Инжиниринг Данных

OMNI BI напоминает Looker — там тоже свой синтаксис, прямо как LookML. Но у них есть интеграция с dbt, и он автоматически понимает все трансформации и использует dbt как источник для семантического слоя. Также сразу у вас есть доступ к моделям Claude, но за токены вы платите сами. Насколько я понимаю, они используют AWS Bedrock как gateway. Таким образом, вам не спрятаться от AI и перерасхода токенов. Но бизнес-пользователи прям кайфуют — наконец-то можно общаться с вашим дашбордом на равных! Прошло 7+ лет с момента, когда Tableau сделал анонс про Ask Data — тогда они купили ClearGraph. На картинке слайд про токены, а мы и не знали, что там ещё какие-то квоты 😄 Теперь у меня MCP для Snowflake, dbt, Omni - и все само работает 🛌, что дает время на всякие другие дела🛰🛰

На 1й картинке пост про SpaceX IPO = спам для розничных инвесторов как мы, и упоминание про AI IPO. Хотя через 2-3 года цена акции удвоятся. Самый крутые акции оказались это MU, Sandisk, Samsung, ASML - те, кто продают лопаты для наших инновационных идей. На второй картинке моя инвестиция в SpaceX. По классике я купил на хаях. Но я больше хотел протестировать корпоративное инвестирование, это примерно как если бы у вас было ООО и доход корпорации за вычетом 10% налогов вы бы инвестировали. В Северной Америке очень удобный механизм. И если вы теряете деньги = налоговый вычет, зарабатываете = платите доп налог, когда выводите. А спустя какое-то время, когда вашим детям 13+ начинаете платить зарплату из доходов корпорации. И это только вершина айсберга. В США намного больше возможностей с корпорацией, чем в Канаде, но это не сравнить с обычной зарплатой и налогами. Планирую написать пост в Surfalytics про налоги, оптимизацию, корпорации и тп.

Meta уволила половину команды безопасности, перевела инженеров на разметку данных, и получила крупнейший взлом в своей истории. Решение руководства? Больше снеков в офисе.

В одной компании VP Engineering поделился документом «Как работать со мной». Делюсь ключевыми тезисами и своими мыслями.

🎯 Роль лидера — не контролировать, а разблокировать Его приоритеты: дать тебе возможность работать, помочь с аналитикой и поддержать твой карьерный рост. Он заходит в проект на старте, но как только видит, что ты взял ownership — отступает. Если начинает микроменеджить — ему можно прямо написать в Slack: «Слушай, я справлюсь, не нужно». И это будет воспринято нормально. 📡 Никаких сюрпризов — ни вверх, ни вниз Главный принцип: держи в курсе. Не нужно писать эссе — достаточно короткого сообщения в Slack. Но он никогда не должен узнавать о проблемах или рисках последним. Это работает в обе стороны. ✍️ Коммуникация: сначала письменно, потом голосом Формат по умолчанию — краткие буллеты. Полные предложения не нужны. Если переписка становится запутанной — переходим в Slack huddle. Любой апдейт строится по схеме: что случилось → почему это важно → что делаем дальше. 📋 Еженедельные рефлексии — обязательно Каждую неделю — короткий документ: достижения, проблемы, вызовы, кого хочется отметить. Не более 15 минут. Можно использовать AI. Зачем это нужно? Это конкретные доказательства твоей работы — для промоушена, для компенсации, для защиты в случае сокращений. 🧠 Для директоров и senior-менеджеров — отдельная планка Приходи с проблемой — приноси и решение. Хотя бы черновое. Просто «пожаловаться» — это не лидерство. Принимай решения самостоятельно там, где у тебя есть контекст и полномочия. Эскалируй осознанно — только если исчерпал варианты и у тебя есть рекомендация. Мне нравится такой подход: всё явно, без угадывания ожиданий.

Но в целом это не помогло компании, за несколько месяцев акции упали в 5 раз и дальше падают. Не все выживают в AI гонке. На ближайшей встрече будем обсуждать как мигрировать 4 инстанса AWS Airflow на один GCP Composer.

Циклы позволяет агентам работать автономно. Я пока еще не использовал, но пора уже. Видео про циклы: https://youtu.be/F4a8aMLb678?si=poI883i6sIutHQso Используете?

🔥 Разобрали AWS-стек от и до — 2,5 часа живого кодинга Видео 👉 https://youtu.be/nWn_hDuL4jc Провели мощную сессию по AWS Glue, MWAA Airflow, dbt Core и Iceberg Lakehouse. Всё строилось с нуля через CloudFormation с AI-агентом (Claude в Cursor) — отличный пример того, как выглядит AI-assisted инфраструктура на практике. ⚙️ Glue & Spark • Glue Data Catalog — управляемый Hive-style метастор; краулеры автоматически обнаруживают схемы в S3 • Типы Glue-джобов: визуальный редактор, ноутбуки, Python Shell и PySpark-скрипты • GlueContext vs SparkContext и DynamicFrame vs DataFrame — и почему большинство команд остаётся на чистом Spark • Подбор размера кластера, query plans и Spark UI — та же логика применима к Snowflake-вархаусам • coalesce vs repartition — управление количеством и размером выходных файлов в распределённых вычислениях • Код Glue-джобов хранится как файлы в S3 — это открывает возможности для версионирования и release-стратегий • Glue Docker-образ для локального запуска и тестирования Spark-джобов в CI/CD 🏔️ Athena & Lakehouse • Amazon Athena — serverless SQL-движок на базе Presto/Trino; оплата за TB отсканированных данных + S3 • Partition projections vs Hive-style partition metadata; обработка JSON SerDe • dbt + Apache Iceberg lakehouse через dbt-athena-community (Docker-образ на ECR) • Внутренности Iceberg: папки data и metadata, manifest-файлы, manifest lists и снапшоты • Один dbt-проект, нацеленный одновременно на Athena, Redshift и Snowflake 🔄 Оркестрация & MWAA • Managed Airflow (MWAA): синхронизация DAG'ов через S3, интеграция с Secrets Manager и CloudWatch • Почему MWAA — это НЕ serverless: VPC, биллинг 24/7 и когда локальный Airflow выгоднее • Как хостить dbt с Airflow: DAG'и в S3 vs запуск dbt в контейнере на ECS/Batch • EcsRunTaskOperator — стандартный production-паттерн для связки dbt + Airflow • Добавили Airflow MCP-сервер, чтобы AI-агент мог инспектировать и триггерить DAG'и 💡 Главный вывод: AI строит инфраструктуру быстро — но именно понимание сервисов, трейдоффов и стоимости отличает инженера, который шипит проекты, от того, кто просто копирует код. Код здесь 👉 https://github.com/surfalytics/data-ingestion-github-to-snowflake/pull/1

Уважаемые коллеги, я понимаю, что сейчас не до постов про аналитику и ai-агентов, так как за окном лето, отдых и думскроллинг, но у меня есть важная тема, которую нам стоит обсудить! Так, ну и что там такого важного? Ну, вы задумывались, какие навыки и задачи в вашей корпоративной роли аналитика станут дороже, а какие обесценятся с постепенным переходом на агентские фреймворки? Тут об этом целая статья хайпится Some Simple Economics of AGI, и я бы хотел разобрать график оттуда По горизонтали отложена стоимость автоматизации задачи (c_A), по вертикали стоимость проверки результата задачи человеком (c_H). Две пунктирные линии режут картинку на четыре части, горизонтальная это бюджет на проверку (B), вертикальная это зарплата (w), ниже которой держать работягу на задаче дороже, чем ее автоматизировать (логично) Итого имеем 4 квадранта Q1 (нижний левый) — автоматизация дешёвая, проверка дешёвая. Сюда падают всякие дашборды, регулярные выгрузки, базовые ETL, расчёт A/B через готовый калькулятор (когда дизайн уже задан), ad-hoc запросы под звонок. В расчётах авторов в этом квадранте лежит s_v ≈ 0.59 всей работы (s_v это доля задач, у которых обе стоимости дешёвые одновременно), и именно эту долю агенты автоматизируют первой Q2 (верхний левый) — автоматизация дешёвая, проверка дорогая. В этот скоуп задач можно отнести оценки causal effect, дизайн рекомендательных систем, агентные пайплайны принятия решений, долгосрочные A/B с метрикой через квартал (изменение subscription pricing, retention 12M, ранкер ленты), оценка incrementality от brand-маркетинга Формула c_H = w · t_fb / S_nm объясняет, почему здесь бывает жить: t_fb — сколько надо ждать результата, w зарплата эксперта, который проверяет, S_nm запас экспертизы в экономике. Длинный лаг умножается на дорогого эксперта, а делится на тающий запас экспертов. В пределе проверять некому, агенты летают без надзора Q3 (нижний правый) — автоматизация дорогая, проверка дешёвая. Качественный user research и интервью с пользователями, ручной разбор отзывов и NPS с пониманием контекста, конкурентный анализ, подготовка слайдов для C-level с правильным месседжингом, разметка эджевых кейсов в данных. Зона временно живая, пока стрелка K_C на графике (рост компьюта) не сдвинет её содержимое влево, в Q1, и LLM в разбор отзывов и в классификацию уже зашли Q4 (верхний правый) — автоматизация дорогая, проверка дорогая. Дизайн самой системы измерения продукта, то есть что считать North Star, перевод мутного запроса от CEO «надо увеличить engagement» в конкретные гипотезы и план измерений, дизайн экспериментальной программы на год с выбором guardrail-метрик, стратегические решения о приоритизации продуктовых направлений на данных плюс контексте, который нигде не записан Погоди, а в чем тут новость? С джунами также ведь! Это база! В целом я тоже так думал — замените агентов на джунов и суть же не изменится: джун делает Q1, мидл Q2, сеньор Q4, это карьерная лестница из любого учебника, какая там новизна вообще? Но есть три места, где аналогия агенты = джуны ломается, и из-за них статью, собственно, и написали: 1️⃣Verification не масштабируется, а execution масштабируется Один сеньор мог проверять пару джунов в день, и количество джунов было ограничено физикой найма. Сегодня сеньор должен проверять выход агента, который генерирует в тысячи раз больше за тот же час. Execution капасити экспоненциальная, verify капасити линейная, упирается в одного человека. С джунами этой асимметрии не было, потому что джун тоже ограничен временем 2️⃣Codifier's curse С джунами было так: сеньор обучает джуна, наращивает свой статус (становится ментором), джун через 5 лет становится мидлом, рынок экспертизы расширяется. С агентами: сеньор обучает модель, перекладывает свою интуицию в обучающие данные, и его собственная ценность падает. Аналога в карьерной лестнице нет, механизм работает в обратную сторону

Сейчас самый большой hype это дата центра и AI в космосе. Bloomberg выпустил небольшое видео https://youtu.be/cNI4N3-FcEI?si=JFuu3XZSf2eIbbfv Все относятся к этой идеи очень скептически, но с другой стороны, все новые идеи проходят такой путь, поэтому утверждать, что этого никогда не будет мы не можем. Зато, если будет, то будут уже космические дата инженеры:)

Сегодня попробовал Omni. Подключил его к Snowflake и dbt. Напомнил Looker с LookML, но удобней, что он сразу умеет читать из dbt моделей и более удобно интегрируется с git. Короткое демо https://youtu.be/9GduXHYYGbU?si=FcmQdlnoj36xbhdN

Spark Connect для ИТ-команд: упрощаем разработку и работу с данными 😎

Многие компании уже используют Apache Spark для обработки и трансформации данных, но часто только в привычных сценариях. Spark остаётся инструментом исключительно для Spark‑разработчиков: сложный стек и высокий порог входа мешают вовлекать в работу другие команды. В результате потенциал платформы используется лишь частично.

На вебинаре 23 июня эксперты Cloud.ru покажут, как с помощью Spark Connect и сервиса Evolution Managed Spark сделать взаимодействие со Spark удобным для разных ролей. В программе:

▶️

Интерактивная разработка со Spark через локальную IDE и Spark Connect;

▶️

Анализ и визуализация данных в Jupyter Notebooks;

▶️

Построение ETL‑процессов в dbt на чистом SQL;

▶️

Сценарии использования Spark для разработчиков, аналитиков и специалистов Data Lakehouse;

▶️

Возможности Evolution Managed Spark для интерактивной работы с данными.

➡️ Бонус: практическая часть с демонстрацией сценариев интерактивной работы с Apache Spark 👉 Зарегистрироваться 👈

Обновил сайт Rock Your Data https://rockyourdata.cloud/, добавил сервисы по AI, и Space Analytics (IoT, Earth Observation), чтобы была лучше трансформация в https://playeronespace.com/ (сайт, и что делаем, тоже поменял). И конечно, поменял https://surfalytics.com/, но пока еще надо настроить личный кабинет, в котором будет roadmap, задания и тп. У меня большой backlog фич завязанных на AI (чтобы попробовать разные инструменты), но пока время не хватает. Для всего использовал Astro фреймворк. RYD и P1S у меня живут на Github pages. Surfalytics на Netlify + Supabase как back-end. Лишний раз подтверждение, сколько всего можно реализовать с AI.

Недавно у одного душного менеджера возник вопрос — почему я иногда опаздываю на митинги, почему иногда камера выключена и т.п. Он рассказал, что у него низкий порог терпимости ко всяким махинациям (намекая на возможные посторонние дела). При этом компания уволила 600 инженеров неделю назад и закрыла один из офисов. Возможно, такой наезд был бы ОК лет 5–6 назад. Но сегодня подобные наезды лишь подчёркивают, что команде и компании непонятно, в каком направлении двигаться и что делать. Задача менеджера — создавать бурную деятельность, и он будет измерять её через активность в Slack и количество Zoom-встреч с включённой камерой. Что мы имеем по факту? Ни одна компания не даст вам гарантий, что вас не уволят в течение 6–12 месяцев, но при этом каждая компания ожидает, что вы — «их собственность», и если вам платят зарплату, то вы должны быть благодарны и жертвовать своими интересами ради высшей миссии. Это не значит, что можно не работать. Работать нужно, но нужно работать так, чтобы было интересно и ненапряжно. И если у вас есть возможность заниматься чем-то ещё в свободное время — это замечательно, даже если это время приходится на середину рабочего дня. Ведь вам платят не за часы, отсиженные на Zoom, а за результат.

Кто-то завайбкодил 3х мерный веб-сайт https://messenger.abeto.co/ Технологии: WebGL и Three.js

Как там уже запустили курсы AI разработчик - от 0 до 1млн рублей за 3 месяца?

Snowflake начал активно контрибьютить в Apache Spark https://careers.snowflake.com/us/en/blogarticle/building-apache-spark-in-the-open-at-snowflake

Статья рассказывает о подходе Snowflake к интеграции Apache Spark в свою экосистему. Вот ключевые моменты: • Главный герой — Holden Karau, Principal Software Engineer в Snowflake и коммиттер Apache Spark. • Цель Snowflake — адаптировать Spark API для улучшения возможностей дата-инженерии и создания более целостного опыта для пользователей. • Open Source подход — компания активно участвует в разработке открытых проектов, таких как Apache Spark и Apache Iceberg, что помогает лучше соответствовать потребностям клиентов. • Культура сотрудничества — Karau подчёркивает важность вклада в open source ради общего блага, а не личной выгоды, и делится опытом работы в открытых сообществах. • Если коротко: статья о том, как Snowflake строит интеграцию с Apache Spark через активное участие в open source разработке, а не просто использует готовые решения.

Раньше у Snowflake был фокус на свой собственный фреймворк - Snowpark

Snowflake создал Snowpark — свой собственный developer API (Python, Scala, Java) с DataFrame-подобным синтаксисом, похожим на Spark. Но это не Spark — весь код выполняется внутри движка Snowflake, никакого Spark-кластера не нужно. По сути, Snowflake пытался предложить альтернативу Spark, не требующую внешней инфраструктуры.

Возможно из Spark не сработал, и они решили топить за оригинальный Spark.

В Apache Spark 3.4 появился Spark Connect — архитектура с разделением клиента и кластера. Snowflake воспользовался этим, чтобы сделать Snowpark Connect for Spark: теперь можно писать настоящий PySpark-код, а выполняться он будет на движке Snowflake — без Spark-кластера. Это уже настоящий Apache Spark API, а не собственный аналог.

🚀 Быстрый старт в AI-аналитику с DataLens 16 июня в 12:00 (мск) — вебинар о том, как работает AI-аналитика в DataLens. Разберём всё по делу: 🤖 Большое обновление Нейроаналитика — агентский режим под капотом 📊 Новые сценарии: виджеты дашборда, рассылки, встройки, публикации 🔧 Внешние AI-инструменты для эффективной работы с DataLens ☁️ Облако и on-premises — что доступно и как 🗺 Планы развития встроенных AI-возможностей и инфраструктуры для внешних AI Регистрируйтесь — и приходите с вопросами 👇

Вчера посмотрел про история Антропика и их основателей Inside Anthropic, the $965 Billion AI Juggernaut | The Circuit, узнал про их культуру и рост. Отличное видео, особенно если вы изучаете английский или не работали еще с Claude Code.

📚 Вышел очень крепкий хэндбук по A/B-тестам — его подготовили в команде платформы Trisigma от Авито Тех. Обычно такие материалы уходят либо в сухую теорию, либо в абстрактные примеры. Здесь наоборот все завязано на реальных продуктовых кейсах и практических ошибках, с которыми сталкиваются команды в продакшне. Внутри не только базовые вещи про гипотезы и метрики, но и то, что часто забывают даже опытные специалисты: дисперсия, стандартная ошибка, распределения, чувствительность метрик, ложноположительные и ложноотрицательные результаты. И ко всему есть формулы, примеры и понятные объяснения. Отдельно разобраны: – классификация метрик (goal, proxy, guardrail, debug); – закон Кэмпбелла; – OEC; – атомарный дизайн метрик; – Central Limit Theorem без академической духоты. Полезно и тем, кто только входит в аналитику/продакт, и тем, кто уже работает с экспериментами, но хочет систематизировать знания или подготовиться к собеседованиям. Хэндбук бесплатный. Получить можно через бота. Да, там встроена подписка на канал, но контент у ребят действительно достойный. К тому же, команда Trisigma отдает его бесплатно.

Dagster и цены мы тут обсуждали в прошлом. Походу еще дороже стал. Полностью поддерживаю, если у вас с бюджетом напряг не используйте Dagster. Airflow или AWS Step functions и AWS Batch (если надо совсем дешево и вы на AWS)

Очевидный факт - рост AI инженеров. Сейчас это уже не LLM researcher, и человек, который знает как работать с моделями, как их выбирать, настраивать, проверять качество, и отслеживать стоимость. Сейчас отличное время войти в эту профессию и уже на месте разбираться как лучше это использовать.