Я чуть было это не пропустил, а оказывается в конце августа Microsoft передали в Linux Foundation выложенную в открытый код DocumentDB, NoSQL базу данных совместимую с MongoDB. Под свободной лицензией MIT, что выгодно отличает от самой MongoDB под превдо-открытой лицензией SSPL.

Документации там ещё скудновато, уровень совместимости с API MongoDB до конца не понятен, но он вроде как неплохой, поскольку основные операции в MongoDB там должны поддерживаться.

DocumentDB внутри работает на PostgresSQL и самая простая установка его через Docker (не самая правильная быть может), но есть и альтернативы. Непонятно что пока там с API из коробки, MongoDB в редакции сообщества не развивалось в сторону предоставления GraphQL по умолчанию, например, и API там было упрощённое, хочется надеяться что в будет дорожная карта где такое прояснится.

А вообще это всё напоминает историю с Elasticsearch vs OpenSearch.

#opensource #rdbms #data #tools

Накопилось какое-то количество мыслей об открытом коде, попробую сформулировать их вслух.

1. Все сравнения open source проектов грешат акцентом на простые метрики которые, вроде числа коммитов всего и за последний месяц, числа issues и тд. Но нет сервиса дающего человекочитаемые инсайты. Включая ossinsight.io который даёт некоторые ответы, но не сводку. При этом облачные LLM'ки умеют давать качественные сводки по состоянию и развитию проектов, неидеальные, но весьма осмысленные. По моей практике Perplexity делает это лучше чем ChatGPT поскольку использует API Github'а, а Manus делает это ещё лучше анализом веб интерфейса, но странно что такого отдельного сервиса нет, он напрашивается, как минимум для двух задач. 1-я - это оценка "живости" проекта что актуально для многого, 2-я это оценка активности разработчика резюме которого ты рассматриваешь. Однако проанализировать сотни и тысячи репозиториев - это тяжёлая и дорогая задача с применением агентских LLM, их можно сильно улучшить. Тот же OSS Insights, но на стероидах.

2. Второй напрашивающийся продукт это измеритель риска оценивающий полную цепочку зависимостей проекта. Причём разных рисков, начиная с тех с зависимостей от заброшенных проектов, продолжая зависимостями от проектов где разработчики/компании расположены в недружественных странах (каких именно можно решить самим) что почти наверняка потребует связывания профилей в Github с LinkedIn что уже сложнее. Есть ощущение что существующие практики и инструменты оценивают, в основном, юридические риски связанные с лицензиями и незакрытые CVE.

3. Напрашивается маркетплейс задач в стиле "перепиши это с MIT лицензией". Когда у твоего проекта может быть зависимость от кода под GPL, SSPL и другими способами явного ограничения лицензий. Это не решает проблемы с тем что переписанный код может оказаться заброшенным, но тем не менее.

#thoughts #opensource

📚 РАН открывает бесплатный доступ к архивам научных журналов

С 1 сентября предоставляется бесплатный доступ к материалам выпусков 141 научного журнала РАН, размещенных на Национальной платформе периодических научных изданий РЦНИ, по прошествии одного года с момента публикации.

Вице-президент РАН, академик РАН Владислав Панченко отметил: «Предоставление доступа к архивам научных журналов РАН реализует важнейшие принципы доступности результатов работы российских ученых и делает уникальные научные знания, накопленные в журналах РАН, достоянием самой широкой аудитории. Теперь студенты, аспиранты, исследователи из любых регионов России и всего мира смогут без ограничений знакомиться с публикациями по истечении года со дня публикации».

Источник: РЦНИ.

Для тех кто ищет данные по РФ, на хабе открытых данных опубликован слепок всех данных с data.gov.ru слепок включает все метаданных датасетов и копию всех данных в CSV формате, в едином архиве.

Данных там немного, всего 1ГБ в распакованном виде, с практической точки зрения оно, по прежнему, довольно таки бесполезно. Всё что я думаю про этот портал я уже неоднократно писал, но если, всё таки, кому-то эти данные понадобятся, то их слепок останется.

Важно помнить что:
- многие CSV файлы в разных кодировках, без заголовков, с разными разделителями.
- много мелких датасетов не больше чем в 10 строк
- самые большие датасеты не превышают 47МБ (очень мало!)

Лично я пока нашёл лишь два способа применения этих данных:
1. Тренировка алгоритмов идентификации семантических типов данных
2. Проверка функций и инструментов распознавания битых CSV файлов

Это очень немного пользы, но хоть такая.

#opendata #datagovru #datasets #russia

Для тех кто работает с данными на регулярной основе и любит командную строку:
- xan, the CSV magician - инструмент для манипуляции с CSV файлами от команды medialab французского SciencePo. Акценты на визуализацию в командной строке. Написан на Rust, открытая лицензия
- qsv - инструмент обработки CSV файлов с акцентом на производительность и подготовку данных для публикации на порталах открытых данных CKAN. Написан на Rust, открытая лицензия
- q - инструмент SQL запросов к текстовым файлам, например, CSV
- jq - инструмент запросов к JSON файлам

Я также создавал немало инструментов командной строки https://t.me/begtin/6557, но, каюсь, у всех из них есть явные недостатки в отсутствии документации.

Та часть жизни когда хочется больше программировать, а приходится проектировать продукты, писать документы, собеседовать людей и многое другое.

#data #tools #datatools

Некоторые мысли про анализ данных с помощью LLM и не только:
1. Почти все инструменты рассуждения LLM вокруг документов ограничены работой в PDF файлами MS Office XML (.docx, .xlsx, .pptx). Из этого перечня почти всегда выпадает старый формат MS Word (.doc) поскольку его преобразование почти всегда не из коробки и требует дополнительных усилий. Для их потокового преобразования нужны дополнительные конвееры, сервисы и тд.
2. Нет универсального API/программной библиотеки для доступа к LLM в том же Python. Каждый разработчик инструмента заморачивается отдельно поддержкой множества LLM провайдеров и настройкой доступа через множество переменных окружения которые выглядят как OPENAI_KEY, LLM_KEY, CLAUDE_KEY и далее до безобразия. Есть ощущение что этот слой коммуникации инструмента и выбора локальной/облачной LLM должен быть унифицирован. Я бы предположил что разработчики OS могут сделать это частью настроек OS и системного управления ключами, но пока всё меняется слишком быстро и у них могут быть свои интересы в привязке пользователей к собственным сервисам.

#thoughts #ai #data

Глядя на то что происходит с российским data.gov.ru и другими национальными порталами открытых данных я, пожалуй, готов сформулировать какие наборы данных могли бы публиковаться и которые можно было бы назвать датасетами особой ценности и которые, частично, упомянуты в нормативных документах ЕС, но далеко не все.

1. Базовые геоданные. Всё что формирует основные слои геоданных, максимально большого объёма, максимально актуальное и доступное через API и в режиме полной выгрузки (bulk download). Это есть в перечне ЕС. Потребители - бизнес, коммерческие сервисы, все геоаналитики.
2. Официальная статистика. Не в виде статдокладов и документов, в виде структурированных данных, как в виде отдельных индикаторов, так и статистические базы целиком с возможностью получать их регулярно и полностью. Потребители - бизнес, аналитики, журналисты, исследователи
3. Законы/законопроекты/НПА/судебные решения. В полнотекстовом виде и, также, доступные через API и полными слепками с максимально возможной актуализацией и всеми доступными метаданными. Потребители - ИИ специалисты, бизнес, исследователи
4. Данные о предприятиях. Всё что является общедоступным в отношении юридических лиц, кроме данных ограниченных в публикации. Потребители - бизнес (сервисы проверки контрагентов), исследователи
5. Данные об объектах культуры. Включает книги, изображения, метаданные, включая тексты, максимально детализированные цифровые представления объектов. Потребители - ИИ специалисты, исследователи, преподаватели, студенты
6. Данные научных работ и исследований. В максимально полном объёме включая метаданные, тексты, сопроводительные материалы. Пригодные для машинной обработки и массовой выгрузки. Потребители - ИИ специалисты, исследователи,
7. Метеорологические данные. Доступные в через API в реальном времени, в виде исторических баз данных наблюдений. Потребители - коммерческие пользователи
8. Базы данных созданные в рамках научных исследований. Финансируемых государством и созданные как общественное благо. Потребители - исследователи, бизнес пользователи (в ряде случаев)
9. Языковые корпусы. Национальные языковые корпусы, корпусы диалектов и иных языков на территории страны. Потребители - ИИ специалисты, исследователи
10. Данные необходимые для принятия решений. Статистика и иные сведения за пределами официальной статистики используемые для задач принятия решения властями, бизнесом и гражданами. Включает ведомственную статистику, сведения о качестве здравоохранения, качестве образования, качестве жизни, экологии, загрязнении воды и воздуха, с максимально возможной детализацией. Потребители - граждане, бизнес, исследователи, региональные и муниципальные власти
11. Данные спутникового мониторинга. В объёме создаваемом и финансируемом государством. Потребители - ИИ специалисты, бизнес

Я не включил в этот список данные относящиеся к политической прозрачности, у них потребители - общественники и журналисты, они тоже необходимы и понятным образом сложнее в раскрытии.

Однако это перечень того у чего есть гарантированный спрос и потребление и то что зачастую уже публикуется, но не систематизировано. Главное изменение последних лет - это безусловный рост востребованности больших наборов данных с текстами которые используют для обучения ИИ.

#opendata #datasets

Попался на глаза созвучный моим мыслям текст The Last Programmers от разработчика и бывшего члена команды ИИ ассистента Amazon Q о том что уходит последнее поколение программистов и о том что ИИ помощники способны создавать бесконечное количество кода, но для того чтобы исправлять в нём принципиальные ошибки и обеспечивать его производительность нужны люди с глубоким погружением в технологии.

Но это поменяет, конечно же, не только программирование, но и многие другие профессии: врачи, преподаватели, инженеры и тд. Уже через 5-10 лет те кто интенсивно использует ИИ в студенческое время могут столкнуться с проблемами работы, обсуждений и иного связанного с их профессией без помощи ИИ.

И тут у меня есть небольшое предсказание, что большая часть университетов не справятся с ограничениями на использование ИИ, особенно для дистанционно учащихся студентов и потребуются меры и подходы для повышения качества отбора новых сотрудников работодателями. Появится что-то вроде Human Certified, сервисы по проверке и аттестации профессиональных знаний с прокторингом и гарантией того что проверяемый не использовал никаких ИИ ассистентов. По аналогии с разного рода тестами на знание иностранных языков которые проводят в сертифицированных центрах или сдаче профессиональных экзаменов в ИТ.

#thoughs #ai

Продолжая мысли вслух по поводу потенциального или альтернативного будущего я регулярно размышляю о том есть ли потенциал для фантастических антиутопических рассказов.

Одна тема которая мои мысли не покидает - это то что человечество стремительно приближается к тому что жизнь отдельного человека можно записывать как видео/аудио/3D модель (?) с рождения и до смерти без перерыва и это всё более реалистично хранить вечно.

Если сделать простые подсчёты то запись видео 1080p ~5Mbs в течение 80 лет 24/7 составит в итоге 1.58 петабайта. Много? Пока да, но цена терабайта снижается год от года и это уже реалистично. Более того, если записывать только часы бодрствования то это будет около 1.05 петабайта, а если ещё применять продвинутые кодеки то можно уменьшить объём ещё на 30-50%, а если сохранять не в 1080p, а 720p или 480p то всё становится ещё более реалистичным. Очень реалистичным.

А вот записать всю свою жизнь на аудио можно уже сейчас. При битрейте в 128 kbps - это будет около 40.4 терабайт за те же 80 лет.

Главная загвоздка что практическое применение всё ещё маргинализировано некоторыми гиками которые пытались и пытаются делать видеозапись в таком режиме. Для обыденной бытовой жизни это всё ещё кажется очень странным и сильно нарушающим приватность других лиц если даже сам человек готов на такой эксперимент.

Но есть две области применения которые если ещё не наступили, но это близкое будущее.
1. Особо защищённые периметры
Атомные электростанции, военные объекты, центры содержания инопланетян и тому подобное. Вплоть до того что весь персонал и посетители носят устройства видео и аудиозаписи и запись идёт непрерывно и хранится вечно. Это довольно естественное и логичное применение и можно смело предполагать что кое-где это уже есть или появится в обозримом будущем. Там главные ограничения, я подозреваю, в сертификации устройств по требованиям безопасности и поэтому самые последние устройства хранения данных могут внедряться с задержкой. Но принцип чёток - пишем всё и храним вечно.

2. Контролируемые маргинальные группы
А вот это то чего пока ещё нет, но весьма ожидаемо может распространяться на группы преступников и потенциальных преступников подлежащих профилактике, чем выше шанс рецидива, тем с большей вероятностью и с очень понятными "плюшками" снижения срока содержания. Эксперимент в РФ с мигрантами которые должны ставить специальное отслеживающее ПО в смартфоны - это из той же серии. Только в очень и очень лайт варианте по сравнению с тем что может быть в будущем.

Оба сценария кажутся мне весьма очевидными, а вот как посмотреть на сценарий всё же массового внедрения, когда пишется условно всё и о каждом и камеры или аудиозапись есть если не по каждому то по очень многим?

А вот тут то нам в помощь приходит криптография! Если потоковая запись шифруется и сохраняется в некие централизованные хранилища доступ к которым гражданин может предоставить по решению суда или дав согласие при расследовании. Не за всю жизнь, а например, отвечая на вопрос "что вы делали с 22 до 23 часов вечера 31 декабря 2049 года?". А ещё точнее не отвечая на вопрос, а предоставляя доступ к полной записи своей жизни за этот период.

Звучит реалистично? Хочется пожить в таком мире?;)

#thoughts #ideas #future

В рубрике как это устроено у них данные о стоимости земель во Франциии. Доступны в виде датасетов размером около 450MB и включают более 3.4 миллионов строк только за 2024 год, а также доступны данные начиная с 2020 года.
Данные О=рпубликованы на национальном портале data.gouv.fr и являются одним из наиболее востребованных наборов данных с 1.4 миллионами просмотров и 111 примеров повторного использования в виде визуализаций, общественных и коммерческих приложений созданных на их основе.

Один из способов оценки потенциальной востребованности данных в том чтобы смотреть на популярность данных опубликованных в других странах. Скажу сразу почти всегда наиболее популярны геоданные, особенно данные по стоимости земель, национальные базы адресов и официальная статистика в максимально детализированной форме.

#opendata #france #datasets

Apertus (лат. открытый) LLM - свежая открытая прозрачная многоязычная большая языковая модель из Швейцарии анонсированная как совместная разработка исследователей EPFL, ETH Zurich и CSCS. Модель опубликована на Hugging Face, доступна с открытым кодом, декларируется как прозрачная и этичная (обучена только на данных сайтов которые позволяют обучать ИИ) и декларируется поддержка более 1000 языков.

Эта модель создана как часть инициативы Swiss AI, демо Apertus доступно онлайн на publicai.co.

И, на закуску, технический отчет 0.1 о текущей версии модели Apertus. Там много интересного, мне бросилось в глаза наличие SwitzerlandQA, специализированного набора тестов по каждому из 26 кантонов Швейцарии по каждому из которых как минимум 200 вопросов и всего собрано 9,167 вопросов, с последующим их переводом на немецкий, французский, итальянский, романшский и английский языки.

#opensource #opendata #ai #switzerland

Свежий доклад ОЭСР National statistical offices as emerging trusted intermediaries in data governance о том что национальные статистические службы (NSO) в мире могут выступать в роли доверенных дата-посредников (TDI) в предоставлении доступа к данным третьих сторон.

В докладе акцент на том что национальные статслужбы собирают данные от других госорганов и создающих данные организации и обеспечивают безопасный доступ исследователей к этим данным в контролируемом окружении. С примерами такой инфраструктуры в Канаде, Франции, Израиле, Финляндии, Литве, Эстонии, Великобритании, Турции и других странах.

Почти во всех случаях акцент на доступе к деперсонализированным данным соцопросов и данных с иными ограничениями и обременениями.

В целом, лично для меня мало нового, но хорошо систематизированный материал о том что управление данными - это ключевые компетенции статслужб и то что статслужбы наиболее логичные дата стюарды для обеспечения доступа к данным, но только когда эти компетенции развиты и развиваются.

#opendata #data #statistics #oecd #readings

Разработчики из Dagster Labs, создатели известного open source ETL/ELT движка анонсировали новый продукт Compass, в этот раз совсем не с открытым кодом и в другой области. Compass - это ИИ бот по автоматизации корпоративной аналитики через использование чатов в Slack. Он подключается к корп хранилищу данных в BigQuery/Snowflake/Databricks и тд. и выдаёт текстовые инсайты на явно заданные вопросы.
Идея не новая, но прикольная как замена дашбордов на чатовую аналитику. Для тех руководителей и аналитиков кто тусуется в чатах больше чем в BI системах - это удобная штука. Менее всего мне в ней нравится Slack, но его выбор тоже вполне логичен.

Кто теперь первым запилит open source аналог такого продукта?

#analytics #data #ai

В рубрике интересных наборов данных датасет метаданными 40 миллионов репозиториев на Github github-repos-metadata-40M размещённый на HuggingFace. Создан в июле 2025 г., включает такие метаданные как название репозитория, уникальный код, описание, основной язык, код лицензии, число, размер, число наблюдаетелей, число форков, дату создания.

Создан на основе GHArchive - базы событий в Github.

С одной стороны полезный датасет, а с другой он позволяет считать только основные метрики по репозиториям.

Например, Github это, возможно, крупнейший архив не только кода, но и данных в мире и, с точки зрения наполнения Dateno, лично меня всегда интересовала возможность найти на Github'е репозитории используемыми для публикации наборов данных. Это не так просто, если быть честным. Это требует не базовых метаданных, а, как минимум, копии README.md и списка всех файлов в репозитории и классификационного механизма позволяющего определить тип репозитория: только код, данные, документация, гибрид и тд. Причём после первоначального анализа README.md и списка файлов может потребоваться заглянуть в дополнительные файлы чтобы собрать все метаданные необходимые для описания набора данных.

Но такой датасет на базе Github'а лично мне пока не попадался.

#opendata #datasets