Save the date: 20 мая встретимся на Inside AI Meetup от Wildberries & Russ

• «Векторный поиск в модерации контента: как поместить более 200 моделей в 1 ансамбль»
  Лев Нечаев, Руководитель команды «Автоматическая модерация методами ИИ» Wildberries & Russ

  Векторный поиск — элемент 2-stage модерационных моделей, позволяющий снизить Time to market модерации без дополнительного обучения ^[2] моделей. Расскажем весь пайплайн: от первых моделей до появления универсальных детекторов на основе векторного поиска, о технических сложностях сбора данных, реализации высоконагруженных детекторов. На практических примерах покажем преимущества векторных детекторов по сравнению с обычными one-stage детекторами.

• «Внедрение AIOps-практик для контроля и повышения общей утилизации ресурсов для тысяч продуктовых сервисов»
  Даниил Понизов, Team Lead MLOps, Wildberries & Russ
  Роман Лазовский, MLOps Engineer, Wildberries & Russ

  Расскажем кто такой ваш этот AIOps и как он помогает решать проблемы, возникающие при промышленной эксплуатации ML и GenAI сервисов требующих большого количества дорогостоящих ресурсов.
  В докладе будет наш опыт ^[3] внедрения AIOps платформы KeepHQ, как она помогла нам повысить утилизацию ресурсов нашего ресерч кластера и сотни продовых ML сервисов в 1.5 раза, а также автоматизировать процесс реагирования ^[4] и контроля разрешения поступающих алертов.

• «RAG, который не галлюцинирует (почти)»
  Артем Каледин, Tech Lead CVM B2B, MWS
  Александр Швайко, Junior MLE CVM B2, MWS

  Но может полностью сломаться из-за одного ранжировщика.
  Мы разработали RAG-ассистента — чат-бота на базе LLM, который помогает клиентским менеджерам корпоративного сегмента мгновенно находить точную информацию о 100+ продуктах компании (в рамках mvp = 3) с учётом региональной специфики, цен и нюансов подключения. Сегодня более 1 000 менеджеров готовятся к сотням звонков и встреч вручную, без единого инструмента, что приводит к неточным ответам клиентам и потерям в десятках и сотнях миллионов рублей. Решение построено на архитектуре RAG с использованием модели QWEN3-8B, эмбеддингов BGE-M3 и гибридного поиска (Vector + BM25 через RRF), а ключевым элементом качества стал реранкер — в докладе мы подробно сравним две его версии (на основе FlagEmbedding и metadata-эвристик), покажем метрики, разберём ошибки ^[5] на конкретных примерах и продемонстрируем живое демо системы.

• «Что на самом деле представляет запуск продуктов на базе LLM» 
  Юрий Софронов, руководитель направления «Модели и сервисы для ИИ-Ассистентов», Wildberries & Russ

  Расскажу про то, что разработка и интеграция в продукт ИИ решений на самом деле из себя представляет.
  Часто все представляют это так (и сильно ошибаются): скачал пару open-source библиотек, настроил промпты, прокинул API до LLM. Расскажу, что в реальности кроется за тем, чтобы вывести в прод LLM-based сервисы, какие этапы предстоит пройти, что точно делать не стоит, про что точно стоит не забыть.

• «Автоматические гардрейлы» 
  Владимир Солодкин, ведущий исследователь Института ИИ МФТИ

  Модели защиты (guardrails) являются важным дополнением к основной большой языковой модели (LLM), решающей бизнес задачи. Guardrails защищают от попыток вытащить из LLM запрещенную, конфеденциальная, некорреткную, компрометирующая информацию. Спектр угроз и их изощренность растет с каждым днем. В докладе рассмотрим мультиагентное решение, которое в режиме реального времени анализирует текущие способы атак, например, возникающие в Интернете (в научной литературе, блогпостах и тд), и автоматически дообучает модели защиты. Обсудим и возможность эволюционной модификации не только модели защиты, но и создание новых концепций атак также в автоматическом режиме с помощью мультиагентной системы.

• «Text is All You Need. Отекстовка потока видеоклипов в платформе Wibes» Антон Костин, ML Lead, Wildberries & Russ
  Виталий Подобедов, ML-разработчик, Wildberries & Russ

  В Wibes авторские описания видео часто субъективны. Расскажем про сервис, который генерирует тексты и теги напрямую из аудио-визуального контента: как это устроено и как используется для поиска, модерации и определения тематик каналов.

• «Эволюция поиска вакансий на Avito: ML-оптимизации в Avito Работе» Вадим Вахрушев, старший DS-инженер, Avito

  В докладе я расскажу о поиске в Авито Работе: от отбора кандидатов до переранжирования выдачи для баерского ассистента; какие модели у нас используются; кратко расскажу про наиболее удачные эксперименты в поиске.

• «Как мы за перевели более 10 продуктов на единую Discovery-платформу»
  Денис Самохвалов, Руководитель отдела рекомендаций социальных сервисов AI VK

  Discovery-платформа — единая инфраструктура для рекомендаций, поиска и рекламы. Её ядро: шардированный рантайм, стриминговая платформа Profile Stream и Feature Flow. Расскажу про путь эволюции платформы от катбустов к нейроранку, как мы перевели 10+ продуктов и сократили внедрение новых рекомендаций в продуктах до 3 месяцев. Покажу на примерах преимущества платформизации рекомендаций: снижение time-to-market, codless-подход и переиспользование готовых пайплайнов.

• «Vibe Driven Development»
  Петр Маслак, Product Manager (ML & Data Science), Wildberries & Russ

  Разберем, как мы пришли от машинного кода к разработке «разговором» с моделью, и почему в этой новой реальности старый data-driven подход часто ломается: кода больше, ясности меньше. Покажу практику Vibe-Driven Development: как превращать интуицию ^[6] и живой опыт использования продукта в проверяемые решения через цикл «вайб → гипотеза → доказательство».

• «ИИ для среднего размера компании»
  Дмитрий Лахвич, Руководитель Управления по развитию платформы данных, M2

  Расскажу про ИИ-платформу внутри М2: как выбирали, как разворачивали и от чего пришлось отказаться. Поделюсь опытом того, как не потратить миллиарды на это и как пилотировали продукты, искали точки роста и где уже приносит пользу.

Поговорим о том, где проходят границы между LLM, ML и классической автоматизацией, и какие решения действительно работают. Разберём инженерные аспекты AI-продуктов — от агентов и пайплайнов до оценки качества и эксплуатации. 

Обсудим реальные кейсы, экономику и масштабирование, а также трансформацию ролей ML/AI-команд: от обучения моделей к платформам, интеграции и управлению качеством. Не пропустите!

Спикеры:

• Михаил Дьячков, руководитель направления Supply and Demand Balance (DS & ML), Wildberries & Russ

• Алексей Медошин, директор департамента защиты от DDoS-атак Wildberries & Russ

• Александр Гирев, Android Team Lead WB Partners, Wildberries &Russ

• Алексей Жданов, Co-founder & CPO NDT by r_m_r

• Ксения Михайлова, Руководитель команды ГенИИ ^[7] пилотов в Альфа-Банке

• Артем Айупов, Product lead платформы моделей омнимодальности в блоке развития генеративного ИИ Сбера