Часто задаваемые вопросы

В основном по двум причинам. Во-первых, ядро движка рекомендаций — это детерминированный движок правил, а не модель, гадающая по вашему логу: он читает структурированные метрики (тайминги, число строк, использование памяти) и применяет проверенные, покрытые тестами эвристики (например, целевой размер shuffle-партиции или что на самом деле отличает реальный риск OOM от просто консервативной конфигурации). Один и тот же вход всегда даёт одну и ту же рекомендацию с одним и тем же обоснованием. Универсальному AI-агенту, которому дали сырой Spark event log или run_results.json, сначала нужно корректно распарсить действительно сложный формат, а затем рассуждать о нём, не «галлюцинируя» правдоподобно звучащий, но неверный порог — известная проблема, когда модель просто просят «посмотреть и сказать, что не так».

Во-вторых, приватность: opti-pipe считывает из вашего файла только числовые метрики — никогда ваш SQL, названия моделей, код DataFrame или пути к файлам (см. следующий вопрос). Вставка сырого лога в универсальный чат-бот раскрывает модели всё это.

Есть и опциональная «вторая точка зрения» — кнопка «Ask AI» поверх движка правил, на случай если хочется дополнительной проверки конкретной рекомендации, но это именно вторая точка зрения, а не основа — детерминированный движок работает одинаково и с ней, и без неё.

Это опциональная кнопка рядом с рекомендацией, которая спрашивает: «действительно ли рекомендация детерминированного движка выглядит правильной с учётом более полного контекста моего файла?» — вторая точка зрения от модели, по запросу, а не обязательное условие для использования opti-pipe. Движок правил над ней остаётся бесплатным, детерминированным и полностью покрытым тестами в любом случае.

Такие платформы решают более широкую задачу (непрерывный мониторинг, алерты, дашборды по всему стеку) и стоят соответственно. opti-pipe специально уже: загружаете один реальный артефакт, который ваш пайплайн уже создал, получаете конкретные рекомендации по конфигурации с подтверждением перед применением. Не нужно ничего устанавливать, разворачивать платформу или платить только за то, чтобы смотреть на график.

Нет. Каждая рекомендация требует подтверждения перед применением — opti-pipe сообщает, что нашёл и что предлагает изменить, с обоснованием, а решение принимаете вы. Ничто не трогает вашу реальную конфигурацию Spark, dbt или Flink само по себе.

Загружаемые данные пайплайна анонимизируются по умолчанию — из файла считываются только числовые метрики (тайминги, число строк, показатели памяти и похожее). Ваш SQL, названия моделей, код DataFrame и пути к файлам никогда не считываются, не сохраняются и никуда не отправляются, включая опциональную функцию «Ask AI».

Нет. Загрузите свой файл (или изучите живые демо-данные) — и вы получите одну настоящую, полную рекомендацию на пайплайн бесплатно, без регистрации. Аккаунт открывает доступ ко всем рекомендациям по этому пайплайну, а не только к первой.

Да, прямо сейчас — opti-pipe находится в раннем доступе и бесплатен: карта не требуется, списаний нет. Платные тарифы появятся, когда биллинг будет полностью включён; при этом ничего в вашем аккаунте не изменится автоматически, а существующие пользователи раннего доступа узнают об этом напрямую до каких-либо списаний.

Нет. Регистрация сегодня не собирает данные карты и не запускает никаких биллинговых отношений — списывать попросту не с чего. Если и когда появятся платные тарифы, это будет явное, отдельное согласие, а не что-то, что тихо происходит с существующим аккаунтом.

Spark event log, файл dbt target/run_results.json или экспорт метрик Flink через его REST API — один настоящий артефакт, который уже создал ваш собственный запуск, а не то, что нужно заполнять вручную. Точное расположение каждого файла — в руководстве по загрузке.

Да — в дашборде есть живые демо-пайплайны, которые можно изучить без какой-либо настройки, чтобы увидеть, как выглядит настоящая рекомендация, прежде чем трогать свои собственные файлы.