#открытые_данные — Public Fediverse posts

Семь тысяч страниц из одной базы: как устроен спортивный справочник, в котором нет чисел без источника

История началась с того, что я искал норму магния для человека, который регулярно тренируется. Первый результат гласил о том, что необходимо 400 мг в сутки, второй — 350, третий — «до 500, если вы потеете». Ни один не объяснял, откуда взялось конкретное число. Я потратил вечер на PubMed, нашёл два обзора и понял, почему цифры расходятся: в одном случае считали потребление с едой, в другом — добавку сверх рациона. Это разные вопросы, и ответы у них разные. Через неделю то же самое случилось с креатином. Сорок статей, у половины в заголовке что‑то вроде «наконец‑то доказано», и почти нигде не сказано, на ком проверяли, сколько это длилось и что именно измеряли. Читать было интересно, доверять — некому. Меня задело не то, что в интернете пишут неточности. Меня задело, что проверить написанное нельзя: «учёные выяснили» не даёт ни имени, ни года, ни возможности открыть источник и посмотреть, что там на самом деле. Так появился Sport Reference — сайт про тренировки и питание, который внутри устроен как база данных. Страницы собираются из неё автоматически, и у сборки есть жёсткое условие: у каждого числа должен быть источник. Нет источника — числа не будет.

https://habr.com/ru/articles/1096282/

#справочник #nodejs #открытые_данные #pubmed #статический_сайт #генерация_страниц #проверки_при_сборке #спорт_и_питание

Одна франшиза — три адреса и два написания: дедупликация каталога франшиз по открытым данным

Человек, который вводит в поиск запрос вроде «франшиза каталог для малого», получает несколько каталогов, и в каждом тысячи карточек. Кажется, что из них легко собрать одну таблицу рынка: обойти, склеить, посчитать. Я так и думал, пока не попробовал склеить два каталога и один каталог сам с собой. Ниже - что я взял за ключ записи, сколько раз каждый ключ подвёл и что в итоге работает. Код на Python, данные сняты 6 и 16 октября 2026 года.

https://habr.com/ru/articles/1096154/

#python #парсинг #транслитерация #франчайзинг #открытые_данные #дедупликация #качество_данных #маркировка_рекламы #сопоставление_записей

46 критериев и модель Jev: как устроен открытый индекс риска глобального конфликта

Привет, Хабр! Мы тонем в новостях. Голова кругом: тут говорят одно, там — противоположное, а где правда — непонятно. Информации не мало — её слишком много. Не хватает инструмента, который показывал бы, как риск меняется во времени: по открытым данным, а не по громкости заголовка. Такого инструмента я не нашёл. Пришлось собрать самому. Получился Индекс Кассандры — еженедельный сервис про уровень и направление риска глобального конфликта. Без регистрации, трекеров и подписок. Код, методика, данные и тесты открыты на GitHub, сайт статический (GitHub Pages). Свежая неделя (11 октября 2026): 56, +10 к предыдущей (46). Ниже — как получается это число и как в него вошла новая модель‑классификатор Jev. Это рассказ об инженерной задаче: как устроен расчёт, как он проверяется и что даёт машинная классификация. Политических оценок и агитации нет — только измерение сигналов и метод.

https://habr.com/ru/articles/1095448/

#классификация #искусственный_интеллект #аналитика #визуализация_данных #риск #nodejs #открытые_данные #машинное_обучение #github_pages

Пять тысяч строк одного списка: собираю франчайзинговую сеть 1С по открытым данным и сверяю с ЕГРЮЛ

У фирмы «1С» есть открытый список 1С-франчайзи: страница, где можно выбрать регион и увидеть всех, кто внедряет «1С:Предприятие» в вашем городе. Это, пожалуй, самая большая франчайзинговая сеть в российском IT, и нечастый случай, когда франчайзер сам выкладывает всю сеть одной страницей. Я хотел простого: собрать этот список целиком, посчитать, как сеть разложена по карте, и привязать каждую строку к юрлицу в ЕГРЮЛ. Простого не вышло. Ниже - как устроен источник, что в нём сломано и сколько строк в итоге удаётся честно связать с реестром. Код на Python, короткими кусками, всё снято 12 октября 2026 года.

https://habr.com/ru/articles/1093722/

#1с #python #регулярные_выражения #парсинг #франчайзинг #открытые_данные #егрюл #геокодирование #качество_данных #сопоставление_записей

Чей номер и чей БИК: две офлайн-библиотеки на открытых реестрах Минцифры и ЦБ

Когда в форме нужно проверить ИНН, подсказать банк по БИК или показать оператора по номеру телефона, обычно подключают внешний API. Мне захотелось обойтись без него: все эти данные государство и так публикует открыто, и они достаточно маленькие, чтобы положить их прямо в npm-пакет. Так появились две библиотеки. phoneoperator по реестру Минцифры определяет оператора и регион номера, bankbik по справочнику ЦБ находит банк по БИК и проверяет ИНН, СНИЛС, ОГРН и счета. Обе работают без сети и обновляются сами. Внутри: как 60 МБ реестра ужимаются до 45 КБ, почему у МТС два названия и почему сайт Минцифры не пускает GitHub. Песочницы: phoneoperator и bankbik . Проверить реквизиты

https://habr.com/ru/articles/1092758/

#офлайн #javascript #оператор_связи #открытые_данные #npm #typescript #реквизиты #github_actions #бик #реестр_нумерации

Источник данных, который закрыт и для меня, и для веб-архива

Задача звучала просто. Есть большой каталог франшиз - витрина, где сотни карточек с ценами входа. Надо понять, насколько быстро эта витрина обновляется: сколько предложений, которые человек видел два года назад, дожили до сегодня. Вопрос не праздный. Каталог франшиз читают как справочник, и возраст предложения в нём воспринимается как возраст бизнеса за ним. Проверить это можно только одним способом - сравнить два состояния каталога в разные годы. Ниже история про то, как я это сделал, и почему повторить уже не смогу: источник закрылся не только от меня, но и от веб-архива.

https://habr.com/ru/articles/1088562/

#вебархив #wayback_machine #save_page_now #открытые_данные #срез_данных #парсинг #python #421 #403 #воспроизводимость

Пересмотрел свое отношение к Obsidian когда сделал второй мозг на 219 тысяч файлов

Уже полтора года я строю себе цифрового двойника: базу знаний, где лежит вся моя жизнь за десять лет, и агента, который этой базой пользуется вместо меня. Начинал я как все, со связки Obsidian и Claude. Первые свои выводы начал делать после того, как загружено было 219 353 файла. Я не знаю как для вас, но для меня Obsidian теперь - это просто программа для просмотра, а не то что я раньше про него думал. Вся ценность всего этого массива моих данных - в трёх вещах: обычные текстовые файлы на диске, ссылки, перелинковки между ними и агент, который читает и пишет их напрямую. Как это у меня устроено сейчас и сколько токенов на это потрачено Цель у меня была сделать своего цифрового двойника. Систему, которая думает и отвечает как я, помнит всё, что помню я, и то, что я уже забыл. Для этого нужна правильно работающая память. Но не векторная база с блоками текста по пятьсот токенов, а нормальная, со структурой и историей. Я поставил Obsidian, завёл хранилище, стал туда складывать заметки, документы, истории - да все подряд. Чего я ждал от Obsidian, когда ставил его : что он станет местом, где живёт вся моя память; что граф будет моим рабочим инструментом, по которому я нахожу забытое, а не только картинкой, что дополнения которые есть в обсидиан, закроют всё, чего мне не хватало: свяжут заметки между собой, соберут из них таблицы и подключат к базе нейросеть; что синхронизация между машинами будет его заботой, а не моей; что агент сможет работать с базой через него. Из этого сбылось только то, что граф действительно приятно смотреть, и заметки удобно читать глазами. Но Obsidian это не база знаний. Для меня сейчас это программа для просмотра папки с текстовыми файлами . Она красивая, с графом и плагинами.

https://habr.com/ru/articles/1077976/

#искусственный_интеллект #программирование #управление_разработкой #хранение_данных #открытые_данные

# Слепой поиск новых частиц (и не только частиц): что мы построили и что из этого получилось

Мы построили систему, которая умеет честно останавливаться, когда не может довести гипотезу до конца. Слепой отбор координаты в пространстве представлений SU(3)×SU(2)×U(1), группа гейтов на аномалии/унитарность/UV-завершение, и правило «нельзя ранжировать меньше пяти механистически разных гипотез». По пути — не только результаты, но и честные признания: семь «исследовательских кандидатов» оказались вручную закодированы, а не выбраны вслепую (поймали аудитом кода); клетка с представлением размерности 1518 упёрлась в UV-стену и получила BLOCKED вместо выдуманного числа; найден баг, который ложно добавлял канал распада по совпадению подстроки. Два кандидата дошли до настоящих d=7 операторов и первой условной зоны исключения по данным CMS. Для одного из них не хватает ровно одной вещи — специалиста, который умеет собирать UFO-модели для цветовых секстетов. Архитектура при этом не заточена под физику частиц — на ней же стоят глобальный фит нейтринных экспериментов (DayaBay, KATRIN, T2K) и модуль аэроупругости с реальными данными DLR. Подробности, формулы и вся цепочка проверок — в статье.

https://habr.com/ru/articles/1074208/

#bsm #физика_частиц #стандартная_модель #lhc #научная_методология #открытые_данные #python

Как LLM вернули мне фичу, которую Google Maps отобрал (скилл для Claude прилагается)

В 2018 Google Maps стал показывать рядом с каждым рестораном «Your Match» - процент от 0 до 100% насколько вероятно, что мне тут понравится. Так как они базировались на прошлых оценках мест, я стал старательно писать ревью на все кафе, где был, чтобы получить максимально точные рекомендации новых. Для меня это работало классно (особенно для матчей больше 90%), намного информативнее среднего рейтинга заведения. Но в 2023 Google фичу тихо убрал. В недельных лимитах Claude осталось много токенов, которые скоро сгорали. Так что я попробовал вернуть себе фичу своими силами.

https://habr.com/ru/articles/1066282/

#google_maps #коллаборативная_фильтрация #рекомендательные_системы #вебскрапинг #python #api #открытые_данные #aiагенты #ai #llmприложения

Kimi K3 — что реально даёт открытие весов самой большой модели

27 июля Moonshot AI выложила веса Kimi K3 — модели на 2,8 трлн параметров, которая до этого работала только через платный API. Вместе с весами открыли технический отчёт и три внутренних инструмента, на которых модель обучали. Разберём релиз по частям: что подтверждено независимыми замерами, что остаётся заявлением компании и на какие детали стоит посмотреть до того, как планировать внедрение.

https://habr.com/ru/articles/1063742/

#kimi_k3 #kimi #moonshot_ai #открытые_данные #moe #open_source #llm

Хотел одно число про салоны своего города. Легально оно стоит 226 000 ₽ — обошёлся OpenStreetMap

Мне нужно было одно число. Какая доля салонов красоты в моём городе даёт клиенту записаться онлайн — без звонка. Я делаю сервис записи для салонов и постоянно слышу от мастеров «нам пишут ночью», «клиенты приходят из интернета». Но сколько всё-таки таких салонов, куда ночью не записаться? Десять процентов? Половина? Полез искать — и не нашёл. Есть отчёты про объём бьюти-рынка. Есть пресс-релизы CRM про «повальную цифровизацию отрасли». Есть подборки «5 трендов индустрии красоты». А простого числа — у скольких салонов клиент может записаться, не звоня, — нет нигде. Ну хорошо. Город один, руки есть. Посчитаю сам. Считал два дня, и по дороге выяснил, что самое интересное — не результат, а то, во что упираешься по пути.

https://habr.com/ru/articles/1062510/

#OpenStreetMap #Overpass_API #парсинг #открытые_данные #ODbL #вебскрапинг #исследование_рынка #онлайнзапись #YCLIENTS #салоны_красоты

LLM и психолингвистика: HELPER

Привет, Хабр! На связи Александр Сабко, Виктория Белявская и Сергей Павлухин, из мастерской по прикладному ИИ Инженерно-математической школы НИУ ВШЭ и VK. Сейчас текстовые данные все чаще рассматриваются как источник информации о психологическом и эмоциональном состоянии человека (автора текста) — это особенно важно для задач, связанных с психологическим консультированием, анализом пользовательских коммуникаций и мониторингом эмоционального состояния. В тексте нам часто важна не просто тональность, а динамика эмоционального состояния автора. При этом большинство существующих решений в анализе эмоций работают слишком обобщенно — одни определяют общую тональность текста, другие решают задачу бинарной или многоклассовой классификации эмоций на уровне всего текста. Такие подходы плохо подходят, например, для психологически-нагруженных текстов, так как эмоции могут быть динамическими и проявляться в разных фрагментах текста — агрегированная метка не может это показать. Есть и другая проблема: для обучения моделей, которые смогут улавливать локальные эмоциональные признаки и выявлять динамику их смены, не хватает специализированных русскоязычных корпусов, формализованных схем разметки и воспроизводимых методик оценки качества работы модели. Без этого сложно понять, действительно ли модель научилась распознавать психо-эмоциональные признаки текста или просто угадывает общий эмоциональный фон. В статье мы расскажем, как мы выстраивали схему разметки на интервью с практикующими психологами, какие источники текстов взяли, что внутри инструмента, и что получилось с дообучением Qwen-3. Психолингвистика с LLM

https://habr.com/ru/companies/vk/articles/1062310/

#llm #helper #психолингвистика #открытые_данные #обучение_моделей

Мгновенный информер о вакансиях из центров занятости

Когда случается потерять работу, люди ищут новую разными путями: мониторят порталы по найму, подписываются на ленты компаний, вычитывают чаты профессиональных сообществ. В этом утомляющем беге, именуемом расширение каналов поиска, немудрено пройти мимо лент вакансий из муниципального сектора по причине, что доставка информации потребителю в госсекторе обычно не блещет удобством. Да и вообще мало кто знает, что вместо ежедневного хождения к информационным стендам местного Центра занятости можно оперативно получать соискательскую информацию на смартфон. Для устранения таких походов к стенду я разработал и делюсь с сообществом бесплатным веб-приложением, которое, будучи загруженным на хостинг, сможет через заданный интервал времени подключаться к государственной базе "Работа России" с целью забрать новые вакансии для интересующего города и вывести в ваш Telegram-канал.

https://habr.com/ru/articles/1052894/

#поиск_работы #вакансии_работа #открытые_данные #opendata #найти_работу #трудоустройство

Как я собрал базу визовых требований, где каждая ячейка ссылается на официальный источник

Привет, сообщество. Где-то два месяца назад мне пришла в голову идея, очень простая по своей сути, но ой как обширная, если начать в ней копаться более подробно.

https://habr.com/ru/articles/1050674/

#визы #визовое_законодательство #загранпаспорт #релокация #эмиграция #открытые_данные #краудсорсинг #путешествия #data_engineering

OSINT для новичков: что можно узнать из открытых источников

Разбираю базовые техники OSINT для новичков: как проверять телефон, email, домен, компанию и изображения через поисковики, реестры, веб-архивы и открытые сервисы.

https://habr.com/ru/articles/1050184/

#osint #osint_tools #google_chrome #dork #открытые_данные #критическое_мышление #osint_обучение_с_нуля

Как мы собираем ингушский язык: словарь, корпус и ИИ в одном проекте

Ингушский язык — один из нахских языков кавказской семьи, родной для примерно 400–500 тысяч человек. На нём говорят в Ингушетии, частично в Чечне и диаспоре по всей России. Язык живой и имеет государственный статус, но его цифровое присутствие долго оставалось минимальным: разрозненные PDF-словари, несколько сообществ в соцсетях, почти ничего пригодного для повседневного использования. Так появился PaydaDosh — открытая лингвистическая платформа, которая сегодня является крупнейшим онлайн-словарём ингушского языка.

https://habr.com/ru/articles/1024816/

#ингушский_язык #лингвистика #словарь #малые_языки #лексикография #корпус_текстов #NLP #открытые_данные

Только 12,5% игр в «Стиме» получают пользовательский отклик

Data-driven разбор рынка Steam 2021–2025 Каждый год десятки тысяч разработчиков выходят в Steam с надеждой, что их игра «найдет аудиторию». Платформа кажется демократичной: опубликуй игру, заплати сбор — и ты рядом с хитами. Но так ли хорошо у них дела? Данные говорят, что на деле Steam — это жесточайший рынок за внимание игроков, где либо ты привлек игроков на старте, либо тебя, вероятнее всего, ждет забвение… Представляю результат анализа данных из Steam за 2021–2025 годы (≈65 000 игр) .

https://habr.com/ru/articles/995396/

#gamedev #игры #games #аналитика #открытые_данные

Новые финансовые бенчмарки для LLM. Лаборатории ИИ «Финама»

В Лаборатории искусственного интеллекта «Финама» мы изучаем и развиваем применение ИИ в домене финансов: от бенчмаркинга LLM до прикладных сценариев в трейдинге и управлении рисками. Сегодня хотим поделиться с вами нашим исследовательским проектом. В последнее время мы все чаще встречаем новости вроде “ИИ от OpenAI взял «золото» Международной олимпиады по информатике” . Главное преимущество такого формата оценки — уверенность, что задания оригинальные и что, при обучении модели они не встречались в идентичном виде. Наша лаборатория поставила себе задачу узнать — насколько обширны знания LLM в области экономики, финансов и трейдинга. Вначале мы тестировали модели на открытых Question Answering (QA) бенчмарках (FinQA, ConvFinQA, TATQA), но столкнулись с несоответствием результатов на бенчмарках и в реальном hands-on тестировании. В результате мы пришли к идее использовать для оценки LLM форматы, близкие к существующим сертификационным экзаменам, которые сдают инвесторы для подтверждения своей квалификации CFA-like Level 1, 2, 3 ( Chartered Financial Analyst ) и CMT-like Level 2 ( Chartered Market Technician ). Для проверки того, знают ли модели специфику российского рынка, мы собрали бенчмарк на основе олимпиады « Высшая лига » по трекам «Финансы и инвестиции» и «Мировая экономика». В открытом доступе ( GitHub ) опубликованы не только результаты наших замеров, но и единый фреймворк, поддерживающий как наши новые бенчмарки, так и уже существующие. Надеемся, это поможет развитию LLM4Trading!

https://habr.com/ru/companies/finam_broker/articles/989842/

#искусственный_интеллект #llmмодели #финансовые_бенчмарки #cfa #трейдинг #машинное_обучение #оценка_моделей #российский_рынок #fintech #открытые_данные

200 000+ снимков мусора: что мы узнали о датасетах

В нашей работе хватает безумных задач. Мы создали первого в России цифрового PR-менеджера, разрабатывали виртуальную примерочную и делали много чего еще, о чем не всегда можно рассказать. Но когда мы взялись за создание ИИ-сортировщика мусора MARQUS, поняли — будет совсем жестко. Не так давно мы создали систему сортировки ТКО (Твердых коммунальных отходов) MARQUS, которая делит отходы на бумагу, металл, пластик, стекло и т.д. Система использует искусственный интеллект и специальные сенсоры, чтобы распознавать различные типы отходов прямо на конвейере и направлять их в соответствующие секции для переработки. В процессе разработки MARQUS мы столкнулись с задачей — найти или собрать подходящие датасеты, так как без них эффективность нейронной сети резко снижается, если вообще приближается к нулю. Мы перепробовали множество подходов, пересмотрели доступные датасеты с готовой разметкой и потратили достаточное количество времени и денег, чтобы честно признаться — на обучении нейронок сэкономить не получится, но обо всем по порядку.

https://habr.com/ru/articles/924696/

#управление_проектами #искусственный_интеллект #Машинное_обучение #открытые_данные #разметка_датасета #сбор_данных_для_ии #парсинг_данных #разметка_данных

Как мы строили систему для проверки людей и компаний

Это моя первая статья на Хабре. Формат нащупываю. Хотелось бы сразу с кейсами и диаграммами, но решил начать с простого — краткий разбор архитектуры нашего сервиса и того, как мы пришли к текущему состоянию. Сервис — это проверка физических и юридических лиц по открытым источникам. Пользователь вводит ИНН или ФИО и получает отчёт: есть ли долги, исполнительные производства, признаки банкротства, участие в сомнительных организациях и так далее. Отчёт собирается на лету по 10+ источникам. Система существует давно. Код — не идеален. Архитектура — не микросервисная. Docker и Kubernetes у нас не прижились, зато есть реальный боевой опыт. Ниже — краткий разбор, как оно устроено, какие ошибки мы прошли и как всё это выживает под нагрузкой.

https://habr.com/ru/articles/916624/

#проверка_контрагентов #открытые_данные #архитектура_системы #агрегаторы_данных #saas #госданные #b2c #b2b #источники_данных #автоматизация

Анализ тенденций арт-рынка

Арт‑рынок непонятен для многих и работает по своим неписанным законам, которые иногда непонятны даже для самих участников рынка. Более того, процессы, происходящие в этой сфере зачастую противоречат сами себе, и бывает сложно делать верные выводы и строить прогнозы. Но, что точно не вызывает сомнений — что коронокризис дал арт‑рынку тот самый пинок , который сдвинул с места очень консервативную неповоротливую прекрасную, но смотрящую свысока на всех вокруг, машину арт‑рынка. После взлета онлайн‑продаж 2020–2021 гг. существенная часть арт‑рынка стала использовать те же инструменты, что другие классические рынки товаров:

https://habr.com/ru/articles/907298/

#аналитика_рынка #открытые_данные #арт #искусство

Как я за год написал шесть больших научных статей и несколько маленьких

Без «литературных негров» и чатГПТ — личный рассказ об инструментах, технологиях и приёмах, которые помогли мне не вылететь из аспирантуры и догнать коллег. Открытые данные, Python, R, RMarkdown, Quarto, git и немного ИИ в помощь исследователю.

https://habr.com/ru/articles/898038/

#научные_исследования #научная_работа #научные_статьи #открытые_данные #публикации #rmarkdown #deepl #rstudio #git #r_lang

SOAP, XML и Python: получаем данные с zakupki.gov.ru

Эта статья написана для начинающих пользователей, которые хотят разобраться в работе сервиса отдачи информации zakupki.gov.ru. Мы шаг за шагом разберем, как получить токен для физического лица, как выглядит XML-документ для запроса и как написать простую программу на Python для взаимодействия с сервисом. Это не руководство от профессионала, а скорее дневник выживания: как не сойти с ума, пока пытаешься подружиться с сервисом zakupki.gov.ru.

https://habr.com/ru/articles/869934/

#zakupkigovru #soap #python #открытые_данные #xml

Оголяем «данные» и что из этого вышло

Однажды я задался целью создать устройство, которое измеряло бы качество воздуха — не просто как-то, а с высокой точностью. Проект по разработке устройства привел к созданию NeboAir — недорогого датчика, который претендует на высокую точность. В этом материале я расскажу об испытаниях в реальных условиях и о том, что получилось в итоге.

https://habr.com/ru/articles/848320/

#открытые_данные #стартап #экология #визуализация_данных #графики #графики_и_диаграммы #исследование #наука #наука_о_данных #наука_и_технологии

Open Street Map — OSINT-инструмент для маркетологов

Собрать базу телефонов / email для холодных контактов можно несколькими способами: 1) купить готовую базу 2) написать и запустить парсер сайтов по списку 3) собирать в режиме ручного поиска в интернете Все перечисленные способы имеют свои преимущества и недостатки. В статье мы разобрали еще один способ, тоже не идеальный, но с двумя большими плюсами — быстро и бесплатно.

https://habr.com/ru/companies/first/articles/833926/

#osm #открытые_данные #маркетинг #osint

Open Research Knowledge Graph: новый подход к научной коммуникации

На сегодняшний день для представления и обмена результатами исследований мы используем методы, которые были разработаны много веков назад. С момента зарождения современной науки (публикации первого научного журнала "Transactions of the Royal Philosophical Society", 1665 г.) мы используем все тот же метод передачи научных знаний – статьи. Немецкая национальная научно-техническая библиотека TIB и исследовательский центр L3S при Университете Лейбница в Ганновере изобретают новый подход к научной коммуникации. Вместо того чтобы представлять исследования в виде статичных PDF файлов, они работают над динамическим графом знаний - Open Research Knowledge Graph , где научные идеи, подходы и методы представлены в структурированном машиночитаемом формате.

https://habr.com/ru/articles/796553/

#научные_статьи #граф_знаний #открытые_данные #научная_коммуникация #семантика

Новости из мира OpenStreetMap за январь

Медитируем под звуки правок, запасаемся тайлами, ищем места из аниме и готовимся к 20-летию OpenStreetMap. Погрузиться

https://habr.com/ru/articles/792426/

#openstreetmap #карты #новости #дайджест #открытые_данные #сообщество

Новости из мира OpenStreetMap за декабрь

Новогодние подарки, выборы, долой OAuth 1.0, OSM в науке, QGIS и на бумаге, а также 700-ый выпуск weeklyOSM!

https://habr.com/ru/articles/784856/

#openstreetmap #карты #дайджест #открытые_данные #новости #сообщество #qgis

Новости из мира OpenStreetMap за ноябрь

Ограничения в API, главная конференция сообщества, природный стиль в Organic Maps и много-много карт от участников #30DayMapChallenge

https://habr.com/ru/articles/779440/

#openstreetmap #карты #дайджест #открытые_данные #новости #сообщество