Anthropic reported that #Claude now handles ~95% of its internal analytics requests, enabling employees to query business data directly instead of relying on data teams.
Anthropic credits strong data governance, clear semantic definitions, and operational discipline as the primary drivers of success.
🔗 Learn more: https://bit.ly/4uPN80U
AGU testou o Fabric, da Microsoft, mas elegeu Databricks como plataforma para Datalake
The future of data isn't one giant warehouse.
Learn how open-source databases and data lakes are enabling flexible, scalable, high-performance architectures.
Catch Zoe Steinkamp at Nebraska.Code() this July.
🔗 https://nebraskacode.amegala.com/
#Postgres #ClickHouse #DataLake #NebraskaCode #DevConference #WomenInTech #WomenInSTEM
📈 Modern analytics demands modern architecture.
At Nebraska.Code(), Zoe Steinkamp explores the open-source technologies driving the next generation of data platforms and helping teams escape vendor lock-in.
🥊 Data Mesh vs. Data Lake : le match des titans (qui va gagner en 2026 ?) En 2026, deux approches s’affrontent pour gérer les données : - Le *Data Lake* : un grand réservoir où tout est stocké. - Le *Data Mesh* : une approche décentralisée, où chaque équipe gère ses propres données. --- 🔹 Data Lake : Le réservoir tout-en-un - ✅ *Avantages* : - Stockage *centralisé* et *peu coûteux*. - Idéal pour les *petites et moyennes entreprises*. - ❌ *Inconvénients* : - Risque de *data swamp* (désordre, données inutilisables). - Difficile à *maintenir* à grande échelle. 🔹 Data Mesh : La décentralisation - ✅ *Avantages* : - *Responsabilité* distribuée aux équipes métiers. - *Scalabilité* et *flexibilité* accrues. - ❌ *Inconvénients* : - *Complexité* accrue (governance, interopérabilité). - Nécessite une *culture data mature*. --- 💡 Qui va gagner ? - *Data Lake* : Pour les *PME* ou les *débuts* en data. - *Data Mesh* : Pour les *grandes entreprises* avec une *culture data forte*. - *Hybride* : La solution la plus *réaliste* pour beaucoup. --- 💬 Et vous, plutôt Data Lake ou Data Mesh ? #DataEngineering #DataMesh #DataLake #Tech #Architecture
DuckDB Labs released #DuckLake 1.0 - a data lake format that stores table metadata in a SQL database, rather than spreading it across object storage files.
Key features:
• catalog-stored small updates
• improved sorting and partitioning
• compatibility with Iceberg-style data features
Learn more ⇨ https://bit.ly/48PsPIS
StarRocks вместо Oracle на смешанной аналитической нагрузке. Проверяем на практике
Привет, Хабр! Меня зовут Денис Пашков, я – ведущий архитектор данных в группе компаний GlowByte. В этой публикации я бы хотел поделиться опытом работы с MPP-решением StarRocks, набирающим популярность на российском рынке. Все, кто интересуется данной темой, уже, наверное, не сомневаются, что StarRocks очень хорошо себя показывает в аналитической нагрузке. Мои коллеги из Data Sapience регулярно делятся результатами нагрузочных испытаний платформы данных Data Ocean Nova (ознакомиться можно: 1 , 2 и 3 ). Сегодня же речь пойдет о неочевидном сценарии использования – OLTP-нагрузке.
https://habr.com/ru/companies/datasapience/articles/1029814/
#dwh #bigdata #datalake #datalakehouse #lakehouse #starrocks
Lakehouse architectures allow multiple engines to run on shared data through open table formats like #ApacheIceberg.
But #SQL identifier resolution and catalog naming rules differ across engines - creating hidden interoperability failures.
In this #InfoQ article, Maninder Parmar explains why enforcing consistent naming conventions and cross-engine validation is critical.
📰 Read now: https://bit.ly/4902zeH
New Aspire database integrations
https://devblogs.microsoft.com/aspire/aspire-new-database-integrations/
#aspire #mongodb #efcore #azure #cloudnative #database #datalake
Spark SQL Scripting. Новые возможности для инженеров данных
До недавнего времени для реализации сложной многошаговой логики в экосистеме Apache Spark разработчикам приходилось выходить за рамки декларативного SQL. Оркестрация последовательных вызовов, вычисление промежуточных переменных и ветвление логики требовали привлечения внешних языков программирования, таких как Python (PySpark) или Scala и дополнительных инструментов. Spark SQL Scripting, который стал доступен, начиная с 4-й версии, кардинально меняет этот подход, представляя собой процедурное расширение классического Spark SQL. Теперь разработчики могут писать полноценные многошаговые сценарии непосредственно на уровне SQL-артефактов, внедряя в них управляющую логику. В данной публикации мы, команда вендора Data Sapience , разберем возможности Spark scripting на практике.
https://habr.com/ru/companies/datasapience/articles/1021214/
InfoQ
ConvergenciaDigital [Unofficial]
Nebraska.Code
gaby_wald
Habr
Alvin Ashcraft 🐿️