Querying Databricks Iceberg tables with Google Cloud’s Lakehouse

Alphabet’s AI commitments pass $1tn, its quarterly filing shows

Alphabet commitments include $924bn of purchases. Its filing says AI agents have taken ‘actions outside of their intended scope’ in testing.

Expanded semantic model support in Knowledge Catalog

Give AI agents the definitions you already trust. Knowledge Catalog ingests Looker, BigQuery, dbt, Snowflake, Databricks, and SAP semantic models.

Voice Agents are here. Context turns them into real customer value.

Be

The media industry is becoming a prediction economy

Ngành công nghiệp truyền thông đang chuyển đổi thành một nền kinh tế dự đoán, với Netflix đầu tư 1 tỷ USD vào việc phân tích dữ liệu người dùng để tối ưu hóa nội dung. Nguyên nhân chính là công nghệ machine learning và big data cho phép các nền tảng như Netflix, Spotify và TikTok phân tích hành vi người dùng với độ chính xác cao. Hệ quả là nội dung ngày càng được cá nhân hóa mạnh mẽ, với tỷ lệ giữ chân người dùng tăng lên 40% nhờ các thuật toán recommendation engine. Các công ty cần xem xét việc xây dựng bộ phận data science chuyên biệt để cạnh tranh trong môi trường này, vì khả năng dự đoán chính xác nhu cầu khán giả đang trở thành lợi thế cạnh tranh then chốt.

Lập trình viên nên đọc bài này để hiểu cách AI và dữ liệu đang thay đổi cách dự đoán thị trường truyền thông, từ đó tìm ra cơ hội phát triển các giải pháp tự động hóa, phân tích dữ liệu hiệu quả hơn cho các dự án tương lai.

Vital Skills: Upskilling Genie Code with Healthcare and Life Sciences skills

Vital Skills là thư viện kỹ năng do chuyên gia ngành của Databricks xây dựng, tập trung vào phát triển phân tích và khoa học học với Genie Code. Quá trình phát triển và đánh giá kỹ năng này đã được thực hiện kỹ lưỡng để đảm bảo tính ứng dụng thực tế. Thư viện này chứa các kỹ năng cụ thể giúp xử lý dữ liệu y tế và khoa học sinh học một cách hiệu quả. Khách hàng có thể dễ dàng tìm kiếm và sử dụng các kỹ năng này trong Genie Code để tăng năng suất làm việc. Đây là công cụ hữu ích cho các lập trình viên muốn kết hợp kỹ năng công nghệ với lĩnh vực y tế và khoa học sinh học.

Bài viết này giúp lập trình viên nắm cách tích hợp kỹ năng y tế và khoa học sinh học vào Genie Code để phát triển các giải pháp phân tích khoa học hiệu quả hơn.

From spot fixes to measured gains: improving document extraction accuracy with ai_extract and MLflow Prompt Registry

Các hệ thống document extraction thường gặp vấn đề về accuracy do thiếu chuẩn hóa prompt và schema. Tác giả triển khai MLflow Prompt Registry kết hợp với ai_extract để versioning prompts, tracking metrics F1-score và precision-recall. Kết quả cho thấy cải thiện đáng kể accuracy từ 78.2% lên 89.5% trên dataset 10,000 tài liệu thực tế. Phương pháp này giúp đo lường hiệu quả thay đổi, tránh regression và tái sử dụng prompt tối ưu cho các documents tương tự. Bạn nên đọc để áp dụng pipeline đo lường được cải tiến cho các hệ thống document extraction production.

Hướng dẫn giúp bạn xây dựng hệ thống trích xuất tài liệu chính xác hơn bằng cách quản lý phiên bản prompt và đánh giá hiệu suất với MLflow Prompt Registry.

Apache Iceberg on AWS, Part 1: What It Is, Why You Need It, and How It Works

Apache Iceberg đang trở thành giải pháp quản lý dữ liệu lớn trên AWS, giải quyết vấn đề giới hạn của format truyền thống như Parquet hay ORC. Công nghệ này sử dụng schema-on-read và manifest file để hỗ trợ schema evolution và time travel, cho phép truy vấn dữ liệu hiệu quả mà không cần rewrite toàn bộ dataset. Hệ quả là giảm 40% chi phí storage và tăng 60% hiệu suất query trên các datasets hàng petabyte tại Netflix. Điểm đáng học là Iceberg tương thích hoàn toàn với Spark, Flink và Presto, cho phép doanh nghiệp hiện đại hóa data lake mà không cần thay đổi stack xử lý hiện tại.

Bài viết giúp lập trình viên hiểu rõ khái niệm Apache Iceberg trên AWS, nền tảng quan trọng cho xử lý dữ liệu lớn hiện đại.

As humans write less code: workloads shift from human to agent verification with iterative test suites

Khi lập trình viên tạo ít code hơn, khối lượng công việc chuyển từ xác minh bởi con người sang agent verification. Nguyên nhân kỹ thuật là hệ thống AI ngày càng tự động hóa quy trình phân tích dữ liệu, yêu cầu test suites phải được thiết kế lại để hỗ trợ agents. Hệ quả là xác minh kết quả agent-generated analytics trở nên quan trọng hơn với chi phí thấp hơn nhờ vào iterative test suites. Bài viết đưa ra giải pháp kết hợp human intuition với unified data lineage để nâng cao độ tin cậy, giảm 40% lỗi trong các dự án thực tế. Điều đáng học là việc triển khai agent verification không thay thế mà bổ sung kỹ năng của con người, tạo ra môi trường phát triển hiệu quả hơn với các công cụ như Apache Atlas và Datahub.

Bài viết giúp lập trình viên hiểu cách chuyển trọng lượng kiểm tra từ con người sang agent bằng bộ test lặp lại để xác minh phân tích do agent tạo ra.