Прием заявок открыт

Нам интересны следующие темы

• 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».