Конференция с историей про технологии будущего

MLечный путь — шестая конференция Selectel для тех, кто делает ML, и центр притяжения российской AI-экспертизы.

MLечный путь: от цифровизации к агентским платформам

Дискуссия — Вайбкодинг сегодня: плюс вайб и минус кодинг

Дискуссия

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.

Keynote

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.

Дискуссия

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.

Дискуссия

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.

Дискуссия

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.

Дискуссия

Роадмап внедрения ИИ на базе платформенных решений

Гибридная архитектура — лучший путь для построения платформенных решений, и в своем докладе я это докажу. Поделюсь сценариями, как масштабироваться с небольшой инфраструктуры и проверить PoC проекта с минимальным бюджетом. Расскажу, какие функциональные компоненты платформы необходимы, а какие опциональны. И, конечно, покажу, как выглядит наш продукт.

Дискуссия

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.

Дискуссия

Инженерия агентов: SDLC для вероятностных систем

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.

Дискуссия

Платформизация AI-систем: проблемы больших и малых компаний

Платформизация AI-систем: проблемы больших и малых компаний. Антон Алексеев, MLOps-инженер, AvitoTech
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.

Дискуссия

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.