Спасибо за ценный опыт. NSE применим только для SCALE UP решений? В какие архитектуры Lakehouse смотрите? Как планируете делать экстракцию в Lakehouse?
По сути как я понял преимущество с точки зрения 1с это коннектор к 1с, зачем всю интерфейсную часть делать на 1с принимая все технологические ограничения платформы не понятно. Можно было бы наверное на этих базовых компонентах cloud first решение на более быстрой бд собрать. Вероятно я просто что-то не учитываю.
Хорошая идея с поиском мест в текущей локации. Наверное полезно будет и в навигаторе - найди точку вдоль маршрута где можно купить батарейки, детскую игрушку.
Если правильно понял, вы вручную собираете отдельные факторы, а потом на их основе создаете синтетические путем нелинейных трансформаций, получая несколько небольших моделей, повышающих интерпретируемость.
Не получится ли при таком подходе, что будет пропущена определенная комбинация факторов, которые формируют полезный сигнал только вместе в совокупности и которую могла бы модель побольше распознать автоматически? Возможно есть вариант, когда можно будет получать преимущества обоих подходов.
Условно для анализа изображений никто руками не создаёт фичи нос лисы или нос кабана. Понятно, что у вас скорее классический ML и не все так просто.
Также для медиа-эффектов наверное будет полезно как-то оцифровать что именно говорится (например прогнать через языковую модель) - стиль повествования мягко/агрессивно и т.п. Возможно в разных регионах будет по разному.
Подумайте, может вам сделать кейс для одного из хакатонов Цифровой прорыв. Искуственный интеллект. Кажется у вас очень необычные данные, не то что участникам уже могло набить оскомину.
Интересно было бы увидеть карту из 64х компетенций в 12 группах
Спасибо за ценный опыт. NSE применим только для SCALE UP решений? В какие архитектуры Lakehouse смотрите? Как планируете делать экстракцию в Lakehouse?
По сути как я понял преимущество с точки зрения 1с это коннектор к 1с, зачем всю интерфейсную часть делать на 1с принимая все технологические ограничения платформы не понятно. Можно было бы наверное на этих базовых компонентах cloud first решение на более быстрой бд собрать. Вероятно я просто что-то не учитываю.
Почему Dagster вместо Airflow именно в вашем кейсе был предпочтителен?
Попросить кандидата скушать морковку. Сразу искажения пойдут.
Добавьте SAP HANA, Snowflake,Teradata.
Хорошая идея с поиском мест в текущей локации. Наверное полезно будет и в навигаторе - найди точку вдоль маршрута где можно купить батарейки, детскую игрушку.
Если правильно понял, вы вручную собираете отдельные факторы, а потом на их основе создаете синтетические путем нелинейных трансформаций, получая несколько небольших моделей, повышающих интерпретируемость.
Не получится ли при таком подходе, что будет пропущена определенная комбинация факторов, которые формируют полезный сигнал только вместе в совокупности и которую могла бы модель побольше распознать автоматически? Возможно есть вариант, когда можно будет получать преимущества обоих подходов.
Условно для анализа изображений никто руками не создаёт фичи нос лисы или нос кабана. Понятно, что у вас скорее классический ML и не все так просто.
Также для медиа-эффектов наверное будет полезно как-то оцифровать что именно говорится (например прогнать через языковую модель) - стиль повествования мягко/агрессивно и т.п. Возможно в разных регионах будет по разному.
А где нибудь есть полный список?) про лабораторию и тд)
Подумайте, может вам сделать кейс для одного из хакатонов Цифровой прорыв. Искуственный интеллект. Кажется у вас очень необычные данные, не то что участникам уже могло набить оскомину.
А есть смысл одновременно и Gitless держать и Gitlens? Или хватит кого то одного?
Попробуйте Викуну ещё.
Проблема agile в электронике во многом заключается в том, что при обнаружении бага, софт выкатывает новую версию на следующий день.
В микроэлектронике изготовление новой партии фотошаблонов и пластин это милионные затраты и месяцы работы.
Спасибо, отправил в избранное.
Там в sd ещё mov2mov и text2video подвезли.)
Вероятно, раз вернулся в Open AI.
Всё таки Odata это детище Microsoft, не стоит шильдик SAP на него вешать.
Сестра агроном-любитель: " от пырея избавиться и никакого проволочника".
Как то сложно. В Qlik кажется есть готовые коммерческие коннекторы.
Также 1C умеет в Odata в т.ч. в JSON представлении.
Как иронично, эксплойт к ПО Майкрософт выложен на Github принадлежащем Майкрософт)
Строго говоря поколоночное inmemory хранение не является препятствием для создания OLTP решений. Пример СУБД SAP HANA и SAP ERP S/4 HANA.