Если нужно протестировать любую mcp, то вот вам готовый инструмент: https://modelcontextprotocol.io/legacy/tools/inspector#python
#mcp
#mcp
2
🆕 qlik_download : qlik_sense_desktop
📂 Qlik_Sense_Desktop_setup.exe (1.00 GB)
📂 Qlik_Sense_Desktop_setup.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_desktop #may_2025 #may_2025_patch_6 #qlik_sense_desktop_may_2025_patch_6
🔗️ release url
🕔 last update : 2025-09-17 12:54:50
✍️ by @chernovdev
📂 Qlik_Sense_Desktop_setup.exe (1.00 GB)
📂 Qlik_Sense_Desktop_setup.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_desktop #may_2025 #may_2025_patch_6 #qlik_sense_desktop_may_2025_patch_6
🔗️ release url
🕔 last update : 2025-09-17 12:54:50
✍️ by @chernovdev
🆕 qlik_download : qlik_sense_server
📂 Qlik_Sense_update.exe (456.06 MB)
📂 Qlik_Sense_update.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_server #may_2024 #may_2024_patch_24 #qlik_sense_server_may_2024_patch_24
🔗️ release url
🕔 last update : 2025-09-17 12:52:18
✍️ by @chernovdev
📂 Qlik_Sense_update.exe (456.06 MB)
📂 Qlik_Sense_update.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_server #may_2024 #may_2024_patch_24 #qlik_sense_server_may_2024_patch_24
🔗️ release url
🕔 last update : 2025-09-17 12:52:18
✍️ by @chernovdev
🆕 qlik_download : qlik_sense_server
📂 Qlik_Sense_update.exe (292.58 MB)
📂 Qlik_Sense_update.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_server #may_2025 #may_2025_patch_6 #qlik_sense_server_may_2025_patch_6
🔗️ release url
🕔 last update : 2025-09-17 12:53:53
✍️ by @chernovdev
📂 Qlik_Sense_update.exe (292.58 MB)
📂 Qlik_Sense_update.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_server #may_2025 #may_2025_patch_6 #qlik_sense_server_may_2025_patch_6
🔗️ release url
🕔 last update : 2025-09-17 12:53:53
✍️ by @chernovdev
🆕 qlik_download : qlik_sense_server
📂 Qlik_Sense_update.exe (289.31 MB)
📂 Qlik_Sense_update.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_server #november_2024 #november_2024_patch_18 #qlik_sense_server_november_2024_patch_18
🔗️ release url
🕔 last update : 2025-09-17 12:53:08
✍️ by @chernovdev
📂 Qlik_Sense_update.exe (289.31 MB)
📂 Qlik_Sense_update.exe.md5 (32.00 B)
🔎 tags: #qlik_sense_server #november_2024 #november_2024_patch_18 #qlik_sense_server_november_2024_patch_18
🔗️ release url
🕔 last update : 2025-09-17 12:53:08
✍️ by @chernovdev
🚀 Секретная база Qlik текстов теперь доступна каждому!
- 6 PDF с help сайта
- аналитика пользователей в чатах @qlikru / @qlikbi_chat / @chernovdev
- ВСЯ история трёх чатов
и всё это теперь лежит в Яндекс.Нейроэксперт и ждет ваших вопросов)
https://expert.ya.ru/expert/projects/1a78da6292ce11f0a5dc2a8a19181f6f
Можно прикольные кейсы достать (по примерам на фото) - там рядом с ответами еще кнопочки есть - если нажать, то контекст видно будет )
------
#docs@chernovdev #qlik@chernovdev #baza@chernovdev
@chernovdev
- 6 PDF с help сайта
- аналитика пользователей в чатах @qlikru / @qlikbi_chat / @chernovdev
- ВСЯ история трёх чатов
и всё это теперь лежит в Яндекс.Нейроэксперт и ждет ваших вопросов)
https://expert.ya.ru/expert/projects/1a78da6292ce11f0a5dc2a8a19181f6f
Можно прикольные кейсы достать (по примерам на фото) - там рядом с ответами еще кнопочки есть - если нажать, то контекст видно будет )
------
#docs@chernovdev #qlik@chernovdev #baza@chernovdev
@chernovdev
BARC-Benchmark-PowerBI-Qlik.pdf
1.6 MB
📊 BARC Benchmark: Сравнение производительности Power BI и Qlik в реальных условиях
Только что опубликовано первое в мире независимое исследование производительности и масштабируемости BI-платформ от авторитетной аналитической компании BARC (Германия). В фокусе — два гиганта рынка: Microsoft Power BI и Qlik.
🔍 Что это за исследование?
BARC разработала методологию для объективного сравнения BI-решений в условиях, максимально приближенных к реальным: одинаковые данные, модели, сценарии использования и нагрузка. Измерялось не только «сырое» быстродействие, но и продуктивность пользователей и способность системы масштабироваться под нагрузкой.
🧪 Ключевые метрики:
- Продуктивность: сколько задач может выполнить пользователь в час.
- Масштабируемость: как система ведёт себя при росте числа пользователей и объёма данных.
- Скорость отклика: время открытия и обновления отчётов, фильтрация.
📈 Главные выводы (основано на тестах до 50 concurrent users и 10 млн записей):
Общий счёт (BARC Benchmark Score)
PBI - 40% от Qlik 100%
💡 Что важно знать:
- Qlik показал значительно более стабильную производительность и предсказуемость под нагрузкой.
- Power BI иногда демонстрировал сильные колебания времени отклика — до нескольких минут в отдельных сценариях.
- Оба решения справились с нагрузкой, но Qlik сделал это в 2 раза эффективнее по итоговому счёту.
- Исследование проводилось на стандартных облачных версиях (не Enterprise/Premium).
❗Почему это важно?
Производительность — ключевой фактор принятия BI-систем пользователями. Задержки более 2–3 секунд ведут к снижению вовлечённости, особенно среди непрофильных пользователей. В эпоху AI и агентов, которые могут генерировать сотни запросов, масштабируемость становится критически важной.
Только что опубликовано первое в мире независимое исследование производительности и масштабируемости BI-платформ от авторитетной аналитической компании BARC (Германия). В фокусе — два гиганта рынка: Microsoft Power BI и Qlik.
🔍 Что это за исследование?
BARC разработала методологию для объективного сравнения BI-решений в условиях, максимально приближенных к реальным: одинаковые данные, модели, сценарии использования и нагрузка. Измерялось не только «сырое» быстродействие, но и продуктивность пользователей и способность системы масштабироваться под нагрузкой.
🧪 Ключевые метрики:
- Продуктивность: сколько задач может выполнить пользователь в час.
- Масштабируемость: как система ведёт себя при росте числа пользователей и объёма данных.
- Скорость отклика: время открытия и обновления отчётов, фильтрация.
📈 Главные выводы (основано на тестах до 50 concurrent users и 10 млн записей):
Общий счёт (BARC Benchmark Score)
PBI - 40% от Qlik 100%
💡 Что важно знать:
- Qlik показал значительно более стабильную производительность и предсказуемость под нагрузкой.
- Power BI иногда демонстрировал сильные колебания времени отклика — до нескольких минут в отдельных сценариях.
- Оба решения справились с нагрузкой, но Qlik сделал это в 2 раза эффективнее по итоговому счёту.
- Исследование проводилось на стандартных облачных версиях (не Enterprise/Premium).
❗Почему это важно?
Производительность — ключевой фактор принятия BI-систем пользователями. Задержки более 2–3 секунд ведут к снижению вовлечённости, особенно среди непрофильных пользователей. В эпоху AI и агентов, которые могут генерировать сотни запросов, масштабируемость становится критически важной.
ChernovDev
BARC-Benchmark-PowerBI-Qlik.pdf
Сравнительный_Анализ_Qlik_и_Power_BI_Производительность,_Масштабируемость.pdf
392 KB
Более глубокое исследование на эту тему от qwen
Forwarded from Machinelearning
Open-source инструмент от исследователей из Stanford, который превращает статические статьи в интерактивных AI-ассистентов.
📌 Как это работает:
- Paper2MCP анализирует статью и её код( если есть), извлекает ключевые методы и превращает их в инструменты внутри MCP-сервера.
- Agent layer подключает этот сервер к чат-агенту (например, Claude Code или Chatgpt).
Поле чего, у каждой статьи появляется свой ИИ-ассистент, который:
- объясняет папиру на простом языке;
- запускает код без ручного копания в репозиториях, зависимостях и API-ключах;
- объединяет данные и пайплайны из разных работ.
Каждый MCP-сервер включает:
- Tools — функции (например, прогноз изменения экспрессии генов).
- Resources — текст, код, датасеты.
- Prompts — шаблоны для пошаговых сценариев.
Фактически Paper2Agent помогает конвертировать научные работы в полноценные рабочие инструменты.
Чтобы повторить методы их статьи, приходилось вручную ставить окружения, импортировать десятки модулей и гадать с входными данными. Paper2Agent позволяет это сделать через диалоговый интерфейс.
@ai_machinelearning_big_data
#ai #ml #aiagent
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM