NextLytics mal persönlich treffen? Wir sind im März auf den DSAG Technologietagen, 17.-18. März 2026,
Congress Center Hamburg.
Warehousing, BI und Analytics mit SAC, BDC, Datasphere, Databricks und alles drum herum und dazwischen.
Notfalls auch "KI", aber bitte nur ernsthaft, ohne Hype und heiße Luft.
💡 New #Blog post: SAP Datasphere annual review 2025
2025 was a landmark year for #SAP #Datasphere. The release of SAP Business Data Cloud (#BDC) set a new strategic direction for SAP’s data portfolio, positioning Datasphere as a central component in a modern data architecture.
Revolving around the introduction of a common object store that supports bidirectional, zero-copy data exchange with a growing ecosystem of partnerships like #Databricks (...)
https://www.nextlytics.com/blog/sap-datasphere-annual-review-2025
Агрегация данных для аналитики продаж с помощью DataSphere Jobs и Airflow SDK
В маркетинге и продажах крупных компаний есть несколько аналитических задач, которые требуют регулярной обработки сотен тысяч и миллионов записей из разных источников. Например, это прогнозирование продаж или планирование рекламных кампаний. Как правило, их решение не обходится без построения длинного пайплайна обработки данных. ML‑инженеру или аналитику данных нужен ансамбль из нескольких моделей и сервисов, чтобы собрать качественный датасет, провести эксперименты и выбрать наиболее подходящие алгоритмы. Сбор, очистка и агрегация данных занимают большую часть времени и вычислительных ресурсов, а эти затраты хочется оптимизировать. В статье покажем, как мы ускорили построение пайплайнов обработки данных с помощью связки DataSphere Jobs и Apache Airflow™.
https://habr.com/ru/companies/yandex_cloud_and_infra/articles/839494/
Удалённое исполнение кода в ML: подходы и инструменты. Доклад Яндекса
Всем привет. На связи Артём Гойлик @ArtoLord и Владислав Волох @Chillintano из команды DataSphere в Yandex Cloud. Мы создаём инфраструктуру для ML-разработчиков. И сегодня расскажем про одну задачу, которая, как и многие другие, начиналась с болей наших пользователей.
https://habr.com/ru/companies/yandex/articles/812873/
#mlops #mlops_tools #pypi #datasphere #python #неймспейсы #опенсорс
Запускаем локальный ML-процесс в облаке с помощью DataSphere Jobs
В сообществе ML-инженеров и дата-сайентистов популярны инструменты с быстрой обратной связью наподобие JupyterLab — они помогают легко и без лишних обвязок проверять гипотезы или создавать прототипы. Но довольно часто бывает, что при разработке ML-пайплайна, будь то инференс или обучение модели, хочется пользоваться установленной локально полноценной IDE, в которой открыт проект со многими зависимостями, окружением, сложной структурой. При написании кода и его отладке хочется пользоваться дебагером и уметь быстро менять код, а при запуске — скейлить ресурсы исполнения и не думать о том, как перенести код и окружение на продакшн-сервера. Всех этих возможностей в Jupyter-экосистеме из коробки нет, поэтому разработчикам часто приходится создавать костыли. Помочь в решении этих задач могут инструменты для удалённого исполнения кода в ML. Сегодня на конкретном примере покажу, как устроен и как работает один из таких инструментов, созданный нами для пользователей облака, — DataSphere Jobs. А в следующий раз вместе с моими коллегами рассмотрим опенсорс-инструменты для подобных задач.
https://habr.com/ru/companies/yandex_cloud_and_infra/articles/788872/
Запускаем локальный ML-процесс в облаке с помощью DataSphere Jobs
В сообществе ML-инженеров и дата-сайентистов популярны инструменты с быстрой обратной связью наподобие JupyterLab — они помогают легко и без лишних обвязок проверять гипотезы или создавать прототипы. Но довольно часто бывает, что при разработке ML-пайплайна, будь то инференс или обучение модели, хочется пользоваться установленной локально полноценной IDE, в которой открыт проект со многими зависимостями, окружением, сложной структурой. При написании кода и его отладке хочется пользоваться дебагером и уметь быстро менять код, а при запуске — скейлить ресурсы исполнения и не думать о том, как перенести код и окружение на продакшн-сервера. Всех этих возможностей в Jupyter-экосистеме из коробки нет, поэтому разработчикам часто приходится создавать костыли. Помочь в решении этих задач могут инструменты для удалённого исполнения кода в ML. Сегодня на конкретном примере покажу, как устроен и как работает один из таких инструментов, созданный нами для пользователей облака, — DataSphere Jobs. А в следующий раз вместе с моими коллегами рассмотрим опенсорс-инструменты для подобных задач.
https://habr.com/ru/companies/yandex_cloud_and_infra/articles/788872/
The Analytic Model is now available. #DataWarehouseCloud #DataSphere #analytics
https://www.reyemsaibot.com/2023/03/08/data-warehouse-cloud-analytic-model-is-released/
NextLytics AG
Habr
Patrick Upmann
Thomas Jung
Tobias