Безопасность, оценка LLM и SQL-агенты: главное с митапа «ИИшная». llm.. llm. SQL.. llm. SQL. автоматизация.. llm. SQL. автоматизация. Блог компании ЮMoney.. llm. SQL. автоматизация. Блог компании ЮMoney. доклады.. llm. SQL. автоматизация. Блог компании ЮMoney. доклады. искусственный интеллект.. llm. SQL. автоматизация. Блог компании ЮMoney. доклады. искусственный интеллект. Конференции.. llm. SQL. автоматизация. Блог компании ЮMoney. доклады. искусственный интеллект. Конференции. конференция.. llm. SQL. автоматизация. Блог компании ЮMoney. доклады. искусственный интеллект. Конференции. конференция. митап.. llm. SQL. автоматизация. Блог компании ЮMoney. доклады. искусственный интеллект. Конференции. конференция. митап. нейросети.

«ИИшная» — митап ЮMoney, посвящённый практическому применению генеративного ИИ. Вместо обсуждения абстрактных возможностей LLM спикеры сосредоточились на реальных инженерных задачах: безопасной работе с моделями, автоматизации их оценки и построении инструментов для аналитики. Если вы пропустили событие, собрали основные идеи из докладов и записи выступлений. 

  • Локальная база знаний для работы с ИИ
    Один из докладов был посвящён организации персональной базы знаний с помощью Obsidian. Подход интересен тем, что позволяет хранить заметки локально в Markdown-формате, который легко использовать не только человеку, но и современным ИИ-агентам. Такой формат хорошо подходит для RAG-сценариев, персональных помощников и автоматизации работы с документацией без передачи данных во внешние сервисы.

  • Как автоматизировать оценку LLM
    Ещё одна тема — построение собственного контура оценки языковых моделей. Спикеры показали подход, в котором:

    • Langfuse используется для сбора трассировок и анализа работы пайплайнов;

    • встроенный LLM-as-a-Judge помогает автоматизировать часть оценки качества ответов;

    • простой UI позволяет работать с датасетами, запускать эксперименты и сравнивать результаты разных моделей.

    Такой стек помогает быстрее проверять гипотезы, воспроизводить эксперименты и принимать решения на основе измеримых метрик, а не субъективных впечатлений.

  • SQL-агенты для аналитики
    Отдельный доклад был посвящён построению SQL-агента на базе LangGraph. Вместо однократной генерации SQL-запроса агент выполняет задачу поэтапно:

    • уточняет запрос пользователя при необходимости;

    • строит SQL;

    • анализирует результат;

    • исправляет ошибки при неудачном выполнении;

    • использует память для продолжения диалога.

    Такой подход позволяет получать более качественные ответы при работе с аналитическими данными и снижает количество ошибок по сравнению с простыми Text-to-SQL решениями.

Записи докладов

Если не удалось попасть на митап лично, все выступления уже доступны в записи – во ВКонтакте или на Youtube. Также мы опубликовали фотографии с мероприятия.

Будем рады обратной связи: какие темы, связанные с генеративным ИИ, вам было бы интересно обсудить на следующих встречах?

Автор: yooteam

Источник