Power BI na Databricks, 90% tańszy Claude Code i złączenia ASOF w nowym Sparku
Większość platform danych i zespołów inżynierskich nie boryka się dziś z brakiem narzędzi czy powolnym pisaniem kodu. Prawdziwym wyzwaniem stał się moment, w którym tempo generowania skryptów przez asystentów AI drastycznie wyprzedza ludzką zdolność do weryfikacji ich architektury, spójności i kosztów. Wystarczy kilka tygodni bezrefleksyjnego dopisywania kolejnych warstw, by rachunki za chmurę poszybowały w górę, a raporty zarządcze zaczęły pokazywać sprzeczne liczby tylko dlatego, że ktoś zrezygnował z dyscypliny modelowania na rzecz pozornej wygody.
Dojrzałość techniczna polega na budowaniu systemów przewidywalnych: od rygorystycznego kierowania zapytań do modeli po twarde kontrakty semantyczne w hurtowniach danych czy data lake’ach. W tym wydaniu zbieram konkretne liczby i doświadczenia z wdrożeń produkcyjnych:
Jak inżynierowie Spotify obcięli zużycie tokenów w Claude Code o 90 procent, delegując masowe czytanie i szablony kodu do tańszego modelu pomocniczego,
Centralna definicja miar w PowerBI i Databricks: jak uniknąć powielania formuł DAX i dlaczego modne tabele One Big Table przegrywają ze schematem gwiazdy,
Nowości w Apache Spark 4.3: natywna obsługa złączeń ASOF JOIN w SQL oraz automatyczna kompilacja funkcji PySpark redukująca narzut serializacji,
Orkiestracja agentów w LangGraph: jak wydzielenie roli dedykowanego recenzenta pozwala ograniczyć halucynacje modeli o ponad 40 procent.
Kiedy budujesz systemy oparte na sztucznej inteligencji, zamiast zmuszać wielkie modele językowe do generowania potoków tekstu tam, gdzie potrzebna jest szybka decyzja logiczna, warto sięgnąć po lekkie modele. O tym, jak wyspecjalizowany model podejmuje decyzje programistyczne w sto milisekund zamiast kilku sekund i kosztuje ułamek centa, pisałem w artykule na blogu: Jev: model AI, który decyduje, zamiast gadać.
Jeśli w tym tygodniu planujesz przegląd architektury w swoim projekcie, zadaj sobie pytanie: czy Twój zespół kontroluje stan i strukturę wytwarzanego kodu, czy dryfuje w stronę przypadkowych rozwiązań pisanych w pośpiechu? Spokojnej i inspirującej lektury.
ai agent
Jak Spotify obcięło zużycie tokenów w Claude Code o 90 procent
Masowe skanowanie tysięcy linii kodu przez modele językowe generuje ogromne faktury bez realnego zysku merytorycznego. Inżynierowie Spotify stworzyli narzędzie Portal trasujące zapytania, które blokuje czytanie dużych plików przez model główny. Zadania czytania i generowania szablonów przejmuje tańszy model pomocniczy, a Claude dostaje wyłącznie zwięzłe podsumowania. Przyniosło to 90 procent oszczędności tokenów w Javie.
🔓 Architektura i ewaluacja trzech systemów wieloagentowych w LangGraph
Pojedynczy asystent językowy często gubi wątek, kiedy musi jednocześnie szukać danych, weryfikować źródła i tworzyć raport. Artykuł porównuje trzy architektury orkiestracji w LangGraph: model z nadzorcą, sekwencyjny potok etapowy oraz sieć agentów. Pomiary wykazały, że struktura z osobnym recenzentem redukuje halucynacje o ponad 40 procent przy umiarkowanym zużyciu tokenów. Topologia grafu decyduje o stabilności.
🔓 Obsługa błędów narzędzi i automatyczne przywracanie stanu w agentach AI
Większość autonomicznych asystentów zawiesza się lub ponawia to samo zapytanie przy pierwszej odmowie interfejsu API. Autor omawia architekturę warstwy sterującej, która przechwytuje komunikaty walidacyjne i przekazuje je modelowi w czytelnej formie. Dzięki temu agent sam koryguje parametry, a sztywne limity pętli i unikalne klucze chronią system przed zapętleniem. To podstawa stabilności procesów w tle.
Dziesięć przydatnych serwerów MCP wykraczających poza standardowe narzędzia
Podłączanie asystentów AI do środowiska pracy programisty często kończy się na prostym dostępie do lokalnych plików i przeglądarki. Zestawienie dziesięciu mniej znanych serwerów MCP pokazuje, jak wyposażyć modele w bezpieczny dostęp do Dockera czy Kubernetes. Dzięki wspólnemu standardowi agent potrafi badać awarie w logach i pobierać schematy baz bez pisania własnych wtyczek. Ułatwia to automatyzację zadań.
ai ml
Projekt gry detektywistycznej z deterministycznym modelem TypeSafe AI Jev
Zlecanie modelom językowym prostych decyzji logicznych niepotrzebnie wydłuża czas odpowiedzi i podnosi koszty infrastruktury. Samouczek prezentuje model Jev firmy TypeSafe AI, który klasyfikuje intencje gracza w czasie poniżej stu milisekund. Zamiast generować tekst podatny na błędy, model zwraca ustrukturyzowane wartości liczbowe oraz typy logiczne wprost do Pythona. Sprawdza się w szybkich procesach decyzyjnych.
architektura
Czy One Big Table to pułapka? Zmierzch i powrót schematu gwiazdy
Spłaszczanie struktur hurtowni do pojedynczych tabel z pozoru przyspiesza tworzenie pierwszych raportów w chmurze. Podejście One Big Table eliminuje złączenia, lecz przy milionach wierszy wywołuje ogromną redundancję i podnosi koszty aktualizacji danych. Brak tradycyjnego schematu gwiazdy Kimballa prowadzi do rozbieżnych definicji tych samych wskaźników w firmie. Pomaga nowoczesna warstwa semantyczna.
bazy danych
Wyszukiwanie wektorowe na tabelach Apache Iceberg bez migracji danych
Kopiowanie milionów wektorów do odrębnych baz zewnętrznych generuje wysokie wydatki i rozsynchronizowuje dane. Inżynierowie StarTree stworzyli indeksowanie wektorowe działające bezpośrednio na plikach Parquet w tabelach Apache Iceberg. Silnik Apache Pinot przeszukuje wektory w miejscu składowania, eliminując replikację do osobnych systemów. Pozwala to na szybkie odpytywanie w architekturze lakehouse.
data engineering
Architektura nowoczesnego Lakehouse z wykorzystaniem Databricks i dbt Cloud
Skalowanie architektury Lakehouse opartej na wzorcu Medallion wymaga precyzyjnego rozdzielenia zadań pomiędzy warstwę ingestii a transformacje biznesowe, co eliminuje redundancję logiki kalkulacji, rozbieżności wskaźników KPI i chaos w zarządzaniu uprawnieniami. Zintegrowanie ekosystemu Databricks z dbt Cloud pozwala wykorzystać komponenty Databricks Auto Loader oraz Lakeflow Connect do wydajnego, przyrostowego ładowania danych surowych do warstwy Bronze z pełnym śledzeniem metadanych i obsługą CDC, pozostawiając platformie dbt Cloud odpowiedzialność za modularne modelowanie SQL, standaryzację i testowanie jakości danych w warstwach Silver oraz Gold. Centralną warstwę nadzoru stanowi Unity Catalog, który egzekwuje jednolite reguły bezpieczeństwa, kontrolę dostępu, maskowanie kolumn, filtrowanie wierszy oraz pełny data lineage bezpośrednio na poziomie magazynu danych, bez konieczności dublowania uprawnień w narzędziach analitycznych. Tak zdefiniowany podział odpowiedzialności pozwala narzędziom Databricks zarządzać skalowalną infrastrukturą obliczeniową i strumieniowaniem, podczas gdy dbt Cloud zapewnia wersjonowanie kodu analitycznego, dokumentację i spójną warstwę semantyczną na potrzeby platform Power BI, Tableau, agentów Databricks Genie, modeli uczenia maszynowego oraz bezpiecznej wymiany danych za pośrednictwem Delta Sharing.
excel
Bezpieczna automatyzacja zadań w Excelu przy użyciu Pythona i xlwings
Ręczne uzupełnianie powtarzalnych raportów finansowych w arkuszach kalkulacyjnych zabiera cenne godziny i sprzyja pomyłkom. Standardowe biblioteki Pythona potrafią podczas zapisu uszkodzić istniejące formuły, nazwane zakresy oraz makra. Pakiet xlwings steruje żywą instancją Excela, automatycznie wstrzykując przeliczone ramki danych bez naruszania struktury skoroszytu. Gotowe zestawienia powstają w tle.
llm & chatgpt
🔓 Lokalne API dla architektury RAG w FastAPI, ChromaDB i Ollama
Wysyłanie poufnych dokumentów firmowych do zewnętrznych chmur tworzy ryzyko prawne i generuje wysokie rachunki za tokeny. Autor prezentuje budowę niezależnego potoku RAG opartego na frameworku FastAPI, bazie ChromaDB oraz lokalnym modelu w silniku Ollama. System przetwarza zapytania na wewnętrznej stacji roboczej, realizując semantyczne przeszukiwanie bez wysyłania danych na zewnątrz. Daje to darmowe prototypowanie asystentów.
management
🔓 Ciemna strona vibe codingu: jak nie zamienić inżynierii oprogramowania w rzut kośćmi
Bezrefleksyjne wklejanie kodu z czatu daje pozory szybkiego tempa pracy, dopóki program nie trafi na produkcję. Zjawisko powierzchownego programowania (vibe coding) prowadzi do powstawania aplikacji bez testów regresji i kontroli stanów. Autor proponuje rygorystyczne kontrakty oraz traktowanie asystentów wyłącznie jako wykonawców precyzyjnych specyfikacji. Dyscyplina chroni zespół przed długiem technicznym.
mlops
Monitoring produkcyjnych modeli LLM w infrastrukturze on-premise banku
Utrzymanie modeli sztucznej inteligencji w banku (albo ubezpieczeniach) wymaga znacznie głębszej kontroli niż prosty nadzór nad serwerami. Inżynierowie opisują platformę telemetrii badającą zużycie pamięci GPU, opóźnienia inferencji oraz statystyczny dryf odpowiedzi generowanych lokalnie. Filtry weryfikują wyjścia pod kątem wycieków danych osobowych i prób manipulacji promptem w czasie rzeczywistym. Pozwala to spełnić rygorystyczne normy nadzoru.
powerbi
Power BI i Databricks Metric Views: definicja miar bezpośrednio w silniku lakehouse
Rozpraszanie logiki biznesowej po wielu plikach sprawia, że drobna zmiana definicji paraliżuje pracę analityków danych. Integracja Power BI z Databricks Metric Views przenosi obliczenia z formuł DAX bezpośrednio do katalogu Unity Catalog. Połączenie na żywo odpytuje silnik lakehouse SQLem z klauzulą MEASURE, dbając o spójność liczb we wszystkich dashboardach. Daje to stabilne raporty zarządcze.
spark
Co nowego w Apache Spark 4.3: ASOF JOIN i kompilacja funkcji PySpark
Praca na asynchronicznych szeregach czasowych w dużych zbiorach danych wymagała pisania skomplikowanych funkcji okna. Wydanie Apache Spark 4.3 dodaje obsługę złączeń ASOF JOIN w SQL, co bardzo upraszcza analizę danych giełdowych i telemetrycznych. Silnik zyskał też kompilację prostych funkcji Python UDF do natywnych wyrażeń, eliminując narzut serializacji między procesami. Nowy operator JSON_TABLE ułatwia parsowanie.