14:50-15:30

15:30-16:10

16:30-17:10

17:10-18:00

11:40-12:20

12:40-13:20

13:20-14:00

14:50-15:30

15:30-16:10

16:30-17:10

17:10-18:00

Дискуссия — Вайбкодинг сегодня: плюс вайб и минус кодинг

17:10-18:00

Вайбкодинг сегодня: плюс вайб и минус кодинг

Дискуссия о том, как изменилось отношение к инструментам вайбкодинга и способен ли он заменить классический системный подход к разработке.

11:00-11:40

MLечный путь: от цифровизации к агентским платформам

Сегодня вопрос уже не в том, внедрять AI или нет. Главный вызов — как превратить инвестиции в технологии искусственного интеллекта в измеримый бизнес-эффект и сделать их частью системы принятия решений.

В докладе покажем взгляд облачного провайдера на этот путь — от цифровизации процессов к комплексному использованию AI. Обсудим экономику инфраструктуры и роль платформенного подхода, который превращает AI из набора отдельных экспериментов в корпоративную систему агентов.

14:50-15:30

Как выбрать серверное железо под разные ИИ-нагрузки

Обсудим, чем ИИ-нагрузки принципиально отличаются от классических серверных, как тип нагрузки влияет на архитектуру и как выбрать железо под разные сценарии. Поделимся примером задачи, которую мы решили с помощью наших продуктов.

17:10-18:00

От feature importance к mechanistic interpretability: захватят ли нас машины

Поделимся последними результатами исследования интерпретируемости LLM по мотивам участия в сообществах и опыта работы над проектам red- и blue-teaming LLM. Разберемся в эволюции интерпретируемости: от классического внешнего анализа поведения к изучению внутренней структуры и механизмов.

Обсудим практические кейсы, инструменты и подходы к пониманию работы LLM и обеспечению безопасного использования генеративных технологий.

15:30-16:10

RAG для бизнеса: как ускорить процессы и снизить издержки через консолидацию знаний команд

В рабочих процессах бывает непросто отыскать какую-либо информацию, поскольку знания фрагментированы между командами и людьми. В результате на поиск тратится много времени, и это влияет на скорость бизнеса. Классические базы знаний зачастую не спасают, потому что требуют ручного сопровождения и в итоге тоже замыкаются в контуре одной команды.

В таких случаях помогает RAG — технология, которая соединяет языковую модель с базой знаний. В докладе расскажем, как консолидировать информацию из разных источников без полной миграции данных, снизить зависимость от конкретных людей и экспертов и, как следствие, ускорение типовых бизнес-процессов.

13:20-14:00

Мечтают ли агенты об ИИ-платформах

Эпоха простых взаимодействий с LLM через чат сменяется растущим запросом на агентов. Однако для их эффективной работы необходимо развивать платформенные решения. В докладе разберемся, из каких компонентов состоит современный стек для разработки и внедрения LLM-агентов, с чего начать и каких результатов ожидать.

14:50-15:30

ИИ-агенты в крупном банке — опыт, эффекты, затраты, ошибки

Поделимся опытом Альфа-Банка по внедрению ИИ-агентов в MLOps/DevOps-среду. Расскажем о трех ключевых решениях:

• агенте для описания и инспекции моделей — анализирует логи, проводит кодревью;
• агенте сопровождения «Кьюб» — получает runtime‑статус, разбирает ошибки, маршрутизирует задачи;
• бизнес‑агенте кешбэка.

16:30-17:10

Agent Driven SDLC: как меняется разработка

Поговорим про кризис SDLC и почему нельзя просто написать код и ждать результата. Разберем анатомию ИИ-агентов и критерии готовности компании к работе с ними.

15:30-16:10

Платформизация AI-систем: проблемы больших и малых компаний

Любая ML-платформа начинается одинаково: команде нужны GPU, трекинг экспериментов и способ доставить модель в прод. Сначала хватает devbox-ов, потом в каждом углу компании вырастает отдельная маленькая платформа со своим набором инструментов. GPU общие, контроль — у каждого свой. Рано или поздно велосипеды приходится парковать и строить единую платформу.

Этот путь проходит любая компания — разница в уровне проблем. Маленьким нужна гибкость: быстро собрать из open-source, легко заменить любой компонент. Большим — надежность: 500+ MAU, мультитенантность, observability и команда разработки, которая это поддерживает. Параллельно встает вопрос инференса: ML-модель — не веб-сервис, у нее свой жизненный цикл, и PaaS компании может просто не подойти.

В докладе разберем, на чем можно сэкономить, а где экономия выйдет боком — и почему инференс классических моделей и LLM приходится сочетать на одной платформе.

11:40-12:20

Экономика ИИ-агентов. Взгляд в будущее

Поделимся результатами большого исследования ИИ-агентов: какие задачи они решают, как влияют на бизнес-модели и рабочие процессы, какие риски за собой влекут и в каком направлении будут развиваться. Подробно остановимся на стоимости внедрения и на том, какой экономический эффект оказывает применение агентов в разных сферах.

12:40:13:20

ИИ в деле: как превратить пилот в производственное решение

По данным MIT, 95% GenAI-пилотов не дают измеримого результата. Но как не попасть в это большинство?

В докладе расскажу, как выбрать правильную точку входа, поделюсь методикой оценки процессов под автоматизацию и разберу три кейса с реальными результатами:
• голосовой AI-рекрутер в крупной промышленной компании (177 тысяч звонков за три месяца);
• эволюция клиентского бота Knauf от 17-страничных сценариев до AI-консультанта с базой знаний;
• голосовой ассистент на ПМЭФ-2025, который вдвое снизил нагрузку на контакт-центр.

Дополнительно на примерах покажу, как считать эффект на каждом этапе и почему стратегия малых шагов часто надёжнее, чем «всё снести и переписать».

16:30-17:10

Мир китайских GPU — загадочный и интересный

Поговорим о двух вещах, которые в российской AI-индустрии перестали быть «завтрашним днем» и стали актуальным вызовом. Во-первых — о китайских GPU как бизнес-реальности. Не о перспективах, а о том, что уже работает в продакшене: архитектурах MetaX, Moore Threads, Iluvatar, Huawei Ascend, Baidu Kunlun. Разберем, какие AI-нагрузки они тянут сегодня, какой TCO можно получить при замене NVIDIA, что уже удалось мигрировать в российских дата-центрах, а где еще требуются доработки.

Во-вторых — о стратегии управления этим ландшафтом. Когда в инфраструктуре появляются GPU от нескольких вендоров, вопрос уже не «зачем», а «как сохранить управляемость». Обсудим платформу АРКА как способ объединить гетерогенную GPU-инфраструктуру в единый ресурс: маршрутизацию моделей, единый API и работу в air-gapped среде. А также то, почему multi-vendor стратегия — это не временный компромисс, а осознанный путь к независимости от одного поставщика.