Архитектуры LLM-систем (RAG, agents, multi-LLM);

Fine-tuning и адаптация моделей под задачи бизнеса;

Инференс LLM, оптимизация latency и стоимости;

Работа LLM под высокой нагрузкой;

Безопасность LLM: prompt injection, data leakage, jailbreaks;

Мониторинг качества и деградации LLM в продакшене.

Запуск ML-моделей в условиях ограниченных ресурсов;

Оптимизация обучения и инференса (CPU/GPU/edge);

Квантизация, distillation, pruning;

Cost-aware MLOps и контроль инфраструктурных затрат;

Интеграция ML в существующую инфраструктуру.

Создание и поддержка датасетов для ML и LLM;

Использование LLM для разметки данных;

Контроль качества и валидация датасетов;

Автоматическая и полуавтоматическая разметка;

Борьба с bias и data leakage;

Датасеты для CV, NLP, speech, мультимодальных задач.

Как писать научные статьи в ML и AI;

Процесс peer review и rebuttal; brr

Как подаваться на крупные зарубежные научные конференции; br r

Дополнительно: br r

Постерная сессия (10–15 постеров по принятым статьям 2025–2026);

Обсуждение исследований в неформальном формате.

Реальные бизнес-кейсы применения AI;

Как посчитать экономику AI- и LLM-решений;

Build vs Buy: собственные модели или внешние API;

Путь от R&D к продукту;

Взаимодействие ML, продукта и бизнеса;

Ошибки и провалы при внедрении AI;

Тестривание ML решений.

Рекомендательные системы;

Computer Vision;

Поиск и ранжирование;

NLP и speech;

Классические ML-модели в продакшене;

MLOps для не-LLM систем.

AI-инструменты для работы и повседневной жизни;

Плагины и приложения на базе LLM;

Prompt engineering для пользователей;

Персональные AI-ассистенты;

Образовательные сценарии использования AI;

Кодовые ассистенты, трансформация профессии разработчика.