В докладе разберём путь Мир Plat. Form от построения прототипа и запуска пилота до передачи в эксплуатацию собственного production-ready решения «Аист» по генерация кода в контуре компании. Из доклада узнаете, как построить архитектуру сервиса, предоставить разграниченный доступ к локальным LLM, и какие кейсы это решение позволило автоматизировать

Артём Кротов

Hачальник управления продуктовой разработки

Мир Plat.Form (АО «НСПК»)

Доклад о практичном применении ИИ в не-AI-first продукте. Разберём, где ИИ усиливает пользовательский опыт, а где усложняет систему, почему «умный поиск» — это инженерная задача, а не модель над строкой запроса. Кейсы: агрегация данных без галлюцинаций, семантический поиск с фильтрами и резервными сценариями, баланс скорости, качества и полезности. Поговорим про RAG и fine-tuning, managed и self-hosted подходы, выбор векторного хранилища, путь от гипотез к продакшену, команду и эксплуатацию

Илья Глазунов

Руководитель бэкенд-команды

Обсудим обучение эмбединг модели для медциинских диагнозов в условии неразмеченных данных. Способы разметки без людей, с помощью иеррархии, возможности использования кластеризации

Как превратить инфраструктуру проекта в полноценного члена команды? Где агентное программирование действительно экономит часы backend-разработчика? Автоматизации code review, генерация интеграций, агентное тестирование системы. Конкретные сценарии внедрения, которые позволяют сократить время на реализацию API и описание интеграций, возвращая фокус на сложные инженерные задачи

Георгий Строев

Ведущий Python-разработчик

Практика внедрения генеративного искусственного интеллекта во внутреннем контуре компании. От идеи до стратегии цифровой трансформации бизнес-процессов с помощью инструментов на базе искусственного интеллекта. Практические кейсы, что получилось, а что нет

Дмитрий Шабанов

Директор по ИИ

RAG красиво работает на демо, но в проде начинает ломаться. Модель звучит уверенно, даже когда ошибается, а поиск подсовывает нерелевантные данные. Проблемы чаще всего не в LLM, а в данных, поиске и пайплайне. Покажу, где теряется смысл из-за embeddings и chunking, почему без оркестрации нет контроля и как ошибки масштабируются вместе с системой. Разберу, что реально помогает: гибридный поиск, rerank, query rewrite и fallback, и как довести RAG до стабильного продакшена

Дмитрий Туманов

Fullstack Python Middle+ DataScience + AI

Разберем, как выстроить долгую автономную работу coding-агентов: от задач в трекере до control planner с оркестратором, раннерами и guardrails. Покажу, как агент планирует шаги, где работает самостоятельно, а где должен остановиться и запросить проверку. Обсудим, как ограничивать риски, чтобы агент не ломал окружение, не зацикливался и не терял контекст

Геннадий Евстратов

Руководитель мобильной разработки Яндекс Про, Яндекс Go

Поделюсь практическим опытом переезда высоконагруженных AI-сценариев с вендорских моделей (MaaS) на локальные on-premise LLM, STT и эмбеддинги. Разберём реальные инженерные проблемы: ограничения контекстного окна и его ресурсоёмкость, деградацию скорости инференса (в том числе на vLLM), сложности балансировки нагрузки. Развенчаем мифы о хостинге моделей и поделимся инсайтами из эксплуатации ансамбля, обрабатывающего миллионы запросов в месяц

Сергей Нотевский

AI Platform Lead

Индустрия обсуждает автономных агентов, но бизнесу по-прежнему нужны точность, безопасность данных и предсказуемые затраты. Разберу, как находить баланс между хайпом и реальными задачами: сравним workflow-подход и agentic-системы на практике, обсудим роль дата-инженерии и eval в продакшене, а также плюсы и ограничения локального инференса LLM

Артём Вишня

Основатель и CEO