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» 🙂

🛠 Оптика (1 этаж) | Практические мастер-классы для тех, кто любит делать руками, а не только уносить умные мысли в заметки

Первый воркшоп уже позади: Глеб Белов (DataLens) показал «Нейроаналитика» в деле — вайб-чартинг в Editor, генерация кастомных визуализаций по текстовому описанию, помощь с формулами и поиск инсайтов прямо в дашбордах.

Впереди ещё 4 практики с понятным результатом.

Кому точно сюда 👇

⚡️ Если вы устали тратить до 40% времени на введение LLM в контекст

🔴 11:25–12:30 | Евгений Кузнецов (Jetstyle) — AI-first workspace на базе Cursor: локальная база знаний как RAG-слой (Obsidian/Markdown), оркестрация разных моделей (Claude/Gemini) под задачи, системные правила против логических ошибок. Обещание честное: time-to-insight быстрее в 3–4 раза.
(идёт прямо сейчас)

⚡️ Если нужно быстро понять, что именно хвалят/ругают в тысячах отзывов

🟢 13:10–14:00 | Максим Дубровин (Сбер) — генеративная аналитика с GigaChat и live-coding: заставляем LLM отдавать строгий JSON, собираем пайплайн (async Python + API), получаем готовый Notebook/Colab, промпты для экстракции характеристик и чек-лист по стабильной работе с API (лимиты, цензура, формат).

После перерыва:

⚡️ Если хотите встроить AI-агентов в SDLC без промпт-хаоса

🟢 15:00–16:05 | Андрей Жуков (Faust Consulting) — AI SDLC на практике: промпты как спецификации (хранение/ревью как у кода), гейты и evidence, контрольные точки «идея → дизайн → реализация → ревью». Формат с расчетом на то, чтобы схему можно было забрать в следующий спринт.

⚡️Если кажется, что AI-автоматизация — это долго, дорого и только для больших команд

🟢 16:10–17:15 | Виталий Шатилов и Ринат Шакиров (ИТ-холдинг T1) — low-code AI на практике: кейс HR-агентства, где процесс собрали за 6 вечеров. Dify + WhisperX + LLM в одном пайплайне, а бизнес-пользователь меняет критерии через текстовое окно без кода. Плюс карта инструментов и типовые риски внедрения.

В «Оптике» сегодня тот редкий формат, где происходит «послушал → повторил → забрал в работу». Не пропустите! 👀