🛠 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! 👀

Open Source AI-агенты для аналитики и не только ⭐️

После перерыва в зале «Молекула» стартует трек для тех, кто хочет разобраться, как собирать AI-помощников без vendor lock-in, с прозрачной архитектурой и понятной экономикой.

Четыре истории подряд:

🔍 15:00–15:30 | Беслан Курашов (plevako.ai)

Как устроен современный AI-сервис под капотом: от выбора базовой модели и планирования действий до оркестрации всего стека. Все на хардкорном опыте plevako.ai — GPU, параллелизм, бэкенд, векторный поиск, кастомные функции. Слушатели получат ясную схему, из каких «кубиков» собираются рабочие AI-сервисы и как развернуть такой под свою задачу.

🧪 15:35–16:05 | Виктория Качалова (Kameleoon)

Команды теряют до 70% выигрышных гипотез — часть застревает в очереди на тестирование, часть «умирает» на пути к выкладке. Спикер покажет, как закрывать этот разрыв с помощью AI-агента: генерация и сборка эксперимента, помощь в поиске и оценке гипотез, деплой с помощью МСР-сервера.

📈 16:10–16:40 | Аркадий Лысяков (Т-Банк)

Почему метрики чат-ботов (CR/CSAT/время ответа) мало что говорят про LLM-агентов, и чем их заменять. Практика A/B-тестирования AI-воркфлоу и подход к контролю качества, скорости и стоимости в AI‑native‑поддержке.

📊 16:45–17:15 | Сергей Захарченко (Dopamine
Analytics, «Динамика»)

После ухода Amplitude и Mixpanel команды массово откатились к статичным дашбордам. Эксперт покажет путь «от плоского графика к AI-аналитику на примере платформы «Динамика». Отдельно — про ИИ-ассистента Дину внутри платформы: поиск аномалий 24/7, проактивная генерация гипотез и оцифровка влияния инсайтов на выручку.

Этот трек — про AI, который можно не только эффектно показать на демо, но и контролировать и развивать в реальном продукте.

Уже в 15:00 в зале «Атом» на третьем этаже стартует панельная дискуссия VK «Джуны-аналитики в эпоху GenAI» 🚀

Приходите, чтобы:
🔹Разобраться, как AI влияет на позиции джунов
🔹Услышать честные прогнозы ведущих экспертов о найме и спросе на рынке
🔹Понять, что делать начинающему аналитику, чтобы оставаться востребованным и строить карьеру

Участники:
🔹Никита Гурьянов, VK
🔹Виктор Кантор, MLinside
🔹Владимир Абазов, Т-Банк
🔹Павел Бухтик, No Data No Growth

Вместе поищем ответ на главный вопрос: исчезнут ли позиции джунов-аналитиков и нужны ли они крупному бизнесу?

Ждем на честный разговор о будущем аналитики!

Самое время заглянуть на стенд Yandex DataLens — и на практике оценить, как AI меняет работу с данными!

Вы увидите в действии AI‑агента «Нейроаналитика» 🤖, который сгенерирует дашборд по вашему запросу, а также сможете задать любые вопросы команде Yandex.

Ждем вас на первом этаже в течение всего дня — приходите, чтобы своими глазами увидеть мощь AI в анализе данных!

AI-first часто буксует не из-за моделей, а из-за более приземленных причин.

В зале «Кинетика» (1 этаж) как раз разбирают, где обычно возникают реальные ограничения.

Миф №1. «Достаточно выбрать хорошую модель»

🔴 15:00–15:30 | Александр Сидоров (Wildberries & Russ)
Почему успех data/ML-проектов зависит от зрелости компании: доступности данных, понятных целей и готовности процессов к изменениям. Уровни их развития «красный/оранжевый/зеленый», AAARRR-воронки и практичная диагностика.
(доклад идет)

Миф №2. «Менеджмент не изменится»

🕞 15:35–16:05 | Вячеслав Болгов (Президентская академия / ВШГУ)
Как ИИ забирает рутину и что делать менеджеру, чтобы играть в нападении. Реальный опыт в строгих условиях закрытого контура (госсектор): отчеты 30 минут → 30 секунд, прозрачная постановка задач в Jira и кейс с легаси-кодом, где ИИ за 15 минут решил баг, над которым бились полторы недели.

Миф №3. «AI-first — это просто чат-интерфейс»

🕓 16:10–16:40 | Аслан Байрамкулов (ЦУМ)
Переход от отдельных ML-сервисов к единому AI-помощнику: архитектура роутинга, классификация интента, оркестрация, fallback-сценарии и работа с контекстом диалога. Что уже работает, что пока нет, и с чего начинать такую схему.

🕟 16:45–17:15 | Дмитрий Якунин (MyDataHub)
Как собрать единую точку входа для AI- и ML-продуктов вместо разрозненного набора инструментов: почему один маршрутизатор лучше 500 агентов, как плагинная архитектура подключает новые продукты за дни без переписывания фронта, и как LLM собирает интерфейс под запрос.

Хорошие модели сегодня доступны многим. Разница все чаще в том, как компания умеет с ними работать — об этом говорим в «Кинетике» прямо сейчас.