Так, у мене не було проблем з цим.

Дякую за коментар.
Погоджуюсь, що в контексті real-time ML inference, topology-aware планування, оптимізацій під low-latency (через Arrow shmem, DPDK/XDP, DataFusion чи KubeFlink) — Airflow не конкурент. Це не його задача.
Але Airflow ніколи і не позиціонувався як конкурент для low-level планувальників DAG-ів в ML платформі.

«Airflow підходить для неконкурентноспроможного персоналу...»
Тут не погоджусь, бо велика кількість data-платформ у FAANG-подібних компаніях використовують Airflow в поєднанні з іншими оркестраторами.

Кожен інструмент має своє місце. Airflow 3.0 робить його ще кращим для orchestration-сценаріїв у більшості data платформ.

Дякую за відгук і за запрошення, радий приєднатись :)

Дякую, радий, що огляд видався корисним.
У нас зараз Airflow 2.7, тому грабель більше ніж у вас :) Ми зараз саме в процесі переходу.
Із того в чому були проблеми:
— переробили DevOps-скрипти, бо тепер є окремо airflow та airflowctl.
— деякі імпорти з airflow.operators, airflow.utils та airflow.providers поламались. Тому потрібно фіксити їх.
Дуже сподіваюсь, що більше не зустрінемо якихось проблем і домігруємо спокійно :)

Ось є гайд від Airflow як апгрейдитись на 3 версію, можливо буде корисно:
airflow.apache.org/...​pgrading_to_airflow3.html

Дякую за ваш відгук. Стаття задумувалась як базовий вступ до створення та публікації бібліотеки на python, тому фокус був на фундаментальних кроках, які підходять новачкам.

Проте погоджуюсь: було б круто оновити гайд із сучаснішими інструментами.
Думаю це гарна ідея для наступної статті де можна розкрити все що ви бажаєте.

Дякую за коментар. Радий, що матеріал вийшов корисним!

Так, використовуючи uv буде ще швидше. Дякую, що поділились!

дякую за поширення. Окрім спеціалізації Machine Learning Specialization на Coursera можу порадити вивчати Python самостійно або знайти курси які будь до вподоби. Також для закріплення матеріалу раджу звернути увагу на легенькі задачі на LeetCode. Розглядав приклад задач також у статті dou.ua/forums/topic/53158

Дякую за Ваш коментар. Мені було простіше з використанням Kadan’s Algorithm :) Дякую, що підсвітили, що за допомогою Knapsack можна також вирішувати дані задачі із таким самим результатом.

Дякую, це просто інформація як саме оцінюються дані задачі на LeetCode :)

Дякую за Ваш відгук. Ціль даної статті було порівняти 2 найпопулярніші ORM.
Так, Django ORM використовується разом з екосистемою Django, про що в статі і було вказано.
Щодо Ormar, то вона побудована на основі SqlAlchemy і має більш зручний інтерфейс для інтеграції в проєкти FastAPI.

Дуже дякую за зауваження. Перевірив документацію, ви праві. Статтю підправив🙂