Process Mining for a Large Insurance Company, Suncorp Group

Got Milk (Data)? How I Uncovered a $100M+ UK Trade Story Using Pandas, SQL, and Seaborn

Got Milk (Data)? How I Uncovered a $100M+ UK Trade Story Using Pandas, SQL, and Seaborn My Week 8 deep dive at the DataraFlow Data Science Internship: mastering the Split-Apply-Combine paradigm …

Hex Raises $100M

Announcing Hex 4.0, and Hex's $100m fundraise.

Cadence Launches Maestro AI Models for Chip and System Design

Cadence vừa ra mắt bộ mô hình AI Maestro chuyên ngành để hỗ trợ quy trình thiết kế chip và hệ thống. Các mô hình này được phát triển với kiến trúc transformer và được huấn luyện trên dữ liệu thiết kế bán dẫn khổng lồ. Bộ công cụ này giúp tăng tốc độ thiết kế lên đến 30% và giảm thiểu lỗi lên đến 25% so với phương pháp truyền thống. Giới kỹ thuật học được từ bài viết là việc ứng dụng AI domain-specific có thể giải quyết hiệu quả bài toán phức tạp trong ngành EDA.

Bài viết này giúp lập trình viên hiểu cách AI mô hình hóa Maestro của Cadence đang thay đổi quy trình thiết kế chip và hệ thống.

AI Generated ETL Worked on Day One. Then Came Monday.

ETL do AI tạo ra hoạt động hoàn hảo trong ngày đầu tiên, nhưng gặp sự cố khi có file trễ, file trùng và file chứa toàn số zero. Các vấn đề này phát sinh do AI chưa được huấn luyện với các trường hợp ngoại lệ và dữ liệu bất thường trong quy trình thực tế. Hệ quả là hệ thống sụp đổ khi gặp dữ liệu không như kỳ vọng, trong khi job ETL cũ đã xử lý được những tình huống tương tự nhờ kinh nghiệm tích lũy. Bài viết nhắc nhở chúng ta rằng AI cần được huấn luyện với nhiều tình huống edge case hơn và cần có cơ chế fallback cho các hệ thống quan trọng.

Bài viết này giúp lập trình viên nhận thức được những thách thức thực tế khi triển khai AI generated ETL mà có thể không được đề cập trong các bài test ban đầu.

Building Reliable Data Analytics Agents: Lessons from the KDD Cup

Bối cảnh của KDD Cup 2026 đưa ra bài toán thiết kế các data analytics agents với công cụ hạn chế và trạng thái liên tục. Nguyên nhân kỹ thuật nằm ở việc quản lý stateful operations và xử lý dữ liệu lớn trên nền tảng constrained environments như LLMs. Hệ quả chính là hệ thống KGMON đạt được độ chính xác cao trong các tác vụ phân tích phức tạp với chi phí tính toán tối ưu. Bài viết cung cấp những bài học thực tế về cách tối ưu hóa prompt engineering và kết hợp với traditional ML để tăng độ tin cậy. Điều đáng học là việc thiết kế kiến trúc agent với khả năng khôi phục trạng thái và xử lý lỗi hiệu quả, cho thấy tầm quan trọng của fail-safe mechanisms trong hệ thống production.

Bài viết này chia sẻ bài thực tế từ KGMON tại KDD Cup 2026 về cách xây dựng tác nhân phân tích dữ liệu đáng tin cậy với công cụ hạn chế và trạng thái liên tục.

How to Detect Hidden Target Leakage in Public Datasets with Python and a Dependency Graph

Các tập dữ liệu công cộng như CDC dataset đôi khi chứa hidden target leakage khiến mô hình học máy đạt điểm số không thực tế. Tác giả đã phát hiện vấn đề khi mô hình dự đoán cột dữ liệu thứ sáu với R² lên đến 0.998 bất thường. Python cùng dependency graph là công cụ hữu hiệu để vạch ra mối quan hệ ẩn giữa các features và target variable. Bài viết hướng dẫn cách xây dựng dependency graph để phát hiện và loại bỏ leakage, giúp tránh overfitting trong production model.

Bài viết này giúp phát hiện rò rỉ mục tiêu ẩn trong bộ dữ liệu công khai bằng Python và đồ thị phụ thuộc để tránh tạo ra các mô hình machine learning giả tạo.

Your A/B Test Is Almost Blind to Revenue. Here’s the Fix

Your A/B Test Is Almost Blind to Revenue. Here’s the Fix Revenue is full of zeros and a few huge orders. That breaks the standard A/B test. Here is how to fix it, with tested Python. You test a new …

A/B Testing Case Study: Should the Button Text Change Go Ahead?

A/B Testing Case Study: Should the Button Text Change Go Ahead? LumaTech’s UX Design team proposed changing the text on the website’s enrolment button from “Reserve my slot” to “Enrol …