AI Night Tallinn by ClickHouse (30 октября 2025)
Сходил на AI-митап, организованный Zoe Steinkamp из ClickHouse и Oleg Šelajev из Docker, Inc.
Zoe сделала очень быстрое введение в ClickHouse. ClickHouse - open-source колоночная OLAP-база, заточенная под ультрабыструю аналитику по огромным объёмам данных. На ней строят realtime-дашборды, AI data pipelines и observability-системы: данные эффективно хранятся и запрашиваются в большом масштабе. Из недавнего - поддержка feature stores, vector search и AI-assisted querying, чтобы бизнесы могли использовать курируемые внутренние данные для ML и генерации SQL на естественном языке.
Мой вопрос был про масштабирование. Оказывается, можно и vertically, и horizontally. Мы в Clarifai сильно опираемся на vector databases для AI-решений, так что бенчмарки интересны - часть старых моих замеров есть тут: https://lnkd.in/dQr4edD5
В Gratheon я пробовал InfluxDB для IoT-данных, но для такого маленького масштаба это пока overkill и тяжело поддерживать. Может, в будущем стоит рассмотреть ClickHouse..
Дальше Vitalii Lakusta довольно подробно прошёлся по agentic AI landscape и подтянул аудиторию к тому, насколько крута современная AI-инфраструктура и для разработки, и для смежных вещей вроде debugging и документации.
Упоминали https://mastra.ai/book и какой-то инструмент от Carl Rannaberg для Claude hooks (ссылку, к сожалению, потерял)
Здесь я спрашивал про context limits, оркестрацию агентов и хотел ещё зайти в тему humans-as-proxies, когда AI пишет код и делает review, но на Q&A почти не осталось времени.
Затем Oleg Šelajev показал, что в Docker Desktop уже есть MCP-конфигурация и агентов можно объявлять и поднимать почти как docker-compose: https://lnkd.in/dGPSFVkJ
Здесь мой вопрос был про agent-to-agent communication по сети (A2A)
В конце Eero Koplimets из Katana Cloud Inventory рассказал про реальную data architecture проблему и миграцию с Postgres + materialized views на ClickHouse: стоимость упала примерно в 3 раза (или больше?), latency данных с 30 минут до realtime (около 3с?), и как всё это делали с AI - не только анализом SQL, но и написанием edge cases и тестов, чтобы у клиентов не было inconsistency.
Мой вопрос: как сравнивали результаты, если данные при этом менялись.