Awesome GitHub RepositoriesMulti-Language Client Libraries

FoundationDB is an ACID-compliant distributed transactional key-value store. It functions as a scalable database engine that ensures strict serializability and data consistency across a cluster of servers using a shared-nothing architecture. The system is distinguished by its multi-region replication capabilities, allowing data to be synchronized across different datacenters for high availability and disaster recovery. It utilizes optimistic concurrency control to manage distributed transactions and employs a majority-based coordination system to maintain cluster state. The platform provides

This project is a collection of learning resources and instructional guides for implementing asynchronous messaging patterns using RabbitMQ. It provides a series of tutorials and runnable code examples focused on the Advanced Message Queuing Protocol to help users decouple services via a message broker. The resources cover practical implementation patterns including request-reply, pub-sub, and stream processing. These guides demonstrate how to use official client libraries to balance worker loads, route messages across multiple consumers in a distributed system, and deploy high availability b

Hazelcast is a distributed data platform that combines an in-memory data grid with a stream processing engine to support real-time analytics and event-driven applications. It functions as a partitioned, distributed key-value store that replicates data across cluster nodes to provide low-latency access and high availability. The platform also serves as a distributed SQL query engine, allowing users to execute standard SQL statements against both in-memory datasets and external data sources. What distinguishes Hazelcast is its use of a distributed consensus subsystem to maintain strongly consis

ReactiveSearch est une suite de frameworks déclaratifs et de boîtes à outils d'interface utilisateur conçus pour construire des interfaces de recherche basées sur Lucene, vectorielles et à facettes. Il fournit une collection de composants React et Vue pré-construits qui connectent les frontends web aux index de recherche, facilitant la création de barres de recherche interactives, de listes de résultats et de systèmes de filtrage complexes. Le projet se distingue par une interface de recherche vectorielle et des capacités de similarité sémantique, y compris la génération de réponses en langage naturel assistée par IA avec citations de sources. Il emploie un modèle de composant réactif où les filtres et les états de recherche sont synchronisés via un gestionnaire partagé, permettant aux sélections dans un composant de mettre à jour les options disponibles dans d'autres et de sérialiser l'état actuel dans des chaînes de requête URL pour le deep-linking. La plateforme couvre un large éventail de capacités, y compris la navigation à facettes avec des filtres de plage numérique et de sélection unique, le mappage de données géographiques et un kit de visualisation de données interactif pour rendre des graphiques et des tracés. Elle inclut également des outils pour le réglage de la pertinence de la recherche, le tri des résultats, la pagination et la capacité d'exporter des ensembles de résultats sous forme de documents CSV ou JSON. La connectivité backend est gérée via une couche d'abstraction basée sur des fournisseurs et un système de mappage de requêtes déclaratif qui sépare la logique métier de l'interface utilisateur.

Serving est un framework haute performance conçu pour déployer et mettre à l'échelle des modèles de machine learning en tant que services de production. Il fonctionne comme un moteur d'inférence distribué qui permet l'exécution de flux de travail de traitement de données complexes en enchaînant plusieurs modèles dans des graphes acycliques dirigés. La plateforme se distingue par sa capacité à gérer tout le cycle de vie des modèles en production, permettant un versionnage à chaud qui met à jour les services sans interruption. Elle prend en charge la mise à l'échelle horizontale via le sharding de modèles distribués et optimise la récupération de données de haute dimension via des structures de recherche de paramètres creux spécialisées. Le système fournit une suite complète de capacités pour les environnements de production, y compris l'exécution d'inférence accélérée par le matériel, des interfaces d'appel de procédure distante (RPC) multilingues et une surveillance de service intégrée. Il intègre également des fonctionnalités de sécurité telles que l'authentification des requêtes et des canaux de communication chiffrés pour protéger les déploiements de modèles.