How Databricks is turning video into searchable, actionable intelligence

Why the Frontier Ecosystem must be Open — Matei Zaharia and Reynold Xin, Databricks

Databricks nhấn mạnh tầm quan trọng của hệ sinh thái mở (Frontier Ecosystem) trong việc xây dựng hệ điều hành cho các tác nhân AI doanh nghiệp. Họ giới thiệu Omnigent, một meta-harness mã nguồn mở giúp chuẩn hóa API cho các coding agent như Claude Code, Codex và Cursor, hỗ trợ phiên làm việc liên tục, cộng tác và kiểm soát bảo mật. Ngoài ra, Databricks đề cập đến LTAP (Lake Transactional/Analytical Processing) nhằm hợp nhất workload giao dịch và phân tích, cũng như thảo luận về chiến lược mô hình Mosaic và vai trò của dữ liệu được tổ chức tốt trong việc tái định nghĩa phần mềm truyền thống.

Những lập trình viên xây dựng hệ thống AI hoặc ứng dụng doanh nghiệp nên đọc để hiểu cách kết hợp kiến trúc mở, quản lý dữ liệu hiệu quả và bảo mật thông minh để xây dựng các agent AI tự động hóa công việc một cách bền vững và tuân thủ.

Firefly AIBOX-9075 Edge AI box features Qualcomm IQ-9075 SoC with 200 TOPS NPU, 36GB LPDDR5

Firefly has launched the AIBOX-9075, an industrial Edge AI box powered by the Qualcomm DragonWing IQ-9075 SoC. It delivers up to 200 TOPS of AI performance via a Hexagon Tensor Processor NPU, paired with 36GB LPDDR5 ECC memory and 128GB UFS 2.2 storage. The device targets edge AI workloads including private LLM deployment, robotics, and computer vision. It supports popular AI frameworks (TensorFlow, PyTorch, ONNX) and LLMs such as DeepSeek-R1, Llama, and Gemma, achieving up to 22 tokens/s with Llama2-7B. Connectivity includes dual 2.5GbE with TSN, optional Wi-Fi 6, 4G/5G, and 8x GMSL2 camera inputs. The rugged aluminum enclosure operates from -40°C to 85°C. It runs Ubuntu and Yocto Linux and is priced at $1,239 from the Firefly store.

TPUs vs GPUs: When to Choose What for AI/ML Workloads

A practical framework for choosing between TPUs and GPUs for AI/ML workloads, covering silicon architecture differences, use-case fit, and total cost of ownership. TPUs excel at large-scale JAX-based pretraining (100B+ params) on GCP with committed-use discounts, but their static shape requirements, GCP-only availability, and smaller ecosystem make GPUs the default for most teams. GPUs dominate due to PyTorch/CUDA ecosystem maturity, dynamic shape support, multi-cloud portability, and viable spot automation. The post also covers GPU cost optimization strategies including rightsizing via DCGM, spot instance automation, MIG partitioning, and inference density improvements, with Cast AI promoted as a solution for automating these optimizations.

University of Maryland Grant Targets Quantum and AI Tools for Cancer Research

The University of Maryland is funding a research project combining quantum computing and machine learning to accelerate the discovery of single-atom catalysts for cancer detection and treatment. Part of the university's Grand Challenges Grants Program, the project brings together engineers and computer scientists to build a predictive framework that models complex atomic and chemical behaviors — tasks difficult for classical computers. Quantum simulations would generate reliable databases of electronic structures and catalytic pathways, which machine learning models would then search to identify promising catalyst configurations. The team also plans to release benchmark datasets and reproducible computational tools to support open science. The research is preclinical and focused on discovery, not immediate clinical application.

How the English Office for Students leverages Databricks to enhance higher education standards and drive better student outcomes

Cơ quan Giáo dục Đại học Anh (Office for Students) đã chuyển từ nền tảng phân tích cũ sang Databricks, giúp giảm thời gian xử lý dữ liệu 300 triệu bản ghi từ 8 giờ xuống vài phút và rút ngắn phân tích phân khúc sinh viên từ hai tuần xuống nửa ngày. Việc hợp nhất dữ liệu có cấu trúc, định tính và gần thời gian thực trên nền tảng quản trị thống nhất (Unity Catalog) cùng các công cụ AI như Genie Code đã tăng tốc độ phân tích, duy trì truy xuất dữ liệu và hỗ trợ ra quyết định có kiểm soát.

Lập trình viên nên đọc bài này để hiểu cách Databricks tích hợp AI/ML và quản lý dữ liệu quy mô lớn giúp tổ chức giáo dục tự động hóa phân tích dữ liệu, cải thiện hiệu quả công việc và đảm bảo tính minh bạch trong quyết định liên quan đến học sinh.

How to Ace Data and ML Behavioural Interviews

Behavioural interviews are often the deciding factor for levelling in data science and ML roles, yet most candidates neglect them. The post outlines a preparation strategy built around three pillars: building a 'story vault' of 2–3 deep, reusable project examples; researching the target company's culture and value principles and mapping stories to each; and using the R-STAR-L framework — an extension of the classic STAR method that adds a Repeat step (to confirm understanding and buy thinking time) and a Link Back step (to explicitly tie your answer to the company's stated values). A detailed worked example for a DoorDash data scientist interview illustrates how to naturally weave in a culture-fit signal without sounding scripted.

Water Cooler Small Talk, Ep. 11: Overfitting in RAG evaluation

When a RAG evaluation set is repeatedly used to identify failures and tune the system, it quietly becomes a training set — a form of overfitting. The post explains how this happens through prompt tuning on the same test questions, cherry-picking easy examples, and writing questions derived from already-indexed documents. The fix mirrors classical ML discipline: maintain a genuinely held-out test set, build questions independently of system behavior, and treat suspiciously high scores with skepticism. The broader pattern is framed through Goodhart's Law — when a measure becomes a target, it stops being a good measure.