К вечеру на конференции уже нечего делать? А вот и нет!

В 18:10 приглашаем в Зал 2 на неформальную дискуссию «AI для бизнеса без иллюзий. Откровенный разговор о том, как продавать, защищать и выращивать AI-продукты в реальном бизнесе».

Как доказать ценность AI бизнесу и команде, что делать, если продажники уже пообещали клиенту «новый GPT к пятнице», как заставить пилот «взлететь», а не загнуться — и ещё много реальных проблем из реальной жизни. Модераторы — эксперты GitVerse, Сбера, Cloud.ru, Райффайзена и НейроSet.

Приходите, будет больно интересно.

Через 15 минут на стенде Cloud.ru пройдет розыгрыш лимитированных худи из коллаборации Cloud.ru и дизайнера Глеба Костина (бренд .solutions).
В формах и деталях предметов зашифрованы коды и отсылки к Evolution AI Factory — среде для работы с генеративным ИИ.

Чтобы успеть принять участие в розыгрыше, регистрируйтесь Cloud.ru SuperApp и жмите «Участвовать» на странице розыгрышей в приложении.

Реклама ООО "Облачные технологии" ИНН 7736279160 erid: 2W5zFGH3tPj

Ловите памятные фото с конференции 📸

Фотоальбом

Представьте: банк не просто взыскивает просроченную задолженность, а превращает этот процесс в источник прибыли, сохраняя лояльность клиентов.

В традиционном подходе взыскание часто воспринимается как неизбежная потеря или затратный процесс. Но что, если взглянуть на него под другим углом? Правильно выстроенная система Next Best Action позволяет не только минимизировать издержки, но и улучшить качество кредитного портфеля, снизить резервы и даже укрепить отношения с клиентами.

В статье от техдиректора Газпромбанк.Тех Ольги Кравченко подробно разбирается, как команда из 11 человек — дата-сайентистов, дата-инженеров и специалистов по автоматизации — построила такую систему. От архитектуры платформы данных до ML-пайплайнов и витрин Hadoop — это глубокий кейс о том, как технологии меняют банковские процессы. Узнайте, как можно совместить скорость, эффективность и минимальные затраты, избегая при этом потери лояльности.

🚀 Переходите к полной статье, чтобы узнать все детали реализации.

Можно ли развернуть ASR-модель на CPU без потери качества и производительности?
Этот вопрос часто встаёт перед разработчиками, когда GPU недоступны или нужно оптимизировать ресурсы. Кажется, что компромиссы неизбежны, но так ли это на самом деле?

В этой статье мы подробно разбираем, как MWS AI удалось продуктивизировать нейросетевые решения для распознавания речи на CPU, сохраняя при этом высокое качество и сопоставимую с GPU-кластерами точность. Вы узнаете о различных бэкендах, особенностях настройки Triton Inference Server и подводных камнях, с которыми столкнулись инженеры.

Если вы работаете с ASR, оптимизацией инференса или просто ищете способы эффективного использования ресурсов, этот материал даст вам конкретные ответы и практические кейсы.

Как внедрять ML на устройствах, где памяти меньше, чем вкладок в вашем браузере? 👀
Если ваше устройство считает 1 ГБ памяти непозволительной роскошью — этот материал точно стоит открыть.

Александр Лошкарев, инженер-программист в Eltex, разбирает, как внедрять ML-модели на краевых устройствах, которые жестко ограничены в ресурсах и имеют меньше 256 МБ оперативной памяти.

Обычно беспроводные устройства работают в статическом режиме: их один раз конфигурируют, и дальше они годами не меняют параметры, если только администратор не вмешается вручную. Но в современных сетях Wi-Fi такой подход неэффективен из-за постоянной интерференции и изменения радиообстановки. <...> мы решили провести эксперимент и попробовать внедрить механизмы самообучения прямо в точки доступа.

📖 Часть 1 / Часть 2

Дайджест статей: AI, CV, LLM и оптимизация инфраструктуры

Собрали материалы, которые стоит добавить в закладки — от computer vision и Text2SQL до GraphRAG и экономии на Kubernetes 👇

Как мы разработали систему машинного зрения для детектирования СИЗ и техники
Время чтения: 10 минут

Как с помощью системы машинного зрения отслеживать наличие СИЗ, опасные действия сотрудников и перемещение персонала в зонах риска? Виктор Прусаков, ведущий разработчик DSML в ГК Юзтех, рассказывает о модульной архитектуре с гибким ядром, которая обеспечивает быструю кастомизацию решения под производственные задачи, что критично для реализации концепции нулевого травматизма

Выжимаем максимум из опенсорсных моделей и готовим Text2SQL
Время чтения: 12 минут

Собрать рабочий Text2SQL — это не только выбрать модель и написать промпт. Это еще пройти через сломанные гипотезы, бесконечно растущие промпты и поиск архитектуры, которая всё-таки работает.

Джал Антонов, ведущий ML-инженер X5 Tech, делится опытом:
— что сработало, а что пришлось выбросить
— как использовали векторные индексы
— почему промпты выросли до десятков тысяч токенов и как с этим жить

ИИ в промышленном IT: где заканчивается хайп и начинается измеримый эффект
Время чтения: 7 минут

В этом обзоре мы собрали ключевые идеи и практические инсайты от руководителей AI- и IT-направлений из крупных промышленных компаний: Василия Саутина, коммерческого директора платформы «Сфера» (ИТ-холдинг Т1) и его коллеги, директора по продуктам платформы «Сфера», Сергея Полиненко.

GraphRAG: 8 способов укротить расширенный контекст у LLM
Время чтения: 24 минуты

В 22% случаев онкологи не могут назначить лечение из-за рисков, связанных с хроническими заболеваниями. В статье разобрали кейс, в котором ИИ помогает врачам решать сложнейшие когнитивные задачи, связанные с лечением различных видов рака. А также рассказали про методологию GraphRAG, разобрали, как устроены и работают решения из кейса и провели сравнительный анализ всех способов решить эту сложнейшую задачу.

Оптимизация стоимости владения K8s-кластерами в AWS и YC
Время чтения: 17 минут

Облака обещают магическую экономию и бесконечное масштабирование. На практике Kubernetes‑кластеры в AWS и Яндекс.Облаке легко превращаются в бездонную чёрную дыру для бюджета. В «Антиплагиате» научились готовить споты, научили шедулер и дешедулер работать правильно и выжали из кубов максимум надежности и производительности при минимуме затрат. В этой статье — конкретные шаги, которые позволили сэкономить миллионы рублей.

Новость-молния⚡

Вы внедряли AI в разработку и есть что рассказать? Особенно о том, что пошло не так? Вот это нам и нужно!

🙌 Мы открыли короткое окно на дополнительный прием заявок для стрима «Внедрение ИИ в цикл разработки». Ищем именно вас: тех, кто уже столкнулся с AI в реальном проекте.

📍Дедлайн подачи заявок — 15 мая

AI в SDLC занимает больше трети программы Saint HighLoad++ 2026. Поэтому мы хотим добрать кейсы про внедрение AI в реальный инженерный цикл: требования, архитектуру, разработку, тестирование, CI/CD, эксплуатацию, безопасность и управление командой. Тема может быть любой точкой SDLC, но не про «AI пишет код».

Мы хотим усилить программу там, где рынок быстро меняется, а аудитории особенно нужны зрелые практики вместо очередной демонстрации промптов.

Нас интересует живой опыт: как AI встретился с legacy, дорогим инференсом, несговорчивым ревью, compliance или командой, которая смотрит на все это скептически. Что сломалось, что пришлось переделать, какие trade-offs вы приняли и почему.

Есть сырая идея, но не знаете, как оформить? Пишите — поможем выбрать формат: доклад, case clinic, постмортем, дискуссия.

🖐️ Пройдите на сайт, чтобы отправить заявку

Представьте, что ваша модель машинного обучения «запомнила» что-то, что ей не следовало бы хранить — например, персональные данные или конфиденциальную информацию.

Как заставить ее это «забыть» без полного переобучения, которое может занять дни или даже недели? Это не просто академический вопрос, а требование регуляторов и критическая задача для обеспечения приватности и безопасности.

В мире, где модели становятся все более сложными и вездесущими, способность контролируемо удалять информацию из них становится ключевой. Мы говорим о Machine Unlearning — процессе, который позволяет выборочно стирать данные из обученной модели, сохраняя при этом ее общую производительность.

В этой статье глубокое погружение в то, как измерить эффективность такого «забывания» и какие методы позволяют его достичь. От метрик забвения, таких как Unlearn Accuracy и MIA Metrics, до сохранения качества модели и вычислительной эффективности.

Если вы работаете с ML-моделями и сталкиваетесь с вопросами приватности, безопасности данных или просто хотите понять, как работает контролируемое «забывание», эта статья для вас 🙌

AI — это не просто новый инструмент, а новая природа организации. Звучит как маркетинговый слоган, но за этой фразой Сбера скрывается глубокое архитектурное утверждение, которое меняет весь подход к разработке. Если вы думаете, что достаточно внедрить Copilot в существующие процессы, то, по мнению Сбера, это стратегический тупик. Почему? Потому что код перестает быть основным артефактом, становясь производным от намерения.

В whitepaper «AI-Disrupt PDLC» Сбер делится своим видением трансформации Product Development Life Cycle, где человек отвечает за намерение, а агенты — за исполнение. Это не просто теория, а конкретная архитектура внутренней платформы с мультиагентными системами, операторами контекста и FinOps-ориентированными подходами. В статье разобрали ключевые тезисы и цифры из этого документа, которые показывают, почему IDP — это не просто папка со скриптами, а центральная инженерная сущность, и как избежать скрытого техдолга от AI-ассистентов.

Если вы хотите понять, как AI изменит разработку уже в ближайшие годы и почему «окружение агента важнее модели», читайте разбор whitepaper Сбера.

В IT появился новый язык. И никто не уверен, что мы говорим об одном и том же.

AI-native, AI-first, AI Engineer, Prompt Engineer — эти слова все чаще видим в вакансиях и стратегиях. Но спроси трех людей, что они значат, и получишь три мнения. Это создает путаницу на собесах, в командах, в стратегиях.

🖐 Мы хотим это исправить, но не сами. Вместе с вами. Мы запускаем сбор живого глоссария, от людей, которые работают с этим каждый день. Как вы сами для себя определяете эти термины, когда объясняете коллеге или пишете в документ.

Начинаем с четырех терминов:
🔹 AI-native компания: что это и чем принципиально отличается от обычной
🔹 AI-first подход: синоним AI-native или все же что-то другое
🔹 AI Engineer: новая роль или переименованный ML Engineer
🔹 Prompt Engineer: профессия будущего или временный навык

👉 Напишите нам, как вы это понимаете. Коротко, своими словами, из своей практики.
 
Все варианты мы соберем и вынесем на живую дискуссию на Saint TeamLead Conf и Saint HighLoad++ в Питере. Там участники вместе с экспертным советом разберут, что получилось, и зафиксируют финальные версии в глоссарии. Авторы формулировок будут указаны.

Потом цикл повторится: новые термины, новый сбор, новая дискуссия.