düşük bantta yer alır. Spider kontrolüne sahip beş modelden biri olan Sonnet 5.5, Spider dev'deki varlık adlarının %81'ini, sorularımızın ise %7'sini kurtarıyor; bu da bize sondanın bulunduğu yerde ezberlemeye duyarlı olduğunu gösteriyor.

SAN FRANCISCO, CA / ACCESS Newswire / 20 Ekim 2026 / Yapay zeka ajanları unutuyor. Her oturum sıfırdan başlar, görevler arasında bağlam kaybolur ve çoğu vektör veri tabanı, fikirlerin nasıl bağlandığını veya hangi yanıtların faydalı olduğunu kaydetmeden yerleştirmeleri saklar. Cognitum One™, Inc. (cognitum.one) bugün açık kaynak projesine lisanslama, kurumsal destek ve dağıtım hizmetleri ekleyerek RuVector™'u ticari olarak piyasaya sürdü. RuVector, yapay zeka aracıları için vektör aramayı, grafik ilişkilerini ve kendi kendine öğrenen belleği birleştiren açık kaynaklı bir Rust motorudur. PostgreSQL'de, tarayıcıda ve uçta çalışır, böylece bellek, bir kuruluşun verilerinin ve aracılarının bulunduğu yere yerleşebilir.

Mobil ev yangını dışarıda kontrol altına alındı; Las Cruces'te herhangi bir yaralanma bildirilmedi (Kaynak: Las Cruces İtfaiyesi)

LAS CRUCES, N.M. (KFOX14/CBS4) — Las Cruces itfaiyecileri, mürettebatın yapı yangını ihbarına çağrılmasının ardından Pazar günü öğleden sonra bir mobil evde çıkan yangını söndürdü.

Las Cruces İtfaiye Departmanına göre öğleden sonra 2'den hemen sonra. 18 Ekim Pazar günü itfaiye ekipleri Holiday Avenue'nun 2200. bloğuna müdahale etti ve konuttan duman çıkan tek genişlikli bir mobil ev buldu.

İtfaiye ekipleri daha sonra boş evde arama yaptı.

Hindistan Genel Kayıt Memuru (RGI) Mritunjay Kumar Narayan tarafından yayınlanan resmi genelgeye göre, Birlik içişleri bakanlığı, dünyadaki en büyük idari tatbikat için halka açık kampanyanın bir parçası olarak önümüzdeki yıl Cumhuriyet Bayramı geçit töreni için bir Nüfus Sayımı 2027 tablosu önerecek.

Önerilen tablonun, etkinlik için tablo seçimini denetleyen savunma bakanlığı tarafından onaylanması gerekecek.

Bu hikaye Hindustan Times Mumbai'nin 20 Ekim 2026 tarihli baskısından alınmıştır.

Hindistan'ın en büyük servetlerinden birinin evladı olan ve 2024'te İngiltere'yi terk eden Anand Nadathur, geçtiğimiz yıl İngiltere'nin Surrey kentindeki malikanesinin fiyatını neredeyse 5 milyon £ (6,7 milyon $) düşürdü.

On binlerce kuruluş veri dönüşümü için dbt'ye güveniyor. Nerede çalıştırdığınız her şeyi şekillendirir: dbt işlem hatlarınızı çalıştırmanın maliyeti, ne kadar hızlı gönderildikleri ve ne kadar operasyonel iş taşıdıkları. Databricks'te dbt'yi çalıştırmak, dbt iş yüklerinize açık bir platform ve birleşik bir işlem hattı sağlar.

3000'den fazla kuruluş Databricks üzerinde dbt çalıştırıyor ve çoğu ekip bundan çok daha fazlasını elde ediyor olabilir. Bu blog, dbt işlem hatlarını Databricks üzerinde çalıştırmayı daha ucuz, daha hızlı ve daha basit hale getiren uygulamaları vurgulamaktadır.

İşten kaynaklanan dbt faturaları tekrarlamanıza gerek yok. Tam yeniden oluşturma, değişmeyen verileri yeniden hesaplar, sorguları hızlı tutmak için manuel ayarlama yapılması gerekir ve faturalar yükseldiğinde buna neden olan dbt modellerine ilişkin net bir atıf yoktur. Bu bölümdeki uygulamaları benimserseniz işlem hatlarınız:

FOSSASIA PGDay'in 9 Mart 2027'de Tayland'a geri dönerek PostgreSQL topluluğunu Bangkok'taki True Digital Park'ta bir araya getireceğini duyurmaktan mutluluk duyuyoruz. Daha fazla ayrıntı için PGDay web sitesini ziyaret edin.

FOSSASIA PGDay, PostgreSQL kullanıcıları, geliştiricileri ve meraklıları için Asya'nın dört bir yanından ve ötesinden topluluğu bir araya getiren yıllık bir toplantıdır. FOSSASIA Zirvesi ile aynı yerde düzenlenen etkinlik, PostgreSQL ve onun büyüyen ekosistemine ilişkin bilgilerin, pratik deneyimlerin ve içgörülerin paylaşılmasına odaklanmış bir forum sağlıyor. Önceki baskılar Singapur, Vietnam, Tayland ve Endonezya'da gerçekleştirilmiş ve yerel toplulukları dünyanın dört bir yanından katkıda bulunanlar, kullanıcılar ve kuruluşlarla buluşturmuştur.

PostgreSQL 18 de dahil olmak üzere, bu küçük sürümler için oluşturulan tüm PostgreSQL ana sürümleri burada mevcuttur.

Dönen EL-10 ve EL-9 veri havuzu RPM'leri etkilenmez.

Hala RHEL 10.0 veya 9.6 (veya Rocky Linux / AlmaLinux 10.0 veya 9.6) kullanıyorsanız, lütfen daha yeni bir küçük sürüme güncelleyin veya arşivi kullanın. Depo paketleri sayfasının arşivlenmiş depolar bölümü, her dağıtım sürümü, mimari ve PostgreSQL sürümü için depo dosyasını ve kurulum komutlarını oluşturur:

Lütfen bu depoların daha fazla güncelleme almayacağını unutmayın.

SLES 15.6 depoları ana PostgreSQL RPM deposundan kaldırılıyor ve PostgreSQL ZYPP arşivine taşınıyor. SUSE Linux Enterprise Server (SLES) 15 SP6 (15.6) için genel destek 31 Aralık 2025'te (yukarı akışla) sona erdi.

PostgreSQL 18 de dahil olmak üzere, bu küçük sürümler için oluşturulan tüm PostgreSQL ana sürümleri burada mevcuttur.

Hala SLES 15.6 kullanıyorsanız ya daha yeni bir SP'ye (bu yazının yazıldığı sırada SP7) güncelleyin ya da arşivi kullanın. Depo paketleri sayfasının arşivlenmiş depolar bölümü, her dağıtım sürümü, mimari ve PostgreSQL sürümü için depo dosyasını ve kurulum komutlarını oluşturur:

Yapay zekayı üretime geçirmek için bir vektör mağazasından daha fazlasına ihtiyacınız var. . RAG işlem hatlarınız karmaşık kurumsal bilgi gerektirirken, AI aracılarınızın çalışabilmesi için gerçek zamanlı operasyonel verilere erişmesi ve bunları sürdürmesi gerekir. Buradaki zorluk açıktır: doğru AI araması ile geleneksel işlemsel veritabanları arasındaki boşluğu doldurmanız gerekir.

En iyi yapay zeka veritabanı, bu yetenekleri nasıl bir araya getirdiğinize bağlıdır. Mevcut bir Postgres veritabanını özel sistemlerle genişletebilir veya bu iş yüklerini birleşik bir veri platformunda birleştirebilirsiniz. Ancak her yaklaşım, uygulamalar üretime geçtikçe veri tazeliği ve performansında ödünleşimler içerir.

Artık hemen hemen her platform açık formatları desteklese de, bir kataloğu gerçekten açık yapan şey nedir? Açık bir katalog, verilerinizi sahip olduğunuz depolama alanında tutar, size en iyi özellikleri sunar ve veri taşınabilirliğini destekler: verileri yerinde tutarken tablolarınızı başka bir kataloğa taşıma yeteneği. Taşınabilirlik, açık göl evinin temel ilkesidir ve çoğu kataloğun yetersiz kaldığı nokta budur.

Apache Iceberg™ REST katalog spesifikasyonunda hem REGISTER hem de UNREGISTER'ı destekleyen ilk katalog olan Databricks' Open Lakehouse'daki Unity Catalog, açık kataloğun anlamını genişletiyor: tablolarınız mevcut Iceberg tablolarını herhangi bir veri hareketi olmadan içeri veya dışarı taşıyabilir. Databricks, Iceberg REST katalog spesifikasyonuna UNREGISTER'ı ekleyerek bunu açık bir standart haline getirdi. Veri Taşınabilirliğinin Kilidini Açmayı okuyun.

Microsoft Fabric Veri Ambarı artık önizlemede Fabric Kullanıcı Veri İşlevleriyle entegre oluyor; böylece ayrı uygulamalar veya işlem hatları oluşturmadan T-SQL'i özel Python mantığıyla genişletebilirsiniz. E-posta veya Teams mesajları göndermek, Fabric değişken kitaplıklarından veya Azure Key Vault'tan parametreleri ve gizli dizileri almak ve OneLake genelinde verilere erişmek için entegrasyonu kullanın.

Bu yeteneklere artık doğrudan Deponuzdaki T-SQL sorgularından ulaşılabilir.

Fabric Veri Ambarı'nda, Fabric Kullanıcı Veri İşlevleri öğesindeki Python işlevlerine referans veren T-SQL harici işlevleri oluşturabilirsiniz. Daha sonra bu işlevleri SELECT, INSERT ve UPDATE gibi tanıdık ifadelerden çağırabilirsiniz. Harici bir işlev çağrıldığında Veri Ambarı, bunun yürütülmesini Fabric Kullanıcı Veri İşlevleri çalışma zamanına devreder.

Veri katalogları, kurumsal veri varlıklarının birleşik bir envanterini sağlayan veri yönetimi ve yönetişim girişimlerinin temel taşıdır. Ancak kuruluşlar yapay zeka dağıtımlarını genişlettikçe ve analitik için veri erişimini giderek genişlettikçe, kataloglar temel veri dizinlerinden yerleşik meta veri yönetimi, veri yönetimi, erişim kontrolü ve yönetişim politikası uygulama yeteneklerine sahip tam teşekküllü platformlara dönüşüyor.

Alabama Yankee Systems baş danışmanı Anne Marie Smith, "Geleneksel kataloglar öncelikle keşif amacıyla veri varlıklarını belgelemeye odaklanıyordu" dedi. Bu, veri analistlerinin ve iş kullanıcılarının uygulamalarla ilgili verileri bulmasına yardımcı oldu. Ancak Smith, günümüzün kataloglarının hem insan hem de yapay zeka kullanıcılarını güvenilir veri kümeleri ve gerekli bağlamla daha kapsamlı şekilde güçlendirdiğini, aynı zamanda veri ekiplerinin otomatik kontroller ve uyumluluk izleme mekanizmalarını uygulamasına olanak tanıdığını söyledi.

Yıllarca Snowflake'teki boru hattı arızası aynı senaryoyu takip etti: Birisi çağrı aldı. Günlükleri incelediler, temel nedeni izlediler, bir düzeltme yazdılar, bunu test ettiler ve bir çekme isteği (PR) açtılar. Sonra ertesi gece aynısını tekrar yaptılar.

Bugün bir temsilci bu senaryoyu bizim için çalıştırıyor. Sahip olduğumuz izlenen her boru hattı arızasını araştırır ve ortalama 16 dakikadan kısa bir sürede olay tespitinden incelemeye hazır PR aşamasına geçer. İşte onu nasıl oluşturduğumuz ve ekibimiz için neleri değiştirdiği.

Snowflake'in dahili veri ekibinde veri bilimciyim ve satış hattı sayımızın, tek bir kişinin düşünebileceği bir şeyden gerçekten bunaltıcı bir şeye dönüştüğünü izledim.

Büyük dil modelleri (LLM'ler) etrafındaki araç ekosistemi, çoğu uygulayıcının takip edebileceğinden daha hızlı genişledi. LLM uygulama geliştirmeyle ilgili neredeyse her konuşmaya iki isim hakimdir: LangChain ve LlamaIndex. Her ikisi de LLM'lerle bina arasındaki sürtünmeyi azaltma sözü veriyor. Her ikisinin de büyük toplulukları ve aktif gelişimleri var. Ve birisi nasıl başlayacağını sorduğunda her ikisi de neredeyse refleks olarak tavsiye ediliyor.

Ancak bunların hiçbiri her ekip, her proje veya gelişimin her aşaması için doğru cevap değildir. Üçüncü bir yol giderek daha fazla ciddiye alınmaya değer hale geliyor: sıfırdan inşa etmek, temel API'ler ve kendi soyutlamalarınızdan başka hiçbir şey kullanmamak.

DBtune, PostgreSQL optimizasyonu için DBtune 4.0'ı piyasaya sürerek ürünü sunucu parametre ayarının ötesine taşıyor.

Yeni sürüm, indeks optimizasyonu ve otomatik vakum izlemeyi ekleyerek PostgreSQL yönetiminin üç alanını daha geniş sağlık ve performans izlemenin yanı sıra tek bir sistemde birleştiriyor.

PostgreSQL büyük kuruluşlarda yaygın olarak kullanılır, ancak dağıtımların ölçeği ve karmaşıklığı arttıkça performans yönetimi genellikle daha zor hale gelir. Sonuç olarak, veritabanı ekipleri araştırma, bakım ve ayarlamaya önemli ölçüde zaman harcayabilirken, artan bilgi işlem ve depolama kullanımı da bulut harcamalarını artırır.

Yapay zeka kodlama asistanları, birkaç dakika içinde büyük miktarda çalışma kodu oluşturabilir. Bu üretkenliği artırır ama aynı zamanda onları tehlikeli hale getirir. Yapay zeka tarafından oluşturulan kötü kodun mutlaka kötü görünmesi gerekmez. Bir API, yetkilendirme kuralı, uç durum veya bağımlılık hakkında hala yanlış varsayımda bulunurken derleyebilir, testleri geçebilir ve temiz değişken adları kullanabilir. GitHub, yapay zeka tarafından oluşturulan kodun anlamsal olarak yanlış olabileceği konusunda uyarıyor ve birleştirmeden önce kodun dikkatlice incelenip test edilmesini öneriyor. Dolayısıyla "Yapay zeka tarafından oluşturulan bu kod iyi görünüyor mu?" sorusunu sormak yerine bu 7 kontrolü çalıştırın.

İlk kontrolünüz ChatGPT, Copilot, Claude Code veya başka bir model olmamalıdır.

Hindistan Yönetim Enstitüsü (IIM) Jammu, sağlık araştırmaları, yapay zeka (AI) ve inovasyon alanlarında iş birliğini güçlendirmek için Amerika Birleşik Devletleri'ndeki Birmingham Alabama Üniversitesi (UAB) ile bir mutabakat zaptı (MoU) imzaladı.

Anlaşma, 17 Ekim 2026'da IIM Jammu kampüsünde düzenlenen Global CEO Toplantısı sırasında imzalandı. Ortaklık, iki kurumu sağlık yönetimi ve gelişen teknolojiler alanında araştırma, akademik faaliyetler ve bilgi paylaşımı için bir araya getirmeyi amaçlıyor.

Anlaşmaya göre her iki kurum da sağlık hizmetlerinde yapay zeka, makine öğrenimi, büyük veri analitiği ve tedarik zinciri yönetimi alanlarında ortak araştırmalar üzerinde çalışacak. Bu alanlar, sağlık kuruluşlarının bilgileri incelemesine, planlamayı geliştirmesine ve operasyonel zorluklara yönelik teknoloji tabanlı çözümleri keşfetmesine yardımcı olabilir.

Veri bilimi, pek çok kullanılmamış potansiyele sahip, sağlam ve hızla büyüyen bir alandır. LinkedIn'in Gelişen İşler Raporu, pazarın yedi yıl içinde önemli ölçüde büyüyerek 2019'daki 37,9 milyar dolardan 2026'da 230,80 milyar dolara çıkmasının beklendiğini gösteriyor. Sonuç olarak, uzun vadeli bir kariyere ilgi duyan istekli BT profesyonelleri, veri bilimini başlangıç ​​noktaları olarak düşünmelidir. Ancak yeni bir disiplin öğrenmek zor olabilir. Sağlam bir eğitim planı, diğer bir deyişle yol haritası oluşturup uygulayarak bu zorluğu hafifletebiliriz.

Bu makalede, 2026 için bir veri bilimi yol haritası oluşturmak için gereken tüm bilgiler sunulmaktadır. Veri bilimi yol haritasının ne olduğunu, veri bilimi yol haritasındaki çeşitli bileşenleri ve kilometre taşlarını, veri bilimi yol haritasındaki ilerlemenizi takip etmeyi ve diğer ilgili kaynakları açıklayacağız.

Stripe, yapay zeka modelleri oluşturmayan bir şirket için OpenRouter'ın üç aylık değerinin neredeyse 6 katını ödüyor. Hangi modelin kullanılacağına karar veren anahtarı oluşturur.

2023 yılında CEO Alex Atallah tarafından kurulan OpenRouter, geliştiricilerin gerçekten ihtiyaç duyduğu bir şeyi inşa etti: Bir isteği iş için anlamlı olan büyük dil modeline (GPT, Claude, Gemini veya Çin'den DeepSeek veya Z.ai gibi ucuz bir açık ağırlıklı model) yönlendiren bir uç nokta. Şirketlere göre OpenRouter şu anda günde 10 trilyondan fazla token işliyor ve aralarında Nvidia, Zoom ve Lovable'ın da bulunduğu 10 milyondan fazla geliştiriciye hizmet veriyor. Bugün bir yapay zeka uygulaması oluşturduğunuzda doğrudan bir model seçmeme olasılığınız yüksektir. OpenRouter'ı seçiyorsunuz ve onun sizin için seçim yapmasına izin veriyorsunuz.

Bu haberin özeti çıkarılamadı; tamamı kaynağında.

Mutlu ekiplerin üzerinde çalıştığı veri platformuna benzer bir veri platformu oluşturmanıza yardımcı olmak için Veri Platformunun Temelleri üzerine bir e-Kitap yazdık. Bu kitapta şunları öğreneceksiniz: - Şekillendirilebilir mimariler ekiplerin daha hızlı teslimat yapmasına nasıl olanak tanır - Veri kalitesi neden önemlidir ve sorunları kullanıcılara ulaşmadan önce nasıl yakalayabilirsiniz - Gözlemlenebilirlik ne anlama gelir ve sorunları daha hızlı çözmenize nasıl yardımcı olur

Datalogy açık kaynaklı Zephon. Zephon, tek kullanımlık çevrimdışı ETL materyalleştirmesini tokenizasyon, kutu paketleme ve token düzeyinde karıştırma gibi durum bilgisi olan $n$'dan $m$'a kadar işlemler için deterministik, geç bağlama çevrimiçi yürütmeyle değiştirerek, klasik veritabanı sanal ve materyalleştirilmiş görünüm alışverişini yapay zeka eğitimine uygular. Veri ekipleri, işaretçi tabanlı müfredat planlamasını (WorkSource) sütunlu yük getirme işleminden (Parquet, Vortex) ayırarak, her küratörlük çıkarma işlemi için derlem kopyalarının yeniden materyalleştirilmesinin depolama ve hesaplama vergisini ödemeden, eğitim gruplarını doğrudan standart göl evi formatlarından aktarabilir.