Продолжаем раскрывать программу DUMP 2026☺️

SA&BA

Александр Нездемина, "CI/CD для аналитиков: вы влияете на релиз больше, чем думаете"
CI/CD начинается не в момент деплоя, а с требований.
Разберём, как системный аналитик влияет на релиз на каждом этапе CI/CD: какие решения и артефакты снижают риски, а какие приводят к проблемам на релизе и в проде. Поговорим о типовых ошибках в требованиях и о том, как их предотвращать.

Линар Нурмухаметов, "Карта подводных камней внедрения ИИ‑агентов для оптимизации командных процессов"
Доклад про три уровня внутренних ИИ‑агентов в компаниях и почему «просто масштабировать простых агентов» — прямой путь в никуда. Пройдёмся по местам, где всё обычно рушится, и разберём, как с этим можно работать. Рассмотрим, какие рычаги есть у BA/SA на каждом этапе. Как итог заберёте карту подводных камней, которая поможет набить меньше шишек.

Testing&QA

Алексей Нелюбов, "Едем в поле с железным ящиком: как тестируют телеком"
Алексей даст вводную про то, что такое мобильная сеть и базовая станция. Расскажет, как выглядит релизный цикл и как идёт тестирование в нём. Будет информация по видам тестирования. Подробней разберём специфичные подходы для Телеком-решения.

Product

Галина Ширанкова, "Знал, но забыл: какие скиллы продакта снова актуальны, если вы внедряете LLM"
Доклад о том, как LLM используется в продуктах и для решения каких задач, насколько они умные, что стоит за фразой «LLM – это дорого», когда подписку на GPT могут позволить себе чуть ли не все, и как подготовиться к запуску фичей на LLM, чтобы не только потратить GPU, но и улучшить метрики продукта. Спойлер: вайбкодить будет не нужно.

Team

Марат Куньябулатов, "Внедрение LLM без розовых очков: честный разбор ошибок, метрик и AI-агентов на масштабе 500 инженеров"
Честный разбор того, как преодолеть скепсис 500 инженеров к нейросетям и довести их ежемесячное использование (MAU) до 75%. Рассмотрим работающий фреймворк внедрения ИИ-привычек через техлидов и переход к AI-агентам. Разберем основные проблемы и сравним динамику метрик команды после внедрения ИИ-инструментов.

Чуть больше месяца остаётся до нашей встречи, и мы продолжаем собирать для вас сильную и насыщенную программу☺️

Backend

Дмитрий Егоров, "Сравнение подходов Go, .NET и Java к Profile-Guided Optimization"
В докладе сравним, как PGO применяется в Go, .NET и Java — языках одной ниши, но с разными моделями компиляции. Разберём, какие оптимизации становятся возможны благодаря профилированию, как устроены tiered compilation и перекомпиляция, какие алгоритмы используются для сбора статистики.
На практических примерах посмотрим, какие возможности есть у каждого компилятора и как это влияет на итоговую производительность.

Team

Яков Кротов, "Графовые нейронные сети для «иммунной системы» организации: поиск функционально-процессных разрывов и предсказание рисков в командах и проектах"
Применение GNN для прогнозирования успешности проектов на основе графа компетенций и взаимодействия сотрудников.
Выявление скрытых потерь в процессах и командах на основе графов.
Инструменты и этические границы такого анализа: как не превратиться в «Большого брата».

Testing&QA

Надежда Буртелова, "Плюсы и минусы, когда автотесты пишут все тестировщики. Какие проблемы у нас возникли, и как мы их решаем"
4 года назад в Звуке автотесты почти не покрывали даже базовые сценарии, а команда была очень разноуровневой. После общего воркшопа автотесты начали писать все тестировщики — проект вырос, покрытие стало высоким, а регрессы проходят быстрее.
Но вместе с этим появились новые сложности из-за разного бэкграунда и отсутствия договорённостей.
Доклад о плюсах и минусах такого подхода, о чём важно договориться на старте, как контролировать процессы и как привести автотесты в порядок.

SA&BA

Анна Гурова, "Как писать требования к системам, использующим LLM"
AI всё чаще становится частью обычных систем. Это могут быть агенты, LLM-сервисы или ML-модели для модерации, классификации и обработки данных. Привычный подход к требованиям здесь начинает ломаться.
В докладе разберём, что должен учитывать аналитик, когда в архитектуре появляется AI: границы поведения агента, работу с контекстом и данными, возможные ошибки модели.

DevOps&SRE

Александр Крылов, "Вечная битва между коммунальными и мультикластерами K8s"
За 5 лет работы с Kubernetes стало очевидно, что есть два основных подхода: один большой «монолитный» кластер или множество маленьких под разные задачи.
В докладе разберём, когда выигрывает каждый из подходов, какие у них плюсы и минусы и как это влияет на бизнес, стоимость и управление инфраструктурой.
В основе — реальный опыт эксплуатации, с учётом практик, трендов и не самых простых кейсов