🚀 Завтра в 10:00 в зале «Оптика» пройдет воркшоп «AI-агент Нейроаналитик DataLens в деле: от инсайтов до кастомных визуализаций с AI»

На практическом воркшопе вместе с архитектором Глебом Беловым вы освоите работу с AI-агентом в Yandex DataLens и узнаете, как автоматизировать рутинные задачи в анализе данных.

Теория
Разберем, что такое Нейроаналитик, где в DataLens используется AI и как он работает.

Практика. Вы сами:
• Сгенерируете кастомные чарты через AI в Editor
• Разберетесь в формулах с помощью Нейроаналитика
• Найдете инсайты по готовым дашбордам
• Попробуете вайб-чартинг и новый формат общения с данными через AI

Кому будет полезно:
аналитикам и BI-авторам, дата-командам и всем, кто хочет освоить AI-подход к анализу данных.

Ждем вас!

Скоро увидимся на конференции — и Cloud.ru уже готовится удивлять 👀

На стенде партнера вас ждет четыре активности, где каждый найдет что-то свое:

🎮 Покемон или ИИ?
Угадайте, что скрывается за загадочным названием: имя покемона или ИИ-модель

🃏 500 горячих спринтов
Познакомьтесь с командой через айтишный юмор

🤖 Создайте своего ИИ-агента
Протестируйте новый сервис Evolution AI Agents и запусти своего первого агента

⚙️ Соберите пайплайн работы с данными

А также поучаствуйте в розыгрыше худи из коллабы Cloud.ru х .Solutions

Заходите — будет интересно!

Уже завтра ждем вас на панельной дискуссии VK «Джуны-аналитики в эпоху GenAI» в зале «Атом»

Тема горячая: как нейросети повлияют на позиции джунов-аналитиков?

Заходите, чтобы:
🔹Понять, насколько нуждается сейчас рынок в джунах
🔹Узнать прогноз по найму на ближайшие 1–3 года
🔹Разобраться, как стартовать в аналитике сегодня и какие навыки помогут оставаться востребованным

Спикеры:
Виктор Кантор, MLinside / Владимир Абазов, Т-Банк / Павел Бухтик, No Data No Growth
Ведущий — Никита Гурьянов, VK

Расставим все точки над AI 🤖

Напоминаем: двери кластера «Ломоносов» и стойки регистрации откроются в 9:00.

Официальное открытие конференции — в 9:50 в зале «Молекула».

До встречи завтра! 🎉

День AHA'26 💙

Добро пожаловать! Ждем вас у стойки регистрации — для входа понадобится паспорт. Официальное открытие конференции состоится в 9:50 в зале «Молекула». А пока можно пройти в холлы и торжественно перекусить 🥂

Две полезные ссылки на сегодня:
• Лендинг NOW — все актуальные новости, активности и программа (ищите QR-код на своём бейдже).
• Бот для нетворкинга: @mm_networking_bot

Если что-то пошло не так с билетами/входом/доступами — пишите в @MateMamont, оперативно разберемся.

Всем продуктивного дня и классных инсайтов 🦣

R&D и экономика масштабирования — трек для всех, кто устал верить в оценку эффективности «на глаз» 💸

Когда AI и эксперименты становятся рутиной, дороже всего обходятся ошибки в оценке эффекта и выборе решения. В «Молекуле» спикеры разберут, как переводить гипотезы, исследования и экспериментальный дизайн в управляемую экономику роста — от e-grocery до CVM.

До перерыва — 6 докладов. Вот короткий маршрут:

🕙 10:00 | Алан Караев (Wildberries & Russ)
Эконометрика для панельных данных: метод «within-group regression» как способ снижать дисперсию оценок и быстрее считать ретроспективные исследования при оптимизации объема поставок на торговые точки.

🕥 10:35 | Никита Бобух (Авиасейлс)
Как не остановить рост во время миграции техстека: перенос логики экспериментов в DWH, запуск A/B без разработчиков и превращение аналитического слоя (SQL + хранилище) в часть продакшена.

🕦 11:25 | Антон Марцен (Yandex Autonomous Vehicles)
Аналитика автопилотов: что происходит с привычными воронками, LTV и A/B, когда продукт выходит в физический мир — и какими метриками/аналогами это заменяется в робототехнике.

🕛 12:00 | Никита Новиков (Lenta Tech)
EBITDA по описанию фичи: как ML помогает планировать разработку и приоритизировать инициативы еще до реализации (ошибка в ставке на фичу стоит слишком дорого).

🕧 12:35 | Ян Пиле (Magnit Tech)
Эксперименты в офлайне без самообмана: качество разбиения групп и кластерные тесты — где именно ломается методология и как это чинить до того, как вы «увидели эффект».

🕐 13:10 | Никита Никитченко (X5 Tech)
Глобальная контрольная группа для CVM: как оценивать эффект тысяч кампаний не по ощущению и не по красивым прокрасам, а так, чтобы выводы выдерживали вопросы бизнеса.

Если вы в поисках практик, которые помогают превращать R&D в предсказуемый инструмент развития продукта — приходите в «Молекулу» 👀

AI в проде: контекст плывет, алерты шумят, а документации нет❓

Трек «Инженерия вокруг ML/AI и архитектура прикладного AI» — про практическую сторону: как готовить и размечать данные, собирать контекстно-осведомленных AI-аналитиков, автоматизировать документацию DWH через LLM и графы, наводить порядок в ML-инфраструктуре и не усложнять систему раньше времени.

📍 Зал «Кинетика» (1 этаж)

🔴 Прямо сейчас на сцене Илья Жбанов и Михаил Дремин из Cloud.ru. Спикеры представляют честный инженерный разбор эволюции мультиагентной системы «было/стало»: почему «в лоб завернуть API в tools» не работает, как пересобирали Control Plane, MCP-серверы, context engineering (progressive disclosure) и что делать с главной болью — тестированием недетерминированной среды (E2E-оценка, LLM-as-a-judge). Если вы переводите агентов из «демо» в enterprise — это оно.

Продолжим трек подборкой тем:

1️⃣Контекст и знания — чтобы LLM понимала ваш бизнес

• 10:35–11:20 | Роман Гриднев (Яндекс) — роботная документация DWH на базе LLM и графов: автогенерация описаний, контекст через графовую базу, метрики качества и борьба с галлюцинациями (спойлер: 92% совпадения смысла).

• 12:00–12:30 | Анастасия Рыхлик и Юрий Николаев (АвитоТех) — «AI без контекста — просто калькулятор»: три слоя контекста (Core/Semantic/Knowledge), golden set, eval-пайплайн и мониторинг качества. На выходе — чек-лист «AI-ready аналитика».

2️⃣Эксплуатация и контроль — чтобы прод не съедал команду

11:25–11:55 | Даниил Понизов и Роман Лазовский (Wildberries) — AIOps с LLM и auto-workflow: единая точка алертов, обогащение контекстом (Prometheus+k8s), оркестрация действий и рост утилизации GPU/ресурсов.

3️⃣Адаптация и прагматичный дизайн — чтобы система росла без лишней сложности

• 12:35–13:05 | Сергей Бажин (Иннотех) — test-time learning: адаптация LLM во время инференса без разметки, какие метрики качества реально ожидать и какой стек нужен.

• 13:10–14:00 | Андрей Жуков (Faust Consulting) — прагматичный ML System Design: минимально достаточная сложность, фазы зрелости и чек-лист «когда усложнять», чтобы не нарастить техдолг и косты.

Ждем вас!

🧪 Ошибка в эксперименте дороже самой фичи. Знакомо?

Трек «Подходы и методы системного снижения стоимости проверки гипотез» в зале «Атом» (3 этаж) раскроет тему экспериментальной аналитики.

Поговорим не о бинарном «прокрасилось/не прокрасилось», а о том, где на самом деле теряются деньги и искажается результат: пересечения тестов, побочные эффекты, неоднородные аудитории, проблемы воспроизводимости и ложные выводы.

Что уже успели разобрать 👀

Марк Хабаров и Михаил Рязанский (VK, Дзен) показали, как автоматизировать пост-анализ A/B-тестов и использовать LLM для поиска скрытых проблем: когда метрики выглядят хорошо, а продуктовый эффект вызывает вопросы.

🧠 Дальше по программе — еще 4 повода остаться в «Атоме»:

1️⃣ 10:35–11:20 | Иван Мочилин (Циан)
Синтетический Difference-in-Differences для региональных экспериментов. Как тестировать гипотезы на уровне гео и сохранять статистическую валидность.

2️⃣ 11:25–11:55 | Дмитрий Казаков (Kolesa Group)
Uplift-сегментирование: как спасать непрокрасившиеся тесты, повышать success rate и точнее находить аудитории, где гипотеза действительно работает.

3️⃣ 12:00–12:30 | Андрей Андреев (METRO)
Отраслевой бенчмарк A/B-тестов: достоверные UX-паттерны, репликации и реальные эффекты. Где winner’s curse завышает результат, и чему вообще можно доверять.

4️⃣ 12:35–13:40 | Артем Кугушев (Авито)
Мастер-класс: парная стратификация и дизайн пересекающихся A/B-тестов — чтобы снижать MDE и держать корректное распределение трафика без очередей на запуск.

Если вы проверяете гипотезы не ради галочки, а хотите быстрее получать выводы, которым можно доверять, — вам в «Атом».

✅ Вы уже внедряете прикладной AI или пока тестируете красивые демо?

1. Как подтверждаете эффект фичи — каузально или по привычному «до/после»?
2. Выдерживают ли эксперименты столкновение с реальностью: пересечения аудиторий, каннибализацию, региональные различия?
3. Не превращается ли внедрение в «LLM-налог» с растущими затратами и потерей скорости?

Трек «LLM, AI-агенты и экономика прикладного AI» в «Физике» (1 этаж) сегодня отвечает на эти вопросы — максимальная польза и реальная практика с кейсами.

Что обсудим👇

🔧 Кто сейчас выигрывает в AI-гонке и почему

10:00–10:30 | Евгений Пятков (Dodo) — DeepSeek Moment: что происходит с кодинговыми бенчмарками, почему Китай догоняет США не только «компьютом», и за счет чего игра может перевернуться уже в этом году.

🔧 Почему сотрудники на самом деле ненавидят ИИ: как победить саботаж и построить единый AI-слой компании

10:35–11:20 | Максим Янукович (Артеус) — почему AI-внедрения буксуют внутри компаний, как бороться с сопротивлением команд и зачем бизнесу единый AI-слой вместо набора разрозненных инструментов. Поговорим про бесшовную интеграцию, корпоративную память, контроль качества и мотивацию людей использовать AI в реальной работе.
(доклад идет)

🔧 Next-best-action в Авито: как ML и LLM автоматизируют работу сейлзов

11:25–11:55 | Дмитрий Михель (Авито) — как построить трехслойную систему из рекомендаций, uplift-ранжирования каналов и LLM-слоя, который превращает фичи в убедительные аргументы. Отдельно — про инкрементальность, offline eval и защиту от абьюза метрик.

🔧 Мультиагентная LLM-платформа за 1,5 месяца: стилист, тренер и ментальный помощник

12:00–12:30 | Владислава Павликова и Ольга Логинова (MTS Web Services) — архитектура системы из доменных агентов поверх единого LLM-контура: оркестрация, мультимодальный RAG, LLM-классификатор модерации, долгосрочная память, latency/стоимость/качество и Brand Safety.

🔧 Данные для обучения LLM: рецепт, на котором Qwen 235b догнал GPT-4.1 на задачах банка

12:35–13:05 | Елизавета Афанасьева (Точка Банк) — как готовить данные для inhouse-LLM по этапам: что собирать, как фильтровать, в каких пропорциях, как держать качество и обновление пайплайна. Итог — практический рецепт, с которым можно «на коленке» дообучить open source LLM под свою задачу.

🔧 Зачем BI в эпоху AI?

13:10–14:00 | Павел Дубинин (Yandex DataLens) — нужен ли BI, когда AI уже может «навайбкодить» дашборды и приложения? Разберем, как AI реально используется в BI-продуктах сегодня, какие инструменты становятся AI-ready и что это меняет для работы с корпоративными данными — на примере Yandex DataLens и кейсов пользователей.

LLM и агенты на хайпе давно. AHA’26 на примерах покажет, кто превращает тренд в результат: считает эффект и держит экономику под контролем. Увидимся в «Физике» 🙂