Bringing the Big Ducks

Budgets, Quotas, and Monitors: The Cost Controls I Map Before Agents Go Wider

Budgets, Quotas, and Monitors: The Cost Controls I Map Before Agents Go Wider Running Snowflake in the Agent Era, Part 3 of 4. The cost_center tag from Part 1 finally earns its keep, and I learn …

Dive Apps: Superpowers for AI Builders

MotherDuck is launching Dive Apps: fully custom data apps that can write-back anywhere. Build them with your agent and they run on the MotherDuck data warehouse. Use Dive Apps to replace SaaS apps, automate your operations, or bring humans into the loop to steer your agents.

Announcing DuckDB 1.5.6

DuckDB phiên bản 1.5.6 vừa được ra mắt với các bản vá lỗi và cải thiện hiệu năng. Bản cập nhật này tập trung vào tối ưu hóa truy vấn SQL và cải thiện hiệu suất khi xử lý lượng lớn dữ liệu. Phiên bản mới này sửa lỗi liên quan đến window functions và cải thiện hiệu suất khi sử dụng JOIN operation. Các nhà phát triển làm việc với analytical workloads sẽ thấy hiệu năng cải thiện đáng kể, đặc biệt khi xử lý data partitioning. Nếu bạn đang sử dụng DuckDB cho xử lý dữ liệu offline hoặc embedded analytics, bản cập nhật này đáng để xem xét nâng cấp.

Phiên bản DuckDB 1.5.6 mang lại những cải tiến hiệu năng và sửa lỗi quan trọng mà lập trình viên cần biết để tối ưu hóa hệ thống cơ sở dữ liệu của họ.

Why DuckDB 2.0 is faster

DuckDB 2.0 mang lại hiệu suất vượt trội với recursive CTEs nhanh hơn tới 90x so với phiên bản 1.5.5, kiểu dữ VARIANT xử lý nhanh hơn 6x so với JSON text, và async I/O trên S3 tăng 2.4x. Sự cải thiện đến từ tối ưu hóa engine xử lý, đặc biệt là việc bổ sung cache-aware execution plan và cải thiện cách quản lý memory cho variant data. Điều này cho thấy việc hiểu cách DuckDB lưu trữ và xử lý dữ liệu (đặc biệt với variant và variant types) sẽ giúp tối ưu hóa truy vấn tốt hơn. Bài viết cung cấp những insight thực tế về cách thiết kế schema dữ liệu để tận dụng tối đa hiệu năng mới mà không cần thay đổi code ứng dụng.

DuckDB 2.0 mang đến tốc độ vượt trội với cải tiến đáng kể trong CTE đệ quy, xử lý VARIANT và I/O bất đồng bộ, giúp lập trình viên tối ưu hiệu suất truy vấn dữ liệu.

5 Jev use cases for analytics, with real queries and datasets

Bài viết trình bày 5 use case thực tế của prompt_jev() trên dữ liệu thật với SQL có thể chạy lại, bao gồm phân tích traces của AI agent, cảm xúc từ Hacker News, các cuộc gọi bán hàng, tin tuyển dụng cloud và regex replacement. Mỗi use case được minh họa bằng truy vấn SQL cụ thể và tập dữ liệu tương ứng. Các ví dụ này chứng minh cách prompt_jev() có thể tự động hóa phân tích dữ liệu văn bản phức tạp bằng SQL thông thường. Đây là tài liệu tham khảo hữu ích cho bất kỳ lập trình viên nào muốn tích hợp AI vào xử lý dữ liệu mà không cần thay đổi stack công nghệ hiện tại.

Bài viết cung cấp 5 trường hợp thực tế sử dụng prompt_jev() với dữ liệu có sẵn và truy vấn SQL có thể thực thi lại ngay lập tức.

How Finance Cut Forecasting to Hours With AI

Snowflake's sales finance team đã giảm thời lượng forecasting hàng tháng từ hơn một tuần xuống chỉ còn vài giờ nhờ áp dụng công nghệ AI. Họ triển khai AI forecasting model trên nền tảng Snowflake để xử lý lượng dữ liệu lớn với tốc độ cao hơn đáng kể. Dự báo trước đây cần đến 7 ngày làm việc của 3 nhân viên giờ đây chỉ mất khoảng 3 giờ với cùng một đội. Công nghệ này cho phép phân tích dữ liệu bán hàng và thị trường theo thời gian thực, giúp đưa ra quyết định kinh doanh nhanh hơn đáng kể. Nhóm đã đạt được độ chính xác dự báo tăng 20% nhờ kết hợp giữa AI và kinh nghiệm chuyên môn của đội ngũ.

Bài viết này sẽ cho bạn thấy cách AI rút ngắn đáng kể thời gian dự báo tài chính, giúp các lập trình viên áp dụng công nghệ tương tự vào dự án của mình.

A Preview of DuckDB v2.0

DuckDB phiên bản 2.0 dự kiến ra mắt vào mùa thu năm nay với nhiều tính năng mới nổi bật như hỗ trợ chạy dưới dạng server, triggers, kiểu dữ liệu VARIANT, I/O bất đồng bộ, SQL parser mới, định dạng lưu trữ cải tiến cùng nhiều cải tiến khác.

Lập trình viên cần đọc bài này để khám phá cách DuckDB v2.0 nâng cấp hiệu suất và tính linh hoạt cho các ứng dụng xử lý dữ liệu, từ việc chạy như một server đến hỗ trợ các tính năng mới như biến đổi dữ liệu trong SQL và lưu trữ hiệu quả hơn.

Operational Ontology on Snowflake: From Meaning to Action

Snowflake đang triển khai một kiến trúc Operational Ontology giúp các AI agent có thể lý luận về trạng thái vận hành, mô phỏng quyết định và thực thi các hành động được quản lý. Giải pháp này tận dụng sức mạnh của Snowflake Data Cloud để kết nối dữ liệu có ý nghĩa với hành động thực tế trong môi trường doanh nghiệp. Kiến trúc này sử dụng ontology để mã hóa kiến thức nghiệp vụ cho phép hệ thống hiểu được mối quan hệ giữa các khái niệm và thực thể. Quan trọng nhất, nó cho phép AI agent verify kết quả trong thế giới thực bằng cách so sánh giữa dự đoán và thực tế hoạt động, giúp giảm thiểu rủi ro khi triển khai AI vào quy trình nghiệp vụ.

Bài viết này giúp lập trình viên hiểu cách triển khai kiến trúc operational ontology trên Snowflake để phát triển AI agent có khả năng ra quyết định và hành động được quản lý.