Прием заявок открыт

AI & Analytical Engineering

• Агентные аналитические системы: от вопроса пользователя к данным, проверяемым выводам и управляемым действиям (tool-use, guardrails, деградации).
• LLM-агенты для аналитики и BI-воркфлоу: автономность/полуавтономность, маршрутизация запросов, защита от «ошибок уверенности» и поддержка корректности результата.
• Генеративные/адаптивные BI-дэшборды и "trusted analytics": ссылки на источники, калибровка доверия, объяснимость и аудит ответов.
• AI-assisted data exploration: профилирование данных, поиск аномалий, генерация гипотез и автоподсказки следующего шага.
• Архитектурные паттерны для хранилищ данных и их грабли.
• Примеры построения корпоративных хранилищ данных и извлеченные уроки.
• dbt и современные инструменты трансформации данных.
• Superset, DataLens и другие BI-инструменты: практики внедрения, применения и кастомизации.
• Нативные встраиваемые движки и кейсы применения для задач аналитики и BI: DuckDB, Polars, chDB и другие.
• Оптимизация SQL-запросов и построение эффективных аналитических моделей.
• Внедрение агентных аналитических сценариев на локальных/онпрем и российских платформах.

Data Engineering and DB Internals

• Архитектура аналитических платформ: от DWH к Data Lake и Data Lakehouse.
• Особенности, кейсы применения и другие подводные камни Open Data Formats (Iceberg, Hudi, Delta Lake и других).
• MPP-базы данных: архитектура, особенности работы, успешные и не очень кейсы применения.
• Интеграция данных: low-code решения, CDC и другие подходы.
• Оркестрация: от банального Airflow до экзотичных и интересных Kestra и Flyte.
• Мониторинг и обеспечение качества данных: фреймворки, платформы и практика внедрения.
• Дата-стек на Kubernetes и S3: опыт, грабли, рекомендации.
• Большие и очень большие дата-платформы на базе старых добрых Hadoop и YT.
• Database Internals: как устроены современные распределенные базы данных.

LLM Engineering & LLM Ops

• Разработка production RAG-пайплайнов: качество retrieval, rerank, кэширование, cost/latency, оценка и тестирование.
• Векторные БД и индексы: стратегии обновления, масштабирование, метрики эффективности.
• LLM Ops: оценка, мониторинг качества генерации, трассировка, релизы и версионирование промптов/данных.
• Надежность GenAI: галлюцинации, калибровка доверия, human-in-the-loop, управляемые ограничения.
• CI/CD для LLM-систем: автоматизация обучения/оценки (если применимо), проверок качества, деплоя и rollback.
• LLM-агенты (agent orchestration) в инженерной практике: инструментальные вызовы, планирование, управляемые сценарии tool-use.
• Мультиагентные системы: координация ролей, конфликты/переговоры, memory, распределение задач и контроль завершения.
• Fine-tuning и компрессия под прод: LoRA/QLoRA, дистилляция, практики «качество vs стоимость vs скорость».
• Мультимодальные пайплайны (текст + изображение/аудио): retrieval, evaluation и эксплуатация.
• Синтетические данные для обучения и тестирования ML/LLM-моделей.

ML Engineering and MLOps

• Разработка собственных ML-платформ или внедрение open source (Kubeflow, etc.).
• Experiment Tracking (Mlflow, neptune.ai, Weights & Biases, etc.).
• Построение собственных Feature Stores или внедрение и кастомизация open source.
• Мониторинг и эксплуатация моделей в продакшене: drift/алертинг, объяснимость, A/B, анализ ошибок и деградаций.
• CI/CD для ML-проектов: автоматизация обучения и деплоя моделей.
• Оптимизация инференса и ML-serving: latency/cost, batch vs real-time, GPU/CPU scheduling, отказоустойчивость.
• Платформы распределенного обучения больших ML-моделей: проектирование, эксплуатация и «начинка».