Внедрение AI в корпоративном секторе сталкивается с препятствиями в виде устаревшей инфраструктуры, проблем с безопасностью и неэффективной работой с данными. Прежде чем рассматривать AI, компаниям стоит сосредоточиться на модернизации IT-инфраструктуры, включая миграцию на современные базы данных, такие как PostgreSQL, и отказ от устаревших систем вроде Lotus Domino. Это принесет более ощутимую пользу, чем немедленное внедрение AI.
Для автоматизации работы с данными можно использовать скрипты, которые сканируют почтовый ящик на наличие определенных писем с вложенными CSV-файлами, затем сохраняют их в отдельную папку. Далее данные могут быть быстро загружены в колоночную СУБД DuckDB для дальнейшей обработки и анализа, а затем могут быть визуализированы в Meta (признан в РФ экстремистским)base.
Для управления потоками данных между различными хранилищами, включая S3 и PostgreSQL, можно использовать инструмент Sling. Этот инструмент позволяет описывать пайплайны данных в YAML-файлах, что упрощает управление перемещением данных между системами без необходимости использования сложных интерфейсов и микросервисов.
Локальная модель AI Ollama, может быть использована для анализа CSV-файлов. Например, модель qwen2.5 может формировать краткие обзоры, выявлять тренды, предоставлять аналитические выводы и рекомендации на основе загруженных данных. Скрипт на Python с использованием Ollama и соответствующих промптов может автоматизировать процесс анализа.
Изображение носит иллюстративный характер
Для автоматизации работы с данными можно использовать скрипты, которые сканируют почтовый ящик на наличие определенных писем с вложенными CSV-файлами, затем сохраняют их в отдельную папку. Далее данные могут быть быстро загружены в колоночную СУБД DuckDB для дальнейшей обработки и анализа, а затем могут быть визуализированы в Meta (признан в РФ экстремистским)base.
Для управления потоками данных между различными хранилищами, включая S3 и PostgreSQL, можно использовать инструмент Sling. Этот инструмент позволяет описывать пайплайны данных в YAML-файлах, что упрощает управление перемещением данных между системами без необходимости использования сложных интерфейсов и микросервисов.
Локальная модель AI Ollama, может быть использована для анализа CSV-файлов. Например, модель qwen2.5 может формировать краткие обзоры, выявлять тренды, предоставлять аналитические выводы и рекомендации на основе загруженных данных. Скрипт на Python с использованием Ollama и соответствующих промптов может автоматизировать процесс анализа.
