人人都是产品经理发布于 08/26 09:52
数据字典为什么总在建完以后失效？
数据字典上线即过时？当系统迭代与文档维护脱节，字段定义逐渐失真，甚至被AI放大为错误答案。本文剖析字典失效的深层原因，提出按结构、语义、责任三只钟分层治理，并给出嵌入变更流程的实操方案，让字典真正活起来。
InfoQ 中文发布于 08/28 20:30
S3 兼容不代表具备 S3 级别的安全性
Wiz 的安全研究人员近期对六家热门新云（neocloud）提供的 S3 兼容对象存储服务进行了研究，发现与 Amazon S3 相比，这些服务存在明显的安全能力缺口。S3 已经成为事实上的对象存储标准，但大多数兼容服务并没有 AWS 所提供的多项安全防护能力。
InfoQ 中文发布于 09/03 20:10
超越偏移量延迟：PB 级规模下 Hudi 数据湖流水线的队列等待时间计算
在这篇文章中，作者探讨了用于分析、报表和机器学习的数据湖架构，并展示了在使用 Kafka 和 Apache Hudi 时如何管理消费者延迟指标。
36氪发布于 09/03 14:48
科氪 | 一块健康预警手表背后的数据工程
评测一款健康手表，多数人会盯着屏幕参数和外观设计，但如果你把它从数据视角拆解，就会发现真正的产品不在表盘上，而是一条从传感器到预警服务的完整链路。近日，我们受邀参观了安顿健康预警手表的总部。深入讨论学习了一块健康预警手表背后的数据工程
InfoQ 中文发布于 09/11 21:36
AI 有了“工号”，数据平台长出了手：我在 Snowflake World Tour 看到的三个变化
全球领先的数据公司正在重新定义自己在 Agent 时代的位置。
AWS Machine Learning Blog发布于 09/22 00:36
How BMW Group detects cost anomalies across 14,000 cloud accounts
（翻译）BMW Group 如何检测 14,000 个云账户中的成本异常
BMW Group operates CLEA, a FinOps platform monitoring more than 14,000 cloud accounts. This post shows how BMW added automated daily cost anomaly detection, moving from reactive dashboards to proactive alerts using Prophet forecasting, AWS Step Functions, and a serverless pipeline that processes eve
雷峰网发布于 09/24 09:43
BAT 集体重做「AI 预训练」，补「脏数据」的坑
“多就行了”的误区 脏数据的代价 不当的数据 KPI 互联网时代攒的家底，不顶用了 没有秘方，只有苦活 卡住数据优化的：钱与产能 AI人才3次大迁徙：百度先行、六小虎分化、腾讯「腾笼换鸟」
AWS Machine Learning Blog发布于 09/25 23:54
How Datacor built self-service rental analytics with Amazon Quick Sight
（翻译）Datacor 如何利用 Amazon Quick Sight 构建自助式租赁分析
Learn how Datacor built a self-service rental analytics experience for gas and welding distributors by embedding Amazon Quick Sight dashboards and natural language querying into its TrackAbout platform, powered by an automated cross-cloud data pipeline and multi-tenant row-level security.
InfoQ 中文发布于 09/30 23:42
意图驱动治理：分钟级实现敏感数据规模化保护｜ 技术实践
可以压缩为这句，约 30 字： Snowflake 推出意图驱动治理，以 AI 原生工作流实现敏感数据规模化、持续保护。
arXiv cs.AI发布于 10/09 12:00
An Explainable Header-Centric Framework for Large-Scale Semantic Table Interpretation and Data Quality Assessment
（翻译）面向大规模语义表解释与数据质量评估的可解释表头中心框架
arXiv:2610.10541v1 Announce Type: new Abstract: Knowledge Graph (KG) quality depends not only on downstream graph validation, but also on the quality of tabular metadata used before integration. In metadata-only Semantic Table Interpretation (STI), where cell values are unavailable, noisy, or unsuit