5 сентября
в Яндексе
прошла
конференция
о технологических
вызовах
в эпоху AI
в Яндексе
прошла
конференцияо технологических
вызовах
в эпоху AI
Вот как это было.
17 000+
Онлайнучастников
23
Лидераиндустрии
доклады
экспертов мирового
уровня
экспертов мирового
уровня
В двух форматах: Hard — технические доклады с акцентом на сложность и масштаб задач, Experiment — лайтнинги и интерактивные кейсы об опытах с AI‑агентами.
13:15 - 13:50
От классического ML к генеративным моделям: незаметная революция в RecSys
Как генеративные модели меняют рекомендательные системы: от дополнения классических подходов до одностадийных рекомендаций без ручного фичеинжиниринга.
- Алексей Гусаков CTO Бизнес-группы Поисковых сервисов и ИИ, Яндекс
13:50 - 14:30
Physical AI без купюр
Построить стек для продуктов Physical AI — понятная задача. Но запустить его в реальных условиях, не сломать и научить большему, чем не врезаться в стену, — совсем другая история.
- Сергей Мельник Руководитель сервиса Автономного транспорта и роботов, Яндекс
14:30 - 15:10
Влияние трендов развития нейросетей на архитектуру NPU и инференс-фреймворки
Как непрерывное развитие нейросетей влияет на требования к NPU, инференс-фреймворкам и компиляторам — на примере архитектуры Ascend и портирования SGLang.
- Егор Филимонов Лидер команды по ускорению инференса на NPU в SGLang
16:30 - 17:10
Инфраструктура RL-обучения
Как в RL для больших моделей искать баланс между алгоритмами и производительностью и какие решения помогают двигать RL-обучение вперёд.
- Иван Сапожков Руководитель группы базовой ML-инфраструктуры, Яндекс
17:10 - 17:50
Наш путь обучения GigaChat 3.5
Разберём путь GigaChat 3.5 от собственного претрейна и архитектуры до элайнмента, reasoning и оценки готовой модели.
Обсудим, зачем обучать LLM с нуля, как масштабировать модели и данные, что меняется при добавлении RL и reasoning, какую роль играют инфраструктура и внешние инструменты, а также зачем открывать модели в опенсорсе и как сравнивать их с другими решениями.
Обсудим, зачем обучать LLM с нуля, как масштабировать модели и данные, что меняется при добавлении RL и reasoning, какую роль играют инфраструктура и внешние инструменты, а также зачем открывать модели в опенсорсе и как сравнивать их с другими решениями.
- Валентин Мамедов GigaChat Text Pretrain Lead, Сбер
- Евгений Косарев Head of ML GigaChat Text, Сбер
17:50 - 18:30
Облако в эпоху AI: архитектура платформы для гибридных агентов
Агент — это конструктор из модели, harness, инструментов и среды. Разберём, как облачная платформа собирает долгоживущую сессию агента из короткоживущих мультитенантных частей.
- Василий Ершов Руководитель AI Studio Tech, Yandex Cloud
19:00 - 19:45
За пределами LLM: что дальше после первого поколения AI-систем
Как AI изменит разработку ПО, процессы и роль разработчика. Как могут эволюционировать инженерные команды и какие вызовы их ждут.
- Мо Гавдат ex-Chief Business Officer, Google X
13:15 - 13:55
От поиска к агентам: путь Алисы
Разберём, как создаются агентские продукты в Алисе: от SDK и работы с моделями до пользовательского интерфейса. Обсудим ключевые инженерные вызовы и выясним, что нужно, чтобы превратить генеративного агента в массовый продукт.
- Павел Капля Руководитель продуктовой разработки Алисы, Яндекс
13:55 - 14:35
Волна по запросу в Люмене
Новая фича в Яндекс Музыке умеет строить персональную Мою волну по запросу пользователя. Мы рассмотрим архитектуру модели, подходы к её обучению и разметке данных.
- Александр Сафронов Руководитель отдела ML и AI, Яндекс Фантех
14:35 - 15:15
AI-managed Лавка: как AI становится управляющим слоем физического мира
Как AI-агенты берут на себя управление спросом, остатками, поставками, сборкой и доставкой и что нужно, чтобы встроить агентный контур в работающий бизнес.
- Станислав Макеев ДДиректор по технологиям и AI-трансформации, Яндекс Лавка
16:30 - 16:50
AI и продуктивность в Яндексе: что реально заработало
Что происходит с профессией разработчика: ускорение на 10–30% или тихая, но радикальная перестройка команд? Мы весь год измеряли эти показатели и готовы поделиться цифрами.
- Андрей Попов Руководитель общепортальных компонент, Яндекс
16:50 - 17:10
Создание и развитие продуктов с помощью агентов: новый поворот
Пробежимся по ключевым выборам, которые приходилось делать последние полтора года, и посмотрим, как менялся наш подход: от инструментов и сотен интеграций к полной перестройке процесса SDLC.
- Александр Лукьянченко CTO, Tech Platform, Авито
17:10 - 17:30
AI4SDLC: что бы я сделал по-другому
Разберём кодизайн AI-систем: как инфраструктура, модели, агентный слой, evals и трассы влияют друг на друга и формируют единый цикл улучшений. На примерах разных типов AI-компаний обсудим, где проходит разумная граница владения стеком: что можно арендовать, что стоит адаптировать, а что критично сохранять внутри компании.
- Александр Поломодов CTO & Technical Fellow
17:30 - 18:30
Дискуссия: AI Productivity
- Александр Лукьянченко CTO, Tech Platform, Авито
- Александр Поломодов CTO & Technical Fellow
- Александр Мазько CPO Giga-продуктов для разработчиков, Сбер
- Олег Смоляков Chief of Engineering Staff, Яндекс
19:00 - 19:40
ML «вслепую»: как построить MLOps-систему в условиях On-Premise и Zero-Data-Access
Как создать полноценный MLOps-контур без доступа к данным: обучение, мониторинг, контроль совместимости версий, silent-режим, анализ ошибок и безопасная поставка новых моделей.
- Данила Ваганов Руководитель группы, Positive Technologies
13:10 - 13:15
Вступление от ведущего
- Алексей Обровец Тренер по публичности, Obrovets.ru
13:10 - 13:15
Вступление от ведущей
- Елена Щеплова Руководитель курьерских продуктов, Яндекс
13:15 - 13:50
От классического ML к генеративным моделям: незаметная революция в RecSys
Как генеративные модели меняют рекомендательные системы: от дополнения классических подходов до одностадийных рекомендаций без ручного фичеинжиниринга.
- Алексей Гусаков CTO Бизнес-группы Поисковых сервисов и ИИ, Яндекс
13:15 - 13:55
От поиска к агентам: путь Алисы
Разберём, как создаются агентские продукты в Алисе: от SDK и работы с моделями до пользовательского интерфейса. Обсудим ключевые инженерные вызовы и выясним, что нужно, чтобы превратить генеративного агента в массовый продукт.
- Павел Капля Руководитель продуктовой разработки Алисы, Яндекс
13:50 - 14:30
Physical AI без купюр
Построить стек для продуктов Physical AI — понятная задача. Но запустить его в реальных условиях, не сломать и научить большему, чем не врезаться в стену, — совсем другая история.
- Сергей Мельник Руководитель сервиса Автономного транспорта и роботов, Яндекс
13:55 - 14:35
Волна по запросу в Люмене
Новая фича в Яндекс Музыке умеет строить персональную Мою волну по запросу пользователя. Мы рассмотрим архитектуру модели, подходы к её обучению и разметке данных.
- Александр Сафронов Руководитель отдела ML и AI, Яндекс Фантех
14:30 - 15:10
Влияние трендов развития нейросетей на архитектуру NPU и инференс-фреймворки
Как непрерывное развитие нейросетей влияет на требования к NPU, инференс-фреймворкам и компиляторам — на примере архитектуры Ascend и портирования SGLang.
- Егор Филимонов Лидер команды по ускорению инференса на NPU в SGLang
14:35 - 15:15
AI-managed Лавка: как AI становится управляющим слоем физического мира
Как AI-агенты берут на себя управление спросом, остатками, поставками, сборкой и доставкой и что нужно, чтобы встроить агентный контур в работающий бизнес.
- Станислав Макеев Директор по технологиям и продукту, Яндекс Лавка
16:30 - 17:10
Инфраструктура RL-обучения
Как в RL для больших моделей искать баланс между алгоритмами и производительностью и какие решения помогают двигать RL-обучение вперёд.
- Иван Сапожков Руководитель группы базовой ML-инфраструктуры, Яндекс
16:30 - 16:50
AI и продуктивность в Яндексе: что реально заработало
Что происходит с профессией разработчика: ускорение на 10–30% или тихая, но радикальная перестройка команд? Мы весь год измеряли эти показатели и готовы поделиться цифрами.
- Андрей Попов Руководитель общепортальных компонент, Яндекс
16:50 - 17:10
Создание и развитие продуктов с помощью агентов: новый поворот
Пробежимся по ключевым выборам, которые приходилось делать последние полтора года, и посмотрим, как менялся наш подход: от инструментов и сотен интеграций к полной перестройке процесса SDLC.
- Александр Лукьянченко CTO, Tech Platform, Авито
17:10 - 17:50
Наш путь обучения GigaChat 3.5
Разберём путь GigaChat 3.5 от собственного претрейна и архитектуры до элайнмента, reasoning и оценки готовой модели.
Обсудим, зачем обучать LLM с нуля, как масштабировать модели и данные, что меняется при добавлении RL и reasoning, какую роль играют инфраструктура и внешние инструменты, а также зачем открывать модели в опенсорсе и как сравнивать их с другими решениями.
Обсудим, зачем обучать LLM с нуля, как масштабировать модели и данные, что меняется при добавлении RL и reasoning, какую роль играют инфраструктура и внешние инструменты, а также зачем открывать модели в опенсорсе и как сравнивать их с другими решениями.
- Валентин Мамедов GigaChat Text Pretrain Lead, Сбер
- Евгений Косарев Head of ML GigaChat Text, Сбер
17:10 - 17:30
AI4SDLC: что бы я сделал по-другому
Разберём кодизайн AI-систем: как инфраструктура, модели, агентный слой, evals и трассы влияют друг на друга и формируют единый цикл улучшений. На примерах разных типов AI-компаний обсудим, где проходит разумная граница владения стеком: что можно арендовать, что стоит адаптировать, а что критично сохранять внутри компании.
- Александр Поломодов CTO & Technical Fellow
17:50 - 18:30
Облако в эпоху AI: архитектура платформы для гибридных агентов
Агент — это конструктор из модели, harness, инструментов и среды. Разберём, как облачная платформа собирает долгоживущую сессию агента из короткоживущих мультитенантных частей.
- Василий Ершов Руководитель AI Studio Tech, Yandex Cloud
17:30 - 18:30
Дискуссия: AI Productivity
- Александр Лукьянченко CTO, Tech Platform, Авито
- Александр Поломодов CTO & Technical Fellow
- Александр Мазько CPO Giga-продуктов для разработчиков, Сбер
- Олег Смоляков Chief of Engineering Staff, Яндекс
19:00 - 19:45
За пределами LLM: что дальше после первого поколения AI-систем
Как AI изменит разработку ПО, процессы и роль разработчика. Как могут эволюционировать инженерные команды и какие вызовы их ждут.
- Мо Гавдат ex-Chief Business Officer, Google X
19:00 - 19:40
ML «вслепую»: как построить MLOps-систему в условиях On-Premise и Zero-Data-Access
Как создать полноценный MLOps-контур без доступа к данным: обучение, мониторинг, контроль совместимости версий, silent-режим, анализ ошибок и безопасная поставка новых моделей.
- Данила Ваганов Руководитель группы, Positive Technologies
