Как за 5 недель построить рекомендательную систему в TravelTech: Kafka и MongoDB вместо Feature Store
Привет! Меня зовут Кристина, я MLOps-инженер в Туту. Занимаюсь тем, что помогаю рекомендательным системам добраться до прода со всеми компромиссами, горящими дедлайнами и новыми идеями. Эта статья — про один из таких запусков.В идеальном ML-мире запуск рекомендаций выглядит примерно так: полгода проектируют хранилище признаков (Feature Store), настраивают, откуда и как берутся данные, гоняют тяжёлые расчёты фичей и моделей, а отдельная команда следит, не деградирует ли модель из‑за изменений в данных.
Шесть недель с agentic AI против фрода в adversarial-системе
Я слишком рано понёс первые результаты в наш продукт. Тогда это выглядело логично: мы прикрутили агентный ИИ к анализу логов и поведения пользователей в regulated продукте с реальными денежными операциями, качество обнаружения пошло вверх, аналитики по фроду стали меньше возвращать инженерам мусорные кейсы.Снаружи это уже выглядело рабочим слоем защиты: аналитики видели меньше мусора, инженеры получали более понятные issues, и продукт наконец увидел практическую пользу вместо очередного демо. Я примерно так и сказал: “смотрите, это уже не игрушка”. Плохая фраза, как оказалось.
DWH в 2026: четыре зоны вместо Inmon, Kimball и Data Vault 2.0
Когда инженер слышит «нам нужно хранилище данных», задача редко звучит однозначно. Кто‑то задыхается на боевой OLTP‑базе под аналитической нагрузкой. Кто‑то впервые строит BI и не понимает, с какого края подходить. У кого‑то накопились данные из десятка систем‑источников, и существующих средств уже не хватает.У всех «хранилище». А правильный технический ответ зависит от условий задачи.
Как мы перешли на Opus и стали платить меньше
На прошлой неделе мы писали о том, как скармливали терабайты CI-логов LLM. Большинство вопросов на Hacker News касались не самих логов — спрашивали про агента: какие модели, как они взаимодействуют и во сколько всё это обходится.Сейчас мы работаем на Opus 4.6 и платим меньше, чем когда всё крутилось на Sonnet 4.0.Причина в основном в том, чего Opus не делает: 80% сбоев до него не доходят, а когда доходят — он не читает ни одной строки лога.Архитектура выглядит так:
63 бесплатных урока мая: от Go и Kubernetes до LLM, ClickHouse и AI-агентов
Привет, хабровчане. В майском дайджесте собрали 63 открытых урока по ключевым IT-направлениям: от backend-разработки, архитектуры и инфраструктуры до ML, аналитики, тестирования, информационной безопасности и управления. В программе — Go, Kotlin, Rust, Kubernetes, Ansible, OpenTelemetry, ClickHouse, LLM, AI-агенты, DevSecMLOps, API Gateway, нагрузочное тестирование и другие темы, которые сейчас часто всплывают в реальных инженерных задачах.
Реализация MCP в Open WebUI. Часть 2 — Агентское поведение
ОбложкаСодержаниеВведениеНаивная реализация агента: дам инструмент и все взлетит Реализация на существующем MCP
Как мы отслеживаем производительность веб-сервисов, или Дело «Скорости»
Салют, Хабр!Я Паша, вхожу в группу обеспечения производительности интерфейсов. Эту статью мы написали с Сергеем @TrueNort
Materialized views и проекции в ClickHouse: когда что использовать и как не наступить на грабли
ClickHouse быстрый. Настолько быстрый, что первые полгода можно жить без оптимизаций вообще — агрегации по миллиарду строк отрабатывают за секунды. Потом данных становится больше, запросов тоже, дашборд начинает подтормаживать, и вы задумываетесь: «а можно ли считать агрегаты заранее?»Можно. В ClickHouse для этого есть два механизма: materialized views и проекции (projections). Оба пересчитывают данные на этапе вставки. Оба ускоряют чтение. Но работают по-разному.Materialized Views: отдельная таблица с агрегатами
Реализация MCP в Open WebUI. Часть 1. Интеграция c Open WebUI
СодержаниеВведениеПоиски решения для web интерфейсаИнтеграция с Open WebUI: первые шагиРешение проблемы MCP с большими даннымиOpen WebUI Pipelines как расширение Open WebUI Возможности отображения в интерфейсеПеременные, получаемые в pipelinesВывод stream в Open WebUI
ClickHouse приобрела разработчика ИИ-решений Langfuse
Американский стартап с российскими корнями ClickHouse приобрёл разработчика ИИ-решений Langfuse, чтобы создать лучшую версию платформы для LLM-инженерии.
