Proceedings of the 2nd Workshop on Simplicity in Management of Data
Notice bibliographique
Résumé
Andrew will discuss engineering tradeoffs made when building Apache Data-Fusion, an open source and extensible query engine used as the basis of many commercial and open source projects.These decisions (mostly) favored simplicity and worked better than initially expected.He will cover the rationale for which parts of DataFusion use pre-existing standards such as Arrow and Parquet, and which parts are built "from scratch" such as vectorized hashing and normalized sort keys.He will also discuss Data-Fusion's design philosophy of extensible APIs paired with simple default implementations.Finally, he will offer lessons learned and enumerate some things that worked well and what could have been improved.Bio: Andrew Lamb has experience in environments from 2 developers in a VC's office, to large multinational corporations and distributed open source projects.He focuses on systems programming (e.g.databases), and platform engineering, and has paid leadership dues as both an architect and manager/VP.As a Staff Engineer at InfluxData, he works on InfluxDB 3.0's IOx Engine, a new timeseries database written in Rust.He is a Member of the Apache Software Foundation, and a member of, and past chair of the Apache Arrow PMC, and actively contributes to Apache Arrow DataFusion query engine and the Apache Arrow Rust implementation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,017 | 0,025 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,017 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».