17 сентября, Москва + онлайн

Зарегистрироваться Программа

*День исследований и разработок в области искусственного интеллекта

ПРОГРАММА

Расписание

Трек: Продуктизация R&D

Юля Васильева · Модератор Инна Насчетникова · Модератор

Трек: ML & Research

Леша Минин · Модератор Саша Смоленкова · Модератор
10:00–11:00 Сбор гостей и приветственный кофе-брейк, постер-сессия, выставка
11:00–11:30
Открытие мероприятия
11:30–12:00
Максим Еременко · Sber AI
Тренды в ML
12:00–12:30
Андрей Кузнецов · ДРИИМО
Автономный универсальный агент для повышения эффективности сотрудников Сбера
12:30–13:00
Денис Димитров · Kandinsky
Kandinsky: последние обновления моделей и продуктовые применения
13:00–13:30
Полина Федотова · Робототехника
GreenVLA: новые возможности в Physical AI
13:30–14:00
Сергей Марков · УЭСМО
Панельная дискуссия. Ждут ли нас радикальные инновации в больших моделях в следующие 5 лет?
11:00–11:30
Трансляция со сцены Продуктизации R&D
11:30–12:00
Никита Арсенин · УЭСМО
Скорость без компромиссов: современные архитектуры эффективных LLM
12:00–12:30
Елизавета Ковтун · Исследования AI
Новые физические модальности для ИИ: запах и тактильность
12:30–13:00
Артём Снегирев · УЭСМО
Эффективный контекст для генеративных систем: как мы обучали поискового агента
13:00–13:30
Никита Сидоров · УЭСМО
Обработка видео LLM с экономией на контексте
13:30–14:00
Андрей Безбородов · УЭСМО
Омнимодальная долгосрочная память
14:00–14:30
Андрей Галичин · АИРИ
Optimal Cognitive Core: умные, эффективные и надёжные малые языковые модели
14:30–15:30 Обед, постер-сессия, выставка
15:30–16:00
Ирина Пионтковская · УЭСМО
От слов к виджетам: расширение языка LLM-коммуникации
16:00–16:30
Александр Брут-Бруляко · УЭСМО
ИИ агент для бизнес задач
16:30–17:00
Юлия Васильева · УЭСМО
«Я его слепила из того, что было». Как рождается иммерсивный опыт
17:00–17:30
Алена Феногенова · УЭСМО
Новые линейки русскоязычных бенчмарков
18:00–18:30
Анна Костикова · УЭСМО
Мал датасет, да дорог: почему экспертные данные стоят того, чтобы в них вкладываться
18:30–19:00
Дмитрий Соломенцев · Центр квантовых технологий
Решения на основе фотоники для растущих AI нагрузок
15:30–16:00
Константин Крестников · Giga
Как модель выбирает точку зрения, обучаясь на противоречивых данных
16:00–16:30
Владислав Тишин · СберТех
Страх и ненависть в LangGraph: почему все пишут свои МАС
16:30–17:00
Максим Метальников · УЭСМО
Агенты-разведчики: ищем обучающие данные в хранилище без каталога
17:00–17:30
Данило Малбашич, Артемий Таразанов · УЭСМО
Где это видано, где это слыхано: управляемые FullDuplex модели
18:00–18:30
Инесса Фёдорова · УЭСМО
Как научить модель думать по-человечески?
18:30–19:00
Максим Макаренко · Sber AI Lab
LLM для работы с событийными данными
19:00–21:30 Вечерняя программа и фуршет

РЕГИСТРАЦИЯ

Займи своё место

Регистрация бесплатная. Офлайн-места ограничены — оставляй заявку сейчас.

Зарегистрироваться
Генеральный партнёр

Сбер — один из крупнейших банков России и один из крупнейших работодателей в области ИИ в стране. Компания строит собственные языковые модели, речевые системы, CV-решения и применяет их в продуктах для десятков миллионов клиентов.

Сбер входит в «Альянс в сфере искусственного интеллекта» и работает в партнёрстве с ведущими университетами и технологическими компаниями страны.

Ежегодная конференция AI Journey — одно из крупнейших событий по ИИ в России: собирает экспертов со всего мира, чтобы говорить о том, как машинное обучение меняет науку, бизнес и жизнь людей.

В R&D командах Сбера работают исследователи и инженеры, которые публикуются на NeurIPS и ACL, обучают модели с нуля и выводят их в продакшн. Здесь есть внутренние менторы, открытый доступ к вычислительным мощностям и реальные задачи, а не учебные датасеты.

Тренды в ML

О чём доклад?

Доклад про основные тренды в машинном обучении.

Максим Еременко
Sber AI

Автономный универсальный агент для повышения эффективности сотрудников Сбера

О чём доклад?

Расскажем, как автономные агенты помогают повышать эффективность сотрудников Сбера.

Андрей Кузнецов
ДРИИМО

Kandinsky: последние обновления моделей и продуктовые применения

О чём доклад?

Обсудим новейшие обновления моделей Kandinsky и их продуктовые применения.

Денис Димитров
Kandinsky

GreenVLA: новые возможности в Physical AI

О чём доклад?

Разберем новые возможности GreenVLA в области физического ИИ.

Полина Федотова
Робототехника

Панельная дискуссия. Ждут ли нас радикальные инновации в больших моделях в следующие 5 лет?

О чём дискуссия?

Архитектуры, подходы, методы обучения, оборудование, харнесс, практики использования: что на ваш взгляд останется прежним, что изменится незначительно, а что будет полностью пересмотрено?

Сергей Марков
УЭСМО

Скорость без компромиссов: современные архитектуры эффективных LLM

О чём доклад?

Доклад посвящен современным архитектурам эффективных LLM, которые ускоряют модель трансформера в десятки раз без потери в качестве. Мы поговорим про основные строительные блоки таких архитектур, их сильные места и особенности обучения и инференса. Также поделимся наблюдениями и выводами из наших экспериментов и расскажем про то, что нас ждем в следующем поколении LLM.

Никита Арсенин
УЭСМО

Новые физические модальности для ИИ: запах и тактильность

О чём доклад?

Интеграция новых сенсорных модальностей, таких как тактильность и обоняние, существенно расширяет возможности восприятия и взаимодействия роботов с окружающей средой. Тактильная информация повышает точность манипуляций, в то время как анализ запахов предоставляет доступ к информации, недоступной для визуальных систем. Главной задачей при работе с новыми модальностями - это разработка подходов для построения эффективных представлений, учитывающих особенность структуры и природы данных.

Елизавета Ковтун
Исследования AI

Эффективный контекст для генеративных систем: как мы обучали поискового агента

О чём доклад?

Доклад посвящён поисковому субагенту для LLM, способного декомпозировать сложные запросы и итеративно искать документы. Мы расскажем про общую постановку задачи агентного поиска, разберем, как создавались наши тестовые корзины для валидации, а также покажем пайплайн обучения модели на разных этапах и продемонстрируем результаты на открытых и внутренних бенчмарках. Обсудим как внедрение агента помогает контролировать качество контекста, снижать галлюцинации LLM и экономить на стоимости инференса.

Артём Снегирев
УЭСМО

Обработка видео LLM с экономией на контексте

О чём доклад?

Расскажем как мы учили обрабатывать LLM длинные и сверхдлинные видео экономя на контексте модели без переполнения памяти.

Никита Сидоров
УЭСМО

Омнимодальная долгосрочная память

О чём доклад?

Расскажем, как мы делали мультимодальную память для работы с большими контекстами. Покажем подходы и наш фреймворк долгосрочной памяти.

Андрей Безбородов
УЭСМО

Optimal Cognitive Core: умные, эффективные и надёжные малые языковые модели

О чём доклад?

Optimal Cognitive Core: умные, эффективные и надёжные малые языковые модели.

Андрей Галичин
АИРИ

От слов к виджетам: расширение языка LLM-коммуникации

О чём доклад?

LLM-ассистенты переходят от текстовых ответов к интерактивным интерфейсам, создаваемым под конкретный запрос. Это меняет привычный принцип «одного окна» в пользовательских приложениях и дает пользователю инструмент для анализа, проверки гипотез и выполнения задач. Однако ключевая проблема — не в самой генерации виджетов, а в их функциональной и смысловой корректности. В докладе обсудим, как добиться не просто красивого, а полезного и работающего интерфейса.

Ирина Пионтковская
УЭСМО

ИИ агент для бизнес задач

О чём доклад?

Расскажем как мы сделали универсального агента, на базе которого одинаково удобно сделать как личного ассистента на десктопе, так и АИ ресерчера или бэкграунд бизнес-агента в облаке. И как мы используем его как в личных целях, там и в пром процессах Сбера.

Александр Брут-Бруляко
УЭСМО

«Я его слепила из того, что было». Как рождается иммерсивный опыт

О чём доклад?

Ключевые мысли доклада:
1. Иммерсивность - это следствие не сложности конкретной технологии, а правильное сочетание нескольких более простых. Её можно создать на любом стеке.
2. Мы привыкли думать, что сначала нужна мощная технология, а уже потом опыт. Наш аватар доказывает обратное: работающий иммерсивный прототип можно собрать и запустить в разы быстрее.
3. Главный вывод: не ждать идеального движка, а быстро выкатывать иммерсивные гипотезы к пользователям, получать отклик, а уже потом наращивать "сложность" на полученную фактуру.

Юлия Васильева
УЭСМО

Новые линейки русскоязычных бенчмарков

О чём доклад?

Доклад посвящён обзору новых линеек русскоязычных бенчмарков, вышедших в этом году. Мы расскажем, какие именно тесты появились, и главное — как их применять на практике: интегрировать в пайплайны разработки, использовать для реальных прикладных применений оценки моделей и как это помогает контролировать ваши модели и агентов на практике.

Алена Феногенова
УЭСМО

Мал датасет, да дорог: почему экспертные данные стоят того, чтобы в них вкладываться

О чём доклад?

Доклад про то, почему даже малые экспертные датасеты имеют огромную ценность для обучения моделей.

Анна Костикова
УЭСМО

Решения на основе фотоники для растущих AI нагрузок

О чём доклад?

Решения на основе фотоники помогают справляться с растущими нагрузками в области искусственного интеллекта.

Дмитрий Соломенцев
Центр квантовых технологий

Как модель выбирает точку зрения, обучаясь на противоречивых данных

О чём доклад?

Когда у одной задачи в обучающих данных есть и верный, и неверный ответ, модель вынуждена «выбрать сторону» — и мы показываем, по какому принципу она это делает. Выбор определяется не истинностью, а сжимаемостью: модель склоняется к той версии, которую проще описать компактным правилом. Обучив трансформеры от 3.5M до ~1B параметров на контролируемых корпусах, мы демонстрируем, что случайные, разрозненные ошибки проигрывают правде, а одна внутренне согласованная ложная теория оказывается для модели столь же «удобной», как истина. В докладе разберём, как структура противоречий управляет финальной точкой зрения модели, и что из этого следует для безопасности и курирования данных.

Константин Крестников
Giga

Страх и ненависть в LangGraph: почему все пишут свои МАС

О чём доклад?

LangGraph решает оркестрацию, но не решает управление сложностью. Рост числа агентов, состояний и переходов быстро превращает workflow в трудно сопровождаемый distributed-monolith. Большинство команд пишут собственные MAS-платформы вроде gMAS ввиду отсутствия production ready решений для observability, governance, memory management и versioning. LangGraph отлично подходит для прототипов и агентных пайплайнов, но при масштабировании возникают требования к агентским протоколам, безопасности, отказоустойчивости и управлению жизненнным циклом. Реализация собственного суверенного аналога LangGraph, предназначенного непосредственно для решения проблем enterprise-уровня - важная задача в рамках развития технологий.

Keywords: LangGraph; AI; multi-agent systems.

Владислав Тишин
СберТех

Агенты-разведчики: ищем обучающие данные в хранилище без каталога

О чём доклад?

Доклад про создание команды LLM-агентов, которые сами обходят объектное хранилище без каталога, составляют карточки датасетов и ведут учёт обучающих данных по этапам трейна полнодуплексной речевой модели. Разведка, контроль качества и ответ на «сколько данных, какие и как подключить» — всё через чат с агентами.

Максим Метальников
УЭСМО

Где это видано, где это слыхано: управляемые FullDuplex модели

О чём доклад?

Пройдёмся по тому, что в Speech-to-Speech делают OpenAI, ElevenLabs и остальные, на каком этапе развития все находятся. Покажем Duplex по-Сберовски - нашу FullDuplex модель: диалог в реальном времени, модель слушает и отвечает одновременно. Расскажем как мы научились ей рулить: текстовый системный промпт, voice cloning через аудио-промпт, обучение кодека Mimi под русский, oracle stream. И почему по умолчанию такая модель ведёт себя неуправляемо и как сделать из нее production-ready голосового ассистента.

Данило Малбашич, Артемий Таразанов
УЭСМО

Как научить модель думать по-человечески?

О чём доклад?

Доклад посвящён ограничениям современных рассуждающих моделей и способам их обхода. Мы рассмотрим архитектурные подходы и методы обучения, которые позволяют улучшать качество рассуждений и эффективность моделей, обсудим их сильные стороны и возникающие компромиссы. Также поделимся выводами и интересными наблюдениями из собственных экспериментов и попробуем заглянуть в то, каким может стать следующее поколение reasoning-систем.

Инесса Фёдорова
УЭСМО