Skaff es una incubadora
de productos técnicos Artefact
Elevar los estándares de entrega técnica.
Mejorar el éxito comercial.
Consolidar artefact como líder data.
Skaff proporciona conocimientos de código abierto y soluciones desplegables para resolver problemas técnicos fundamentales
Antes de que los proyectos de data y AI sean capaces de demostrar su valor, hay una importante sobrecarga técnica.
Skaff reconoce este trabajo fundacional y construye aceleradores de alta calidad para agilizar la construcción y el despliegue, para permitir que los equipos se centren en el trabajo de valor añadido.
Conocimientos
Packs
Empieza a correr
Acelere su incorporación a una tecnología o experiencia con uno de nuestros paquetes de conocimientos.
¿Qué hay en la caja?
Los paquetes de conocimientos incluyen un curso práctico de 45 minutos,
y nuestras convicciones colectivas sobre cómo
abordar el tema.
Prueba uno
Paquetes desplegables
Cortar por lo sano
Acelerar el desarrollo y la industrialización de los proyectos de data mediante el uso de software de código abierto.
¿Qué aspecto tiene?
Estos aceleradores pueden ser paquetes de Python,
módulos Terraform, plantillas de repositorios Git,
esquemas de cuadros de mando y mucho más.
Prueba uno
Acelere su aplicación Gen AI con
nuestro kit de industrialización Langchain.
Casos de éxito
Capital riesgo
Aprovechando los aceleradores GenAI de Skaff, un equipo de Artefact demostró rápidamente el gran ahorro de tiempo que se podía conseguir indexando y consultando data sin estructurar para fusiones y adquisiciones.
Los analistas pudieron hacer preguntas sobre documentos de diligencia debida, estudios de mercado, entrevistas a expertos y otros reports en lenguaje natural. Esto permite cruzar información fácilmente, lo que mejora enormemente la productividad.
Greenlit para escalar a 1500 usuarios.
Belleza para el consumidor
Al crear una plataforma data para dar soporte a casos de uso de marketing, el uso de aceleradores Skaff aceleró el despliegue de data lakes, data pipelines, control de acceso, finops y data governance.
Con esto resuelto en cuestión de días en lugar de semanas o meses, los ingenieros de data pudieron centrarse en crear productos data y atender casos de uso estratégicos para la marca.
AL POR MENOR
Para analizar el flujo de data desde los puntos de venta en un caso de uso de detección de fraudes, se utilizó el acelerador de servidor dbt de Skaff para desplegar y programar el canal de análisis.
Esto permitió al equipo de Artefact obtener rápidamente información sobre eventos de detección de fraudes y otros incidentes.
Contar con esta aceleradora les permitió ahorrar semanas de tiempo de desarrollo y centrarse en su producto.
Artículos del blog Medium de nuestros expertos en tecnología
¿Es siempre la alineación de preferencias la mejor opción para mejorar la traducción basada en LLM? Un análisis empírico
Las métricas neuronales para la evaluación de la traducción automática (TA) son cada vez más importantes debido a su mayor correlación con los juicios humanos en comparación con las métricas léxicas tradicionales.
Choice-Learn: Modelización de elecciones a gran escala para contextos operativos a través de la lente del aprendizaje automático.
Los modelos de elección discreta tienen como objetivo predecir las decisiones de elección tomadas por los individuos a partir de un menú de alternativas, denominado surtido. Los casos de uso más conocidos incluyen la predicción de una...
La era generativa AI: ¿Qué está cambiando?
La abundancia y diversidad de respuestas a ChatGPT y otras IA generativas, ya sean escépticas o entusiastas, demuestran los cambios que están provocando y el impacto...
Cómo Artefact consiguió desarrollar un sistema de carrera justo y sencillo para los ingenieros de software.
En el dinámico sector tecnológico actual, en constante evolución, una carrera profesional puede parecer a menudo un camino sinuoso a través de un denso bosque de oportunidades. Con...
Por qué necesita LLMOps
Este artículo presenta LLMOps, una rama especializada que fusiona DevOps y MLOps para gestionar los retos que plantean los grandes modelos lingüísticos (LLM)...
Liberar la potencia del lenguaje de expresión LangChain (LCEL): de la prueba de concepto a la producción
LangChain se ha convertido en menos de un año en una de las bibliotecas de Python más utilizadas para interactuar con LLM, pero LangChain era sobre todo una biblioteca...
Cómo gestionamos la conciliación de ID de perfil utilizando Treasure Data Unification y SQL
En este artículo explicamos los retos de la conciliación de ID y demostramos nuestro enfoque para crear un ID de perfil unificado en la plataforma de clientes Data , en concreto...
Snowflake's Snowday '23: Snowballing into Data Science Success
Al reflexionar sobre las ideas compartidas durante el "Snowday" del 1 y 2 de noviembre, una cascada de interesantes revelaciones sobre el futuro de...
Cómo entrevistamos y contratamos ingenieros de software en Artefact
Repasamos las competencias que buscamos, las distintas fases del proceso y los compromisos que asumimos con todos los candidatos.
Codificación de características categóricas en la previsión: ¿lo hacemos todos mal?
Proponemos un método novedoso para codificar características categóricas específicamente adaptadas a las aplicaciones de previsión.
Cómo desplegamos un sencillo sistema de vigilancia de la fauna salvaje en Google Cloud
Colaboramos con Smart Parks, una empresa holandesa que ofrece soluciones avanzadas de sensores para conservar la fauna salvaje en peligro...
Despliegue de Stable Diffusion en Vertex AI
Este artículo proporciona una guía para desplegar el modelo Stable Diffusion, un popular modelo de generación de imágenes, en Google Cloud utilizando Vertex AI.
