Доклады (программа в стадии формирования)

Агентные системы часто быстро превращаются в набор разрозненных промптов, тулов и частных решений, которые сложно сопровождать и масштабировать. В докладе расскажу, какие проблемы мы встретили в реальных проектах и почему пришли к Schema-Guided Reasoning как к способу сделать поведение агентов более предсказуемым, управляемым и повторяемым. Разберем типовые сложности с отладкой и ростом числа интеграций, а также как мы упаковали эти уроки в архитектуру SGR Agent Core.

Покажу, как устроена централизованная настройка через конфиг и зачем она нужна, чтобы единообразно управлять моделями, промтами, инструментами и окружениями без правок по всему коду. Отдельно разберем OpenAI-совместимый сервер, который позволяет подключать фреймворк как привычный backend для клиентов и быстро встраивать его в существующий стек.

Главная идея - пользователям не нужно разбираться в том, как работает ядро, чтобы собирать свои решения. Мы обсудим, как проектировать агентов и инструменты как расширения поверх стабильного API, какие паттерны упрощают разработку и поддержку, и как ускорить путь от прототипа к продакшену без потери контроля над поведением агентной системы.

AI-агенты в продакшене — это больше не эксперимент, а критичная инфраструктура. Но как понять, правильно ли агент отвечает, где и почему он «галлюцинирует» и во сколько реально обходится его использование?

На мастер-классе мы разберём Langfuse — open source инструмент наблюдаемости для AI-приложений. Покажем, как организовать централизованный мониторинг ИИ-агентов и прямо на месте сделаем вашего агента наблюдаемым. Участники научатся трассировать вызовы LLM, собирать метрики, оценивать качество ответов и выполнять диагностику агентов так же, как и обычных продовых сервисов и приложений.
Минимум слайдов, максимум практики: реальный агент, реальный прод-подход и живое инструментирование вместе с аудиторией.

Мир переходит от индустриального общества к цифровому, и этот переход совпадает со сменой лидера на Восток. Моя поездка по китайским компаниям (Baidu, Xiaomi, SenseTime и других) позволила мне увидеть их устройство и культуру в действии. Я увидел, как совмещается свобода и инициатива с организацией команды в военный отряд, как без страхов и пренебрежения интегрировать ИИ в работу и повседневную жизнь, как эпоха перемен воспринимается как возможность, а не проклятие, как государство руководит через координацию, а не директивы. Я расскажу об этом, и поразмышляю, как все это повлияет на мировую ИТ-индустрию. Надеюсь, что это поможет вам разобраться в происходящих изменениях, взять полезные практики, и лучше проектировать личную траекторию жизни.

Сегодня почти каждая компания стремится встроить ИИ в свои продукты. Однако во многих случаях это происходит в погоне за трендом, без чёткого понимания, как «магия ИИ» превратится в реальную ценность для пользователя и окупится для бизнеса.
Рынок переполнен экспериментами: в каждом приложении появляется чат с ИИ и часто он раздражает пользователей больше, чем помогает. Возникает вопрос: проблема в самом подходе к ИИ, в данных и технологиях или в продуктовых решениях и завышенных ожиданиях?

Мы предлагаем вынести этот разговор из зоны презентаций и маркетинговых кейсов в формат парламентских дебатов — честного, острого и аргументированного спора.

На одной сцене соберутся продакт-менеджеры и ML-инженеры из крупных компаний, которые представят противоположные позиции и будут отстаивать их на основе реальных кейсов и опыта внедрения ИИ в продукты.

В Мастер-классе вы увидите и сами попробуете сделать свой датасет для обучения модели и обучите модель, на данных размеченных людьми, gpt и сгенерированными.

Серия коротких, ярких, разных историй про то, как можно улучшить ваши датасеты и выжать из данных максимум.

Кого послушаем (список пополняется):

• Как смотреть на табличные данные: подвыборки и мета-характеристики вместо отдельных объектов / Ирина Деева

Табличные данные — один из самых распространённых форматов в машинном обучении, однако до сих пор не существует устойчивого и универсального способа «смотреть» на них. В отличие от изображений или текста, отдельный объект табличного датасета редко несёт самостоятельную семантическую нагрузку. В этом докладе я покажу, почему point-wise взгляд на табличные данные может быть неэффективен, и предложу альтернативу: рассматривать подвыборки данных и их мета-характеристики как основной объект анализа. Мы обсудим, как такие представления позволяют: лучше описывать структуру данных, выявлять скрытые сдвиги распределений, строить более реалистичные тесты для оценки устойчивости моделей.

Подход будет проиллюстрирован на задаче out-of-distribution (OOD) тестирования, где подвыборки с контролируемыми мета-характеристиками позволяют заранее оценивать деградацию качества моделей - даже при отсутствии реальных OOD-данных.

Обсудим рабочий процесс создания статьи в области искусственного интеллекта от генерации идеи, через процесс написания текста и подачи на конференции, до продвижения своей работы в сообществе. Отдельно обсудим использованием современных LLM инструментов автоматизации научного процесса.

Автоматизации в клиентском сервисе — чат-боты и подсказки оператору — быстро развиваются, но их качество сложно мониторить: ручная разметка дорогая, а продуктовые метрики (AHT/CSAT) не позволяют найти инсайтов, обнаружить систематические проблемы. В докладе я расскажу, как мы построили систему LLM-судей, которая оценивает весь прод-поток и формирует на дашбордах метрики качества по ключевым критериям, а небольшую долю запросов параллельно проверяют эксперты — для калибровки и контроля судьи.
Разберём, какие критерии реально работают для оценки чат-ботов и GPT-ассистентов, как подбирать промпты для судьи, что стоит/не стоит показывать судье (контекст, логи, мету). Поделюсь практическими приёмами, схемой пайплайна, а также набором граблей и решений, которые помогли сделать систему стабильной и полезной для продуктовой команды. Также поговорим про то, какие глобально есть best practice и тренды по настройке LLM-судей, что из этого мы пробовали и какие результаты получили.

Неформальное общение с эспертами продуктизации AI — теми, кто уже прошел огонь, воду, сопротивление изменениям и бюджетные комитеты.

Формат: 5 тематических столов, каждый ведет спикер-модератор. Участники выбирают стол по теме, которая болит больше всего, после чего — свободное общение. Через 20 минут — ротация, можно перейти к другому столу.

«Покажи деньги»
Как обосновать ROI от AI, когда есть MVP без цифр, построить бизнес-кейс на прокси-метриках и разговаривать с бизнесом на понятном им языке.

«Это не магия»
Как управлять ожиданиями стейкхолдеров, когда CEO хочет «наш GPT к пятнице», а продажи уже наобещали клиентам то, чего даже нет в бэклоге.

«У нас есть данные (нет)»
Как строить AI, когда данные в экселях, а цифровизация только запланирована на Q4.

«Пилот прошел, что дальше?»
Как перейти от успешного эксперимента к масштабированию, и почему 90% пилотов умирают на этом этапе.

«Оно не работает»
Как побороть сопротивление внутри команды, перестать быть угрозой и доказывать ценность AI тем, кто в нее не верит.

На мастер-классе разберем существующие технологии для создания VoIP с ИИ, создадим своего ИИ-агента для обработки звонков: от SIP-транка до живого диалога с эмпатичными ответами, а также рассмотрим варианты оптимизации, observability звонков, ускорения обработки и масштабирования решения.

Владение китайским — это не "ещё один язык", а способ читать модели так, как их читают создатели. Fun fact: китайский язык естественно оптимизирован под transformer-архитектуры.

Я хочу поделиться своим опытом изучения китайского технического языка, который помог реализовать несколько проектов в области Computer Vision и LLM с помощью последних OpenSource моделей и что бы я порекомендовал сейчас самому себе, если при пришлось прямо сейчас этот язык учить с нуля с учетом недавно появившихся технологий.