Moltes fallades interessants en productes de dades passen abans del model. Aquestes notes tracten contractes d’ingestió, esquemes que evolucionen, PostgreSQL, reintents, cues, dades multilingües, qualitat i les decisions necessàries per mantenir pipelines observables i recuperables.
Què em va ensenyar la saturació dels workers sobre concurrència de Celery, càrregues de tasques heterogènies, pressió sobre la base de dades, separació de cues i com mantenir responsives les peticions interactives d'un SaaS.
Com estructuro l'aïllament per workspace, els permisos, les tasques en segon pla, la facturació i l'estat d'auditoria quan converteixo una aplicació FastAPI en un SaaS multi-tenant.
Els problemes de model de dades i fiabilitat que van donar forma al pipeline d'ingestió TED de TenderWise, des de versions d'avisos i lots fins a camps multilingües, reintents i criteris de qualificació semiestructurats.
Per què predir pagaments tardans requereix més que una divisió cronològica train/test i com reconstrueixo què es podia saber realment quan s'hauria fet cada predicció de Payrithm.
Què m'ha ensenyat executar PostgreSQL, Redis, workers de Celery i diverses aplicacions SaaS en un VPS de 8 GB sobre pressupostos de recursos, concurrència, cues i simplicitat operativa.
Com vaig dissenyar TenderWise com un SaaS multilingüe de contractació pública que ingereix anuncis TED, aplica matching determinista de perfils, separa la rellevància de la qualificació i converteix l'anàlisi de licitacions en preparació col·laborativa d'ofertes.
Com construir un pipeline robust de detecció d'anomalies per a dades multivariants de sensors amb autoencoders LSTM en PyTorch, incloent selecció de llindars i desplegament.
Utilitzo Google Analytics per entendre com s’utilitza aquest portfoli i millorar-lo. Les cookies d’analítica i el seguiment de pàgines romanen desactivats fins que ho acceptis. Pots canviar la tria més endavant des del peu de pàgina.