От рутины к автономии: AI-помощник для управления облачной инфраструктурой
Программный комитет ещё не принял решения по этому докладу
Целевая аудитория
Тезисы
ADLC и процессы: Как выстроить жизненный цикл разработки (Agent Development Lifecycle) и организовать совместную работу нескольких продуктовых команд.
Эволюция архитектуры: Путь AI-помощника от запуска до стабильного продакшена спустя полгода — ошибки и решения.
Интеграции и инструменты: Как писать OpenAPI, чтобы их понимала LLM, и зачем нужен MCP-слой для управления «зоопарком» API.
Оптимизация интеллекта: Лайфхаки, как заставить mid-tier модели (бюджетные LLM) качественно выполнять сложные сценарии.
Качество и безопасность: Особенности тестирования агентов и внедрение Guardrails для защиты от взлома и инъекций.
Специалист в области машинного обучения с более чем двухлетним опытом коммерческой разработки AI-решений. Работаю в команде DS Core Cloud.ru, где реализую полный цикл проектов: от постановки задачи и сбора данных до внедрения моделей в продакшн. Имею опыт как в классическом ML, так и в компьютерном зрении, NLP и генеративных моделях. Разрабатываю и внедряю AI-агентов и решения на базе LLM, которые автоматизируют внутренние процессы и повышают удовлетворённость пользователей.
Выступал на внутренних AI-митапах и GigaConf 2025
Закончил бакалавриат МАИ по направлению "Прикладная математика и информатика". Сейчас учится в магистратуре МАИ по направлению "Фундаментальная информатика и информационные технологии".
Технический лидер Data Science в Cloud.ru.
Состою в лаборатории компьютерной графики и мультимедиа ВМК МГУ. Увлекаюсь соревновательным DS. Kaggle Competitions Master.
Видео
Другие доклады секции
Продуктизация AI-решений
