Векторный поиск — элемент 2-stage модерационных моделей, позволяющий снизить Time to market модерации без дополнительного обучения моделей. Расскажут пайплайн от первых моделей до универсальных детекторов на основе векторного поиска, технические сложности сбора данных и реализации высоконагруженных детекторов.

О том, что реально скрывается за выводом LLM-based сервисов в прод: этапы разработки и интеграции, типичные ошибки и важные практики.

Опыт внедрения AIOps платформы KeepHQ для промышленной эксплуатации ML и GenAI сервисов: повышение утилизации ресурсов ресерч-кластера и продовых ML-сервисов в 1.5 раза, автоматизация реагирования и контроля разрешения алертов.

Кейс RAG-ассистента на базе LLM для клиентских менеджеров корпоративного сегмента: QWEN3-8B, BGE-M3, гибридный поиск Vector + BM25 через RRF, сравнение двух версий реранкера и демонстрация системы.

Короткие доклады: «Text is All You Need. Отекстовка потока видеоклипов в платформе Wibes»; «Эволюция поиска вакансий на Avito: ML-оптимизации в Avito Работе»; «Как мы перевели более 10 продуктов на единую Discovery-платформу»; доклад Wildberries & Russ, подробности пока не опубликованы.

Панельная дискуссия со спикерами Wildberries & Russ, NDT by r_m_r, Альфа-Банка и Сбера.