В рабочих чатах полно асапных задач, согласований и правок, но не хватает любви? Забирайте стикерпак, с которым общаться с коллегами станет еще приятнее.

Вообще-то мы пишем о любви не раз в год, а довольно регулярно. Если вы пропустили, вот подборка постов о любви к профессии:

➡️ Чем QA-инженеры отличаются от волков и змей

➡️ Кто такой товарищ программист Си

➡️ Как кошка съела акулу, и почему ИИ должен дружить с БД

➡️ Кому звонят, когда падает прод

➡️ У какого детектива лицензия на производительность

Поделитесь стикерами и постами с коллегами — несите любовь в рабочие чаты.

PGMeetup.SPB/26 — традиционная февральская встреча Postgres Professional и Selectel

Встречаемся 26 февраля в Санкт-Петербурге, чтобы поговорить о том, как строить эффективную инфраструктуру, когда требования СУБД встречаются с реальными возможностями железа и облаков.

Зимним вечером увидимся на Цветочной улице и обсудим темы, которые с флорой никак не связаны: как устроены современные S3-хранилища, как тестируют аналитические СУБД, и наконец разберемся в споре вокруг P- и E-ядер.

Программа:

➡️ Кошкино время
Михаил Жилин, Postgres Professional — директор департамента системной производительности

Как измерять время выполнения, когда нужны доли секунды и от вас ждут конкретных цифр. На примере тестирования OLAP-запросов в Postgres Pro и ClickHouse — и с неожиданными параллелями к баг-репорту эмулятора PlayStation 3 и исследованиям про фотоэмиссию.

➡️ Как мы строим S3 в Selectel
Александр Гришин, Selectel — руководитель по развитию продуктов хранения данных
Алексей Миронов, Selectel — директор по облачной инфраструктуре

Что такое объектное S3-хранилище и зачем оно нужно. Как выглядит S3 на физическом уровне: ЦОДы, стойки, серверы, дисковые подсистемы. А еще — архитектура приложения (layered design, микросервисы, ключевые компоненты), клиентские кейсы и использование S3 как основы для дата-платформ.

➡️ Эпоха универсальных CPU закончилась: как выбрать между P- и E-ядрами Xeon 6
Максим Башмаков, Selectel — руководитель отдела тестирования оборудования

Зачем Intel разделил Xeon 6, куда смотрят облака и почему универсальные CPU перестали быть оптимальными. Плюс типовые ошибки при выборе сервера или CPU и результаты тестов.

📍 Где и когда:

Санкт-Петербург, офис Selectel, ул. Цветочная, 19

26 февраля, 18:30

Регистрируйтесь и приходите с хорошим настроением и вопросами к спикерам.

На входе понадобится паспорт. До встречи!

На DUMP SPB 2026 Евгений Пажитнов, технический менеджер Postgres Professional, выступил с докладом «Снижение количества критичных инцидентов при эксплуатации продуктивных систем».

Это был доклад про неприятную правду эксплуатации: даже если система спроектирована правильно и в ней есть репликация, резервирование и балансировка, критичные сбои все равно случаются.

И только часть инцидентов имеет чисто технические причины. Остальное обычно упирается в людей и процессы.

Евгений рассказал, как перейти от героической поддержки к проактивной. Не тушить пожары быстрее, а уменьшать их число за счет оценки текущего состояния и понятного плана улучшений.

Этот мини-чеклист нужен тем, кто отвечает за стабильность прода: DBA, SRE и инженерам эксплуатации, тимлидам и владельцам критичных сервисов. Он помогает за 10 минут понять, где в повседневной эксплуатации у вас слабые места, которые чаще всего превращают небольшой сбой в критичный инцидент.

✔️ Мониторинг работает 24x7, шлет уведомления, и у предупреждений есть владелец?

✔️ Зафиксирован базовый уровень и отклонения для CPU, дискового ввода-вывода, задержки диска, памяти и пользовательской нагрузки?

✔️ Обновления ставятся регулярно, есть тестовое окружение, и для каждого изменения предусмотрен откат?

✔️ Есть план аварийного восстановления, детализированный до команд, и его регулярно прогоняют с фиксацией времени восстановления?

✔️ Ведется журнал изменений с датой, автором, старым и новым значением и причиной?

Если по большинству пунктов у вас все закрыто, инциденты проще переживать: проблему быстрее замечают, изменения можно откатить, восстановление идет по понятному сценарию.

Если набралось несколько «Нет», это уже системный риск: при следующем сбое команда будет импровизировать, а простой почти наверняка затянется.

Сначала отработайте аварийное восстановление и фиксируйте реальное время возврата сервиса. Затем наведите порядок в изменениях: тестовый контур, откат, журнал. И уже после усиливайте мониторинг и базовые показатели, чтобы ловить отклонения до аварии.

Так звучала бы пятница перед тремя выходными, если бы она была песней 🐘

Савелий подготовил подборку статей, книг и курсов для тех, кто хочет вкатиться в работу с LLM.

Некоторые статьи из подборки Савелий не только прочитал, но и написал.

🔘 Книги

Многие книги в этой области быстро устаревают, особенно, если они направлены на какой-то конкретный новомодный фреймворк. Поэтому ориентируйтесь на фундаментальную теорию и наборы практик.

Вот некоторые из них:

📕 Серрано Луис «Грокаем машинное обучение». Очень хорошая база для людей, которые только знакомятся с тем, что из себя представляет машинное обучение.

📕 Орельен Жерон «Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow». Практическая база MLE: как устроены типовые пайплайны.

📕 Дэвид Свит «Тюнинг систем: экспериментирование для инженеров от A/B-тестирования до байесовской оптимизации». Сильная книга именно под культуру экспериментов, бенчмаркинг и итеративные улучшения.

📕 Lewis Tunstall, Leandro von Werra, Thomas Wolf "Natural Language Processing with Transformers". Хорошая книга для входа в трансформеры и прикладной NLP/LLM-стек.

🔘 База по ML/DL

Stepik: "Deep Learning". Вводный курс по Deep Learning.

Andrej Karpathy: "Neural Networks: Zero to Hero". Очень понятный путь от backprop до GPT.

Общая витрина курсов Hugging Face Learn. Удобно выбрать ровно тот трек, который нужен — LLM/agents и так далее.

Курс «Машинное обучение» 2019 года от К. В. Воронцова. Для тех, кто хочет углубиться в математику ML.

🔘 LLM как прикладная система: prompting, tooling, context engineering, RAG, evaluation

Claude Cookbook. Практические паттерны для LLM-приложений: prompting, tool use, RAG, evals, agent building и так далее.

«Базовый минимум. Часть 3: RAG-системы». Нормальный вводный текст с терминологией и базовой архитектурой.

«Выбор LLM и фреймворка для ИИ-агентов». Прикладной разбор стека и инженерных решений для LLM-продуктов и экспериментов.

«Будущее ИИ — формальные грамматики». Про контролируемый/структурированный вывод и почему это важно для надежности ИИ-систем.

Evidently AI: "LLM evaluation: a beginner’s guide". Вводный гайд по типам оценок, метрикам, тест-наборам и рабочим процессам.

🔘 Fine-tuning — дообучение LLM под конкретную задачу

Aliona Surovtseva, Innovation Analyst: "LLM training: the process, stages, and fine-tuning gritty details". Про этапы обучения LLM.

Cameron R. Wolfe: "Understanding and Using Supervised Fine-Tuning (SFT) for Language Models". Описание того, что такое SFT и как использовать этот подход для обучения языковых моделей.

Sebastian Raschka: "Parameter-Efficient LLM Finetuning With LoRA". Понятная статья про LoRA.

«Как мы готовим RL для Alignment в больших языковых моделях: опыт команды YandexGPT». Про алгоритмы DPO и PPO и их использование.

Yihua Zhang: "From GRPO to DAPO and GSPO: What, Why, and How". GRPO → DAPO → GSPO.

«Как мы обеспечили +33% к точности на сложных SQL-запросах». Пример того, как использовать RL для обучения на конкретной задаче.

Сохраняйте подборку себе и отправляйте коллегам. Оставляйте в комментах свои любимые материалы по теме.
#польза