deep tech night

Как генеративные модели меняют рекомендательные системы: от дополнения классических подходов до одностадийных рекомендаций без ручного фичеинжиниринга.

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.

Как непрерывное развитие нейросетей влияет на требования к NPU, инференс-фреймворкам и компиляторам — на примере архитектуры Ascend и портирования SGLang.

Как в RL для больших моделей искать баланс между алгоритмами и производительностью и какие решения помогают двигать RL-обучение вперёд.

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.

Агент — это конструктор из модели, harness, инструментов и среды. Разберём, как облачная платформа собирает долгоживущую сессию агента из короткоживущих мультитенантных частей.

Как AI изменит разработку ПО, процессы и роль разработчика. Как могут эволюционировать инженерные команды и какие вызовы их ждут.