Смотрите какая красота — 690k репозиториев на одной карте 🤩
Как это работает: В основе лежит анализ 500 миллионов звезд (BigQuery event data 2011–2025). 1. Связи: Рассчитывается Jaccard Similarity Index. Если пользователи часто звездят FastAPI и Pydantic вместе — расстояние между точками сокращается. 2. Кластеризация: Используется алгоритм Leiden. Он разбивает граф на 1500+ кластеров. 3. Нейминг: Названия "стран" генерировал LLM на основе анализа содержимого кластеров.
Полазьте по разным Владычествам Питона, может даже свой проектик найдёте 🌝
ТОП-5 инструментов для создания синтетических данных
Реально частая проблема - нехватка данных для тестирования систем или обучения LLM. Оказывается есть промышленные решения, которые генерируют данные для этих целей.
Если вкратце: 😀K2view — лидер в сегменте энтерпрайз-решений. Платформа выделяется своим «сущностным» подходом (создает полные копии бизнес-объектов, например «клиент» со всеми его заказами и транзакциями). 😀MOSTLY AI — идеально копирует статистические закономерности реальных данных. 😀YData Fabric — комплексное решение, которое сочетает в себе профилирование данных и их генерацию. Оно ориентировано на специалистов по Data Science, помогая им улучшать качество обучающих выборок для моделей машинного обучения. 😀Gretel — платформа, любимая разработчиками за отличные API и возможность интеграции в CI/CD процессы. Она позволяет генерировать как структурированные таблицы, так и неструктурированные данные (тексты, логи) «на лету». 😀Hazy — фокусируется на финансовом секторе и страховании.
Минфин РФ планирует установить налог на добавленную стоимость (НДС) для импортных товаров, продаваемых через маркетплейсы. Предлагается поэтапное увеличение ставки: 7% в 2027 году, 14% — в 2028 году и 22% — в 2029 году. В то же время Минпромторг в начале 2026 года выступил с инициативой ввести ставку 22% уже с 1 января 2027 года. Влияние этой меры на цены и конкуренцию между российскими и иностранными продавцами проанализировало РБК.
Зачем вводится НДС: • устранение ценового преимущества иностранных продавцов из-за отсутствия налога • увеличение доходов бюджета • выравнивание налоговой нагрузки при покупке товаров у российских, иностранных продавцов и продавцов из стран ЕАЭС
В Минпромторге считают, что отсутствие НДС при трансграничной торговле приводит к снижению маржинальности российских продавцов и усиливает давление на отечественных производителей в онлайн-канале.
Юрист налоговой практики Vegas Lex Елена Наумова отмечает, что основная нагрузка от введения НДС ляжет на потребителей. По её словам, налог будет включён в конечную стоимость товаров.
По данным Ассоциации компаний интернет-торговли (АКИТ), доля трансграничной торговли в структуре российского e-commerce составляет 3,8%. При этом значительная часть ассортимента приходится на товары, которые не поставляются в РФ.
Эксперты отмечают, что иностранные продавцы в основном представлены в нишевых сегментах, поэтому влияние НДС на конкуренцию будет заметно лишь в отдельных категориях, включая электронику и смартфоны. Партнёр Data Insight Фёдор Вирин заявил, что ценовая разница за счёт введения НДС будет устранена полностью или почти полностью.
Коллеги из vk написали хороший материал, в котором показывают разницу между ныне модным data mesh и стандартным путем, когда единая data-команда.
Если кратко: 😀Единая data-команда часто узкое место в процессе разработки и не обладает предметной областью доменов на достаточном уровне 😀Data mesh это в первую очередь про: данные как продукт, данными владеют домены, должна быть платформа по работе с данными и единые стандарты 😀Data mesh подходит для гигантов, а если вы не очень большие, то и не парьтесь
Было бы совсем хорошо, если бы vk написал, как они внедряли data mesh. Если внедряли конечно же.
Как астрономы чуть не раскололи Python, а один разработчик всех спас 🔭
Сейчас вы пишете import numpy as np на автомате, даже не задумываясь, что за этой строчкой стоит опенсорс-драма, которая могла похоронить Питон как язык для Data Science еще в зародыше. Если бы в начале нулевых всё пошло по другому сценарию, сегодня мы бы грустно ворочали тензоры в R или мучились с плюсами.
В 1995 году Джим Хагунин написал Numeric — первый вменяемый C-экстеншн для работы с многомерными массивами. До него Python в математике был просто медленным скриптовым языком.
Но Numeric отвратительно справлялся с большими файлами. Это стало критичной проблемой для разработчиков, которым нужно было процессить гигантские снимки с «Хаббла». Ребята не стали контрибьютить в Numeric, а написали свой инструмент — Numarray. Он круто работал с гигантскими объемами данных телескопа, но безбожно сливал по производительности на мелких массивах.
⛓️💥 Итог: классический опенсорсный раскол экосистемы. Часть пакетов жестко зависела от Numeric, часть — от Numarray. Скрестить их в одном пайплайне было настоящим инженерным адом, так как их API были несовместимы. В 2005 году Трэвис Олифант посмотрел на это болото и... сел и практически в одиночку переписал ядро, жестко скрещивая производительность Numeric с гибкими фичами Numarray.
Так появился NumPy.
Ради этого релиза Трэвис забил на написание научных статей, что в итоге стоило ему академической карьеры и постоянной должности профессора. Университетская бюрократия не оценила открытый исходный код. Но без этого не было бы Pandas, который Уэс Маккинни напишет позже поверх NumPy. Не было бы современного бума машинного обучения, PyTorch и TensorFlow, которые идеологически выросли из тех самых N-мерных массивов. Да что там, первая в истории фотография черной дыры тоже собиралась скриптами, завязанными на этот стек.
Вышел обзор-исследование по маркетплейсам 2026 от Data Insight.
94% рынка в заказах у маркетплейсов, 2\3 по объему. На этом фоне количество селлеров снижается, комиссии растут.. Похоже, что пора запускать какой-то конкурс и акселератор команд с disrupt anti-marketplace идеями. Во вложении исследование. Пишите в комментарий или в личку если у Вас проект или хотя бы идея есть, которая позволит трансформировать это рынок инновационным способом.
Решил потестировать создание презентации через гугловский сервис NotebookLM и просто офигел.
Закинул книжку "Достижение результатов для чайников" - это книга про то, как качественно организовать свое время, чтобы достигать результатов. И попросил по этой книжке сгенерировать презентацию.
Просто зацените, что получилось. Красота!
Важно: работает только с VPN, если зайти на сайт без него, то гугл на время заблокирует доступ к сервису.
Ещё до того, как первый сезон «Рыцаря Семи Королевств» (A Knight of the Seven Kingdoms) успел выйти на экраны, на HBO уже дали добро на продолжение. Продление было объявлено в ноябре 2025 года — за несколько недель до премьеры 18 января 2026-го. Это говорит о том, насколько продюсеры верят в этот проект: не дожидаясь реакции зрителей, не оглядываясь на рейтинги первого эфира. Просто взяли и продлили. И, судя по тому, какой тёплый приём получил сериал — правильно сделали.
Нашел потрясающий артефакт — оригинал одной из первых организационных схем в истории (рассмотреть в деталях). Ее создал Дэниел МакКаллум в 1855 году, когда возглавлял Нью-Йоркско-Эрийскую железную дорогу. Позже, в 1862-м, его опыт масштабировали на все железные дороги США.
В те годы железные дороги были самым сложным бизнесом в истории человечества. Тысячи сотрудников, сотни миль путей и постоянные аварии требовали нового подхода. МакКаллум понял: чтобы управлять такой махиной, нужно визуализировать иерархию и потоки информации.
Она была далека от современных строгих квадратов и больше напоминала ботаническую иллюстрацию. В самом низу, в корнях, находились Президент и Совет директоров. Это была глубокая метафора: МакКаллум считал, что руководство — это фундамент, который питает всю систему, а не вершина, которая на неё давит. Схема работала одновременно и как оргструктура, и как карта. Ветви — подразделения: Каждая крупная ветвь соответствовала одному из пяти операционных подразделений железной дороги. На краях веток (в «листьях») располагались кассиры, проводники, начальники станций и рабочие. Уникальность ещё была в том, что схема была привязана к географии: вы могли видеть одновременно как структуру управления, так и географическое расположение.
Интересный факт: Несмотря на эффективность, этот метод опередил время и был забыт почти на полвека. Организационные диаграммы вошли в массовый обиход только в начале XX века, когда их «переоткрыли» консультанты по эффективности.
МакКаллум так же внедрил ещё одно новшество: систему ежедневных отчетов по телеграфу. Это позволяло ему видеть состояние всей железной дороги каждое утро, сравнивать план с фактом и быстро принимать решения. По сути, первый в истории «дашборд».
