Machine Learning, проверенный практикой

19_09_26

в Москве и онлайн

Хардовая конференция для экспертов и практиков. Здесь будет всё о практическом применении ML: технические доклады ведущих специалистов отрасли, инженерные дискуссии и много нетворкинга.

Обсудим, как извлечь из машинного обучения реальную пользу для бизнеса.

Data Science NLP RecSys CV Speech MLOps Data Science NLP RecSys CV Speech MLOps Data Science NLP RecSys CV Speech MLOps Data Science NLP RecSys CV Speech MLOps Data Science NLP RecSys CV Speech MLOps Data Science NLP RecSys CV Speech MLOps

Что вас ждёт?

Доклады

Независимые эксперты и специалисты из разных IT-компаний расскажут об ML-решениях, которые повлияли на продукт и бизнес. А ещё традиционно на конференции будут крутые спикеры с keynotes, которых мы представим позже.

Докладчики выступят в трёх офлайн-залах, «Данные», «Серверная» и «Код», а также в онлайн-зале «Сеть». Все доклады, кроме зала «Серверная», мы будем транслировать в прямом эфире.

Дискуссии

Наши эксперты выберут несколько тем и разберут их с разных сторон. Присоединяйтесь к дискуссиям: спорьте или дополняйте спикеров, предлагайте примеры из своей практики, стройте версии. Вот так, в диалоге, мы сформируем ключевые вызовы, подходы и тренды в ML.

Знакомство с сервисами Яндекса

О своих ML-решениях и продуктах расскажут Поисковые сервисы и ИИ, Вертикали, Персональные и Городские сервисы, Автономный транспорт, Yandex Cloud и Yandex Crowd. Знакомьтесь с представителями сервисов, участвуйте в активностях и выигрывайте классные призы.

Впервые у нас — награждение Yandex ML Prize

В зале «Серверная» проведём церемонию вручения Yandex ML Prize — премии Яндекса при экспертной поддержке ШАДа за вклад в развитие ML. В этом году отметим преподавателей, которые растят новые поколения хардовых специалистов.

Познакомим вас с теми, кто развивает научную часть ML, пока мы занимаемся его практической стороной. Кстати, до награждения можно будет пообщаться с преподавателями и узнать больше про их исследования.

Зал «Серверная»

17:00

Нетворкинг с номинантами премии — с некоторыми из них вы сможете познакомиться только тут

17:30

Дискуссия «Обучение ML в эпоху ИИ: как и насколько сильно нейросети изменят высшее образование и работу инженеров»

Программа конференции — in progress

Зал «Данные»

Зал «Код»

Зал «Сеть» Онлайн*

Зал «Серверная»

Ведущие

Владислав Офицеров

Яндекс Поиск

Руководитель службы развития нейронных технологий

Руководит службой развития нейронных технологий. Отвечает
за работу агентского чата
в международном приложении Yandex AI.
КМС по русскому бильярду и активный игрок в падел.

Василий Висков

Яндекс R&D

Руководитель команды мультимодального образования Фотоинпута Алисы

Выпускник ВМК МГУ
и Сколтеха, аспирант Сколтеха. Четыре года делал разнообразный ML
в поисковых системах: сначала в VK, затем
в Мегамаркете и Самокате.
В Яндексе отвечает
за образовательные сценарии в Alice AI VLM —
от базового навыка решения STEM-задач до продуктовых проектов образовательной направленности.

Увлекается картингом
и автоспортом в целом.

13:20-13:55

Доклад

От рекомендательного стека к одной генеративной модели в Яндекс Музыке

End-to-end одностадийные генеративные рекомендательные модели — перспективная активно развивающаяся область. Несколько компаний уже заявили об успешной реализации
этого подхода.

В своём докладе я расскажу, как нам удалось заменить весь стек рекомендательной системы Яндекс Музыки, состоящий
из множества кандидат-генераторов, нескольких этапов ранжирования, сотен признаков, в том числе нейросетевых (включая Argus), на end-to-end генеративную нейросеть
без ручного фича-инжиниринга.

Новая модель продемонстрировала значительный рост всех пользовательских метрик при полной замене старой системы. Поделюсь сложностями, с которыми мы столкнулись, расскажу,
как их удалось преодолеть. Покажу результаты офлайн-замеров
и онлайн-А/В-тестов.

RecSys

Николай Савушкин

Яндекс R&D

Руководитель службы рекомендательных технологий

Закончил МГУ, последние четыре года занимается базовыми рекомендательными технологиями Яндекса. Увлекается бегом на длинные дистанции.

14:10-14:45

Доклад Keynote

Как мы учим Alice AI LLM

NLP

Александр Боймель

Яндекс R&D

Руководитель отдела разработки
Alice AI LLM

Последние несколько лет отвечает за машинное обучение Alice AI LLM — флагманской языковой модели Яндекса, ранее известной как YandexGPT. Руководит полным циклом обучения: от претрейна, на котором закладываются знания и базовые способности модели,
до алайнмента, превращающего
их в полезное и управляемое поведение в пользовательских продуктах. Alice AI LLM лежит
в основе чата с Алисой AI, используется в Поиске и других сервисах Яндекса.
До этого пять лет занимался качеством ранжирования Яндекс Поиска и отвечал за обучение моделей семейства YATI. Эти трансформерные модели научили Поиск глубже оценивать смысловую связь между запросом пользователя и содержанием веб-страниц и стали одним
из крупнейших обновлений ранжирования Яндекса
за десятилетие.

14:50-15:25

Доклад

Как мы развивали трансформерный item-энкодер в рекомендательной модели

Расскажу, как мы развивали item-энкодер в нашей модели: заменили DCN трансформерной архитектурой, стабилизировали обучение и оптимизировали производительность. Разберу проблемы, с которыми мы столкнулись при обучении и работе
с torch.compile, причины отказа от gradient clipping и реализацию собственного self-attention на Triton. Также поделюсь результатами архитектурных и оптимизационных экспериментов и покажу,
как новая модель проявила себя в A/B-тесте.

Data Science, RecSys

Дмитрий Веснин

Авито

Старший ML-разработчик

Окончил магистратуру Университета ИТМО. Работал младшим научным сотрудником
в СПб ФИЦ РАН, а затем ML-инженером в командах рекомендательных систем «Циана» и Ozon. Сейчас в «Авито» развивает рекомендательные модели на основе трансформеров.

15:30-16:05

Доклад

Agentic Vision: как научить VLM рассуждать и использовать инструменты

Современные VLM часто ошибаются в деталях, подсчёте объектов и пространственных отношениях. Один из способов повысить качество — дать модели возможность не отвечать сразу,
а построить план, получить дополнительную визуальную информацию, вызвать внешние инструменты и скорректировать решение по результатам промежуточных шагов.

В докладе разберём Agentic Vision VLM модели: планирование, visual reasoning, работу с регионами изображения, вызов OCR, детекторов, поиска и исполняемого кода. Обсудим, как обучать модель выбирать инструменты и выстраивать траекторию решения, а также как оценивать качество таких систем.

CV, NLP

Данил Кашин

Яндекс R&D

Руководитель команды претрейна VLM

Руководит командой предобучения VLM в Яндексе.
До этого работал в Циане и VK. Окончил НИЯУ МИФИ, выступал приглашённым лектором в МИФИ, НИУ ВШЭ, МГТУ им. Н. Э. Баумана и онлайн-школе AI 360. Призёр двух хакатонов. Занимается компьютерным зрением, мультимодальными моделями
и развитием их способности рассуждать.

17:10-17:45

Доклад

Строим экономически эффективный инференс LLM для агентских (и не только) сценариев

Агентские сценарии заметно меняют профиль нагрузки на большие языковые модели. Контекст растёт от шага к шагу, значительная
его часть повторно используется, между обращениями одной сессии возникают паузы, а несколько агентов могут одновременно создавать резкие всплески нагрузки. В результате эффективность инференса определяется не только скоростью вычислений,
но и тем, где хранится KV-кеш, на какую реплику попадёт следующий запрос и как распределены ресурсы между prefill
и decode.

В докладе разберём особенности агентского трафика на основе нескольких публичных трасс, агентских бенчмарков и опыта эксплуатации моделей в Yandex AI Studio. Затем зададим SLO, запустим базовую конфигурацию на опенсорс-движке инференса
и посчитаем себестоимость обработки такого трафика.

После этого будем последовательно снижать стоимость инференса с помощью выбора подходящей схемы параллелизма, KV-aware-маршрутизации, спекулятивного декодирования, разделения prefill и decode и многоуровневого распределённого KV-кеша.
Для каждой техники рассмотрим, какие особенности нагрузки требуют её применения, разберём принцип её работы, готовность опенсорсных реализаций и эффект в реальной системе.

На примерах из эксплуатации DeepSeek-V3.2, DeepSeek-V4-Flash
и других больших моделей покажем, почему современный инференс — это не только модельный движок, но и сложная распределённая система. Также разберём несколько нетривиальных ошибок на границах её компонентов, с которыми мы сталкивались.

MLOps

Владислав Носивской

Yandex Cloud

Руководитель группы инференса LLM
в Yandex AI Studio

Занимается запуском, эксплуатацией и оптимизацией больших языковых моделей. Начал карьеру в Яндексе
со стажировки, посвящённой исследованию сдвигов распределения в нейронных сетях. Развивает опенсорс-инструменты для LLM-инференса и является коллаборатором проекта Mooncake.

17:50-18:25

Доклад

Эффективный Online RL для больших MoE LLM

Online RL — одна из ключевых стадий посттренинга современных LLM. Именно здесь модель учится рассуждать, следовать сложным инструкциям и решать многошаговые задачи. Однако на практике наивная реализация RL-пайплайна приводит к простоям дорогих GPU и плохой утилизации кластера.

В докладе — о том, как мы масштабировали инфраструктуру Online RL для наших MoE-моделей: как переходили на асинхронный пайплайн и ускоряли синхронизацию весов, как внедряли FP8-обучение и почему ускорение инференса напрямую определяет скорость RL-цикла. Поделюсь реальными проблемами, с которыми мы столкнулись, и тем, как их решали.

Отдельно обсудим вызовы, которые возникают при переходе
к большим MoE-моделям: как на масштабе 100B+ параметров ускорение пайплайна начинает конфликтовать со стабильностью обучения и что с этим делать.

NLP

Никита Ермолаев

SberDevices

Руководитель команды инфраструктуры обучения Text LLM
в GigaChat

Окончил мехмат МГУ. Начинал карьеру в VK: занимался нейросетевым ранжированием
в поиске, затем перешёл
к обучению LLM.
В команде GigaChat занимается инфраструктурой и оптимизацией претрейна и RL-обучений больших языковых моделей.

Сейчас фокусируется
на эффективном масштабировании претрейна
и посттрейна MoE-моделей уровня 100B–1T параметров
в large-scale-сценариях.

Ведущие

Александра Мурзина

Яндекс Go

AI Marvel

В составе команды AI Marvel трансформирует бизнес направления Яндекса, внедряя AI и ML-решения
в ключевые процессы компании. Ранее отвечала
за исследования новых методов ИБ в команде безопасности Городских сервисов, до 2024 года возглавляла направление машинного обучения
в Positive Technologies.

Арина Гертель

Яндекс R&D

Старший разработчик в службе компьютерного зрения

Окончила ННГУ и НИУ ВШЭ, стажировалась и работала
в Intel, Huawei и Сбере.
Сейчас занимается претрейном мультимодальной модели Alice AI. Интересуется эффективным инференсом нейронных сетей,
их сжатием и различными оптимизациями.

Недавно ездила на учёбу
в Peking University и была частым гостем в Chagee.

13:20-13:55

Доклад

Пока вы говорите: как устроен стриминговый перевод речи

Потоковый перевод вы слышите в реальном времени, не дожидаясь завершения всей речи говорящего. Расскажу, как мы сделали такую систему для перевода с английского на русский: как учили потоковый ASR и переводную LLM, какие архитектуры сравнивали, почему в итоге остановились на выбранной и почему выдача
по предложениям.

Отдельно разберём главный компромисс любой стриминговой системы — задержку против качества. Откуда она берётся
на каждом этапе пайплайна, как мы её измеряли и что помогло
её сократить, не потеряв в метриках. Покажу, как мы сегментировали поток на предложения и что делали
с нестабильностью гипотез на границах. И, конечно, поделюсь граблями, которые собрали по дороге.

Speech, NLP

Вилиана Девбунова

Яндекс R&D

Research ML Engineer в команде ASR

Четыре года в Яндексе занимается речевыми технологиями: делала нейронный синтез для немецкого и арабского, синтез на self-supervised-токенизации речи. Недавно закончила работу
над потоковым переводом речи en-ru. Сейчас учит Audio Language Model контекстному распознаванию и работает
над инклюзивным ASR — распознаванием речи людей
с речевыми нарушениями. Параллельно исследует управляемость
и механистическую интерпретируемость больших языковых моделей: работа
про evaluation awareness вышла
на воркшопе ICBINB на ICLR 2026. Ездит на спортивном мотоцикле
и убеждена, что это тоже задача про минимизацию задержки.

14:50-15:25

Доклад

RL meets Browser: как мы обучили VLM-агента работать в вебе за пользователя

Computer-Use-агенты — модели, которые сами выполняют действия в компьютерной среде вместо пользователя, — постепенно перестают быть демо и становятся рабочей технологией. Но путь от «у нас есть VLM» до «агент выполняет задачи пользователя в проде» гораздо длиннее, чем кажется: живой браузер не детерминирован, эпизоды длинные, а рецептов multi-turn RL для мультимодальных агентов почти нет в открытом доступе.

Расскажу, как мы построили и обучили VLM-агента, который выполняет задачи в реальном браузере: начинали с booking-сценария, сейчас масштабируемся до широкого спектра пользовательских задач. Разберём архитектуру пайплайна
и объясним, почему одной VLM недостаточно. Покажу, как мы завели RL в сетапе, где агент действует в настоящем браузере:
как проектировали награды для длинных цепочек решений
на основе скриншотов и что потребовалось, чтобы обучение стало стабильным. Отдельно поговорим про инфраструктуру —
как встроить браузер в RL-пайплайн, добавить мультимодальность в тренировочный фреймворк, какие велосипеды пришлось построить, а какие выбросить — и про полуавтоматическую генерацию окружений, которая позволяет масштабировать среды, не утонув в ручной разметке.

Не обойду и грабли: что пошло не так, какие решения оказались контринтуитивными и что мы сделали бы иначе.

NLP

Артемий Голиков

Яндекс Алиса и Умные устройства

Руководитель бригады визуальных агентов в Алисе

Закончил ВМК МГУ. Более пяти лет занимается NLP. Сейчас
в Яндексе руководит командой визуальных агентов в Алисе, учит Алису работать в Браузере.
До этого занимался созданием арабского ассистента в Яндексе; начинал с работы в VK и Сбере. Любит чинить сломанные модельные тренировки, кататься на горных лыжах
и путешествовать.

15:30-16:05

Доклад

Диффузионный драфтинг в спекулятивном декодинге: DFlash и DSpark — от модели
до вывода в продакшн

Диффузионные драфтеры — новое направление в спекулятивном декодировании, где блок кандидатов генерируется преимущественно параллельно, а не токен за токеном. Кратко рассмотрю развитие подходов к многотокенному предсказанию
и разберу, как идеи параллельного драфтинга реализованы
в DFlash и получили дальнейшее развитие в DSpark.

Основное внимание уделю архитектурным инновациям в этих методах: non-causal drafting в DFlash, восстановлению зависимостей между токенами с помощью Markov head в DSpark,
а также использованию confidence head для динамического выбора длины верификации.

Отдельно расскажу о практической интеграции таких моделей
в inference-системы. На примере реализации в vLLM и vLLM-Ascend рассмотрю работу со статическими формами тензоров, CUDA
и ACL Graph, буферами, padding, batch descriptors и различиями между draft и target проходами. Также расскажу о типичных ошибках, ограничениях аппаратных платформ и компромиссах между качеством драфта (acceptance rate), стоимостью верификации и итоговым ускорением генерации.

Доклад будет полезен исследователям и ML-инженерам, которые занимаются ускорением инференса больших языковых моделей, speculative decoding и интеграцией новых архитектур
в высокопроизводительные inference-фреймворки.

NLP

Станислав Илюшин

Huawei

Старший инженер

Закончил ФКН НИУ ВШЭ.
Со второго курса бакалавриата работал в Ростелекоме над классическим NLP, а во время учёбы в магистратуре перешёл
в Сбер, где занимался дообучением LLM. После окончания магистратуры перешёл в Huawei, где сейчас занимается ускорением инференса, пишет статьи и контрибьютит в опенсорс. Среди профессиональных интересов — методы оптимизации, среди непрофессиональных
или житейских — Counter Strike
и рестораны.

17:50-18:25

Доклад

Commodity LLM: как мы строим единый пайплайн и инфраструктуру для массового инференса LLM

Использование облачных LLM по API часто недоступно
из-за работы с чувствительными данными, поэтому модели приходится разворачивать внутри корпоративного контура. Собственный массовый инференс LLM не только страхует риски регуляторной политики, но и позволяет управлять SLA
и приобретать необходимый экспертный опыт, чтобы эксплуатировать свои собственные дообученные и опенсорс-модели, недоступные у внешних вендоров.

Однако у такого подхода есть жёсткое ограничение: затраты
на собственный массовый LLM-инференс не должны превышать цену токенов у внешних провайдеров, иначе инхаус-решение становится экономически нецелесообразным. На практике добиться этого сложно. Без единого конвейера, связывающего подготовку, бенчмаркинг, оптимизацию и деплой, а также постоянной работы над внутренней инфраструктурой внедрение новых SOTA-моделей затягивается, а эксплуатация неоптимизированных моделей сжигает бюджет на железо.

В докладе — о том, как мы строим единый пайплайн вывода LLM
в продакшен и инфраструктуру для массового инференса LLM
в компании. Разберём системы бенчмаркинга моделей по качеству
и перформансу, которые позволяют нам разворачивать наиболее cost-эффективные SOTA-модели, а также наши последние инфраструктурные оптимизации, которые позволили
нам за последние полгода снизить стоимость массового
LLM-инференса в несколько раз.

NLP, MLOps

Александр Мисевич

Т-Банк

Руководитель Group Of Efficient Runtime & Inference
в AI Platform & Copilot

В Т-Банке с 2022 года. До этого занимался разработкой современных CPU в компании Intel, затем работал в Huawei
над оптимизациями обучения
и инференса нейросетей
под устройства компании.
Теперь руководит командой G.E.R.I., которая стала центром экспертного опыта в сфере инференса нейросетей в Т-Банке. Каждый день команда работает над тем, чтобы сделать LLM
и другие сложные AI-модели технологически и экономически доступным стандартным инструментом для любых бизнес-задач.

Ведущий

Дарья Фомина

Яндекс R&D

Разработчик в службе ML-инфраструктуры R&D

Выпускница бакалавриата факультета компьютерных наук НИУ ВШЭ.
Карьеру начала
со стажировки в Яндексе, затем работала
над платформой обработки данных в VK, а потом вернулась в Яндекс,
чтобы делать бэкенд
для супераппа в Турции. Сейчас работает в команде базовой ML-инфраструктуры Яндекса, где разрабатывает RL-инфраструктуру
для обучения LLM. Интересуется низкоуровневыми оптимизациями для GPU.

В свободное время любит путешествовать.

13:20-13:55

Доклад

Ouroboros: что внутри агента, обошедшего Codex, Claude Code и Cursor

Может ли агент улучшать сам себя и не деградировать?
Ouroboros — действующий эксперимент: кодинг-агент
с конституцией, памятью и правом коммитить в собственный репозиторий. На открытых бенчмарках он впереди Codex, Claude Code и Cursor. В докладе — об архитектуре, петле самоулучшения
и граблях, на которые мы наступили: от агентов, подсматривающих ответы, до правок, чуть не убивших систему.

NLP, Data Science

Антон Разжигаев

AIRI

Старший научный сотрудник FusionBrain Института AIRI, руководитель группы «Интерпретируемый ИИ»

PhD. Руководит группой «Интерпретируемый ИИ» лаборатории FusionBrain
в Институте искусственного интеллекта AIRI.
Работает
над интерпретируемостью нейросетей и агентными системами; вместе со своей группой изучает, на что опирается модель и как строить агентов, которым можно давать автономию.

Автор телеграм-канала AbstractDL .

Ведущий

Илья Мурзин

Яндекс R&D

ML-разработчик в службе рекомендательных технологий

Учится в магистратуре НИУ ВШЭ и ШАД, занимается генеративными моделями
в рекомендациях, интересуется подходами SOTA LLM.
В свободное время играет
в падел.

13:20-13:55

Доклад

Yet Another Closed-loop Teleoperation

Расскажу, как мы обучили единую end-to-end-модель управления всем телом гуманоида. Она самостоятельно координирует движения и поддерживает равновесие робота — от ходьбы, приседаний и наклонов до поднятия предметов и взаимодействия
с тяжёлыми объектами, охватывая широкий спектр необходимых нам сценариев.

Андрей Маношин

Yandex Robotics

ML-инженер

Учился в МИФИ на инженера-физика. На старших курсах университета пошёл в Data Science.
В конце 2021 года стал стажироваться в Yandex Research, улучшать Sample Efficiency в RL.
В середине 2022 года перешёл
в штат делать модели, управляющие роборуками,
а после — роботами.

Сейчас работает над VLA-моделями для гуманоидов. Вместе с командой исследует новые возможности
и модальности VLA-моделей.

14:50-15:25

Доклад

Дальше, точнее, быстрее: query-based-детекция для автономного транспорта

Система восприятия автономного автомобиля должна одновременно видеть далеко, детектировать точно и укладываться в жёсткий бюджет времени на edge-устройстве. Наша CNN-based-архитектура на базе BEVFusion даёт обзор на 250 м вперёд и назад и на 100 м по бокам, но масштабировать дальность не получается: любое расширение зоны видимости упирается либо в качество детекции, либо в скорость инференса.

Расскажу, как мы перешли на query-based-модель MV2DFusion
и сняли это ограничение: боковой обзор уже вырос с 100 до 200 м,
а дальность вперёд и назад архитектура позволяет увеличить с 250 до 400 м: это наши следующие планы. Разберём, почему выбрали именно эту модель и как сравнивали с BEVFusion по дальности, точности, скорости и потреблению ресурсов.

Основная часть доклада — про архитектуру: как устроена query-based-модель и что происходит с её компонентами при переезде. Покажу, как адаптируются разные головы и модули детектора,
как всё это работает с мультимодальными данными автономного автомобиля и какие особенности возникают при обучении. Отдельно сравню инференс до и после — по каждому компоненту
и по модели в целом в процентах.

Разберу готовый кейс оптимизации ML-модели с конкретными цифрами и решение классической дилеммы разработки:
как расширить охват данных (дальность обзора), сохранить качество и при этом стать быстрее.

Иван Лунев

Яндекс Автономный транспорт и роботы

Руководитель команды ядра детекции службы восприятия сцены, ведущий разработчик

Отвечает за функциональность детектора в автономном автомобиле: команда добавляет
в модель новые головы под задачи автономного транспорта, улучшает качество детекций
и развивает архитектуру. Выпускник матмеха СПбГУ и ШАД. До Яндекса занимался ADAS. Помогает с преподаванием алгоритмов и машинного обучения в ШАД, читает лекции
об автономном транспорте в вузах
и студкемпах.

15:30-16:05

Доклад

Как мы научили GigaChat Audio ориентироваться во времени: temporal grounding для длинных аудиозаписей

В работе с аудио всё чаще важно не только распознавать речь,
но и понимать длинную запись целиком: отвечать на вопросы, строить суммаризацию и находить нужный фрагмент. Для этого Audio LLM должна понимать не только, что произошло, но и когда именно. В докладе разберём temporal grounding для длинного аудио и покажем, что даже сильные модели могут давать верный смысловой ответ, но ошибаться в тайм-кодах на минуты.

Расскажем, как построили полный пайплайн time-aware Audio LLM и как контролировали качество данных: собрали и опубликовали синтетический датасет объёмом 13 тыс. часов и 1 млн семплов, адаптировали архитектуру модели и добавили inter-timings — временные якоря между аудиотокенами. На записях до 50 мин такой подход снизил ошибку до 3,5 с против 66 с — у модели
без inter-timings и 290 с — у Qwen3-Omni-30B-A3B. Также обсудим, сколько данных нужно для обучения, как выбирать частоту временных меток и зачем смешивать аудио разной длины.

NLP, Speech

Александр Куцаков

Сбер

Staff Research Engineer

Занимается моделями GigaAM
и GigaChat Audio в Сбере уже два года. Закончил ПМИ ВШЭ и ШАД. Любит совмещать интересный research и пользу для продукта.

17:00-19:35

Награждение Yandex ML Prize

*Запись выступления будет доступна для участников после конференции

Дискуссии — in progress

Ведущий

Дмитрий Герасимов

Яндекс R&D

Руководитель группы проектов подуправления R&D

Выпускник ВМК МГУ.
Последние три года
в Яндексе развивает
и внедряет в продукты GPT‑технологии. Ранее руководил ML‑продуктами
и командами (рекомендации, распознавание речи
и OCR/RPA, диалоговые сервисы).

Был инвест-менеджером
в AI‑венчурном фонде
и акселераторе, где проводил технические ревью
и участвовал в отборе стартапов.

Дискуссии — in progress

14:50 - 15:30

Дискуссия

Офлайн

От исследования к продукту и обратно: как связаны наука и разработка?

Обсудим, как связаны исследования, научные публикации и продуктовая разработка: когда статья становится основой новой технологии, когда продукт появляется раньше публикации и почему некоторые ценные результаты остаются внутри компании.

Сергей Кастрюлин Модератор Yandex Research Head of Applied Research

Участвовал в создании
и развитии технологии YaART, лежащей в основе Alice AI ART, и знает на практике,
как исследовательские идеи превращаются в технологии для пользовательских сервисов.

Сейчас отвечает
за интеграцию научных исследований Yandex Research в продукты компании.

Владислав Куренков AIRI Руководитель научной группы «Адаптивные агенты» Института AIRI

Занимается обучением
с подкреплением и созданием агентов, способных адаптироваться к новым задачам и средам.

Даниил Гаврилов T-Bank AI Research Руководитель лаборатории научных исследований искусственного интеллекта
T-Bank AI Research

Его команда занимается фундаментальными исследованиями в области LLM, интерпретируемости
и безопасности AI, а также переводит отдельные разработки в прикладные
и опенсорс-инструменты.

Кирилл Хрыльченко НИУ ВШЭ Преподаватель и исследователь ФКН НИУ ВШЭ, специалист
по рекомендательным системам

Ранее руководил группой исследования перспективных рекомендательных технологий в Яндексе, поэтому сможет представить взгляд человека с опытом
и в академической среде,
и в продуктовой разработке.

Знакомство с сервисами Яндекса

Поисковые сервисы и ИИ

Создаём собственные ИИ-технологии, которые меняют Яндекс: LLM, VLM, рекомендательные системы, модели генерации изображений, технологии голосового ввода, синтеза, распознавания речи и машинного перевода.

Они лежат в основе всех наших продуктов: Поиска с Алисой, Браузера, Карт, Рекламных технологий, Алисы AI и умных устройств, Погоды, Шедеврума, Переводчика и других.

Мы обучаем LLM и мультимодальные модели на всех этапах — от претрейна до RL и SFT. Для повышения эффективности используем собственные библиотеки YaFSDP и YCCL. Работаем с кластерами на тысячи GPU и модифицируем инференс инфраструктуры, чтобы проверять гипотезы и свободно работать с моделями размером до 0,7 трлн параметров.

Внедрили семейство генеративных моделей Alice AI в более чем 25 продуктов Яндекса. Создали и развиваем Yambda — один из крупнейших в мире открытый рекомендательный датасет. Разработали библиотеку машинного обучения CatBoost — единственную из России, ставшую мировым научным стандартом.

Читать дальшеСкрыть

Автономный транспорт и роботы

Решаем задачи, которые ещё несколько лет назад считались нерешаемыми: учим машины, грузовики и роботов самостоятельно ориентироваться в реальном мире.

Отвечаем за роботакси, роботов-доставщиков, роботраки и складских роботов. Наши продукты работают на ИИ-платформе собственной разработки.

Роботакси уже возит пассажиров в Москве, Иннополисе и Сириусе. Роботы доставляют заказы в десяти городах России и уже совершили больше миллиона доставок. Роботраки работают на М-4, М-11 и ЦКАД. Общий пробег флота — более 37 млн километров.

Читать дальшеСкрыть

Персональные сервисы

Мы создаём продукты, с которыми люди проводят время каждый день: смотрят кино, слушают музыку, оплачивают покупки, управляют подпиской и планируют досуг.

В нашу экосистему входят Кинопоиск, Яндекс Музыка, Яндекс Книги, Яндекс Плюс, Яндекс Пэй, Афиша, Едадил, Свои Плюсы и другие сервисы. Лояльная аудитория — более 48 млн человек, из которых 11,6 млн пользуются сервисами сразу из нескольких направлений: развлечений, финансов и программы лояльности.

Мы решаем сложную техническую задачу: с помощью данных и ML учимся точнее понимать вкусы, настроение и потребности каждого пользователя. Обучаем рекомендательные системы на архитектурах Argus и target-aware, разрабатываем LLM-агентов и инструменты персонализации. В Музыке запустили query2vibe и ИИ-компаньона Люмена, в Книгах — Recap и ИИ-помощника. В финансовых продуктах с полным циклом на собственной MLOps-платформе работаем над кредитным скорингом, управлением рисками и маркетинговыми моделями.

Наши технологии ежедневно влияют на опыт миллионов людей, делая каждое взаимодействие с сервисами точнее, персональнее и удобнее.

Читать дальшеСкрыть

Городские сервисы

Каждый день мы решаем сложные технологические задачи, чтобы упростить повседневную жизнь миллионов пользователей.

Мы отвечаем за Яндекс Go, Еду, Лавку, Доставку и Техплатформу. Разрабатываем все сервисы с упором на продуктовый подход, чтобы пользователям было удобно, а бизнесу — эффективно.

В месяц у наших продуктов более 60 млн уникальных пользователей в более чем 1000 городах.

Читать дальшеСкрыть

Вертикали

Развиваем сервисы объявлений, чтобы пользователи находили только актуальные предложения по лучшим ценам, без дублей и фейков.

Отвечаем за Яндекс Недвижимость, Аренду и Путешествия. Помогаем найти новый дом, арендовать квартиру, забронировать отель и купить билеты в путешествие.

Чтобы Вертикали показывали лучшие реальные предложения, обучаем новые модели для ранжирования, изобретаем кандидатогенераторы для рекомендаций, улучшаем Multi-View-Stereo-алгоритмы, занимаемся антифродом и модерацией контента.

Уже помогли организовать комфортное путешествие 28 млн пользователей. Создали классифайд, где ежедневно представлено более 2 млн объектов недвижимости. Организовали Аренду так, чтобы пользователи могли выбрать объект и оформить документы полностью онлайн — так 95% квартир в столичных регионах сдавались дистанционно после просмотра 3D-тура.

Читать дальшеСкрыть

Yandex Cloud

Мы развиваем Yandex Cloud — технологическую платформу Яндекса для создания и развития цифровых продуктов. С её помощью мы помогаем бизнесам расти быстрее и работать эффективнее.

Платформа объединяет более 75 сервисов, которые включают решения для кибербезопасности, управления данными, разработки и внедрения ИИ.

Читать дальшеСкрыть

Yandex Crowd

Yandex Crowd — крупный сервис внутри Яндекса. Мы помогаем более 240 командам компании: размечаем данные для ИИ-алгоритмов, тестируем сервисы и приложения, модерируем контент и обеспечиваем клиентскую поддержку.

Наши решения напрямую влияют на качество Алисы AI, точность Поиска, удобство Карт и Яндекс Путешествий для миллионов людей.

С нуля развиваем собственные краудсорсинговые платформы — сложнейшие системы управления распределённой командой, в которой работают свыше 100 тыс. исполнителей разных специальностей.

Читать дальшеСкрыть

Программный комитет

Руководитель программного комитета

Петр Ермаков

Яндекс R&D

ML Бренд-директор

Занимался ML в Lamoda, Mail.ru и HeadHunter, а ещё преподавал в НИУ ВШЭ и МГТУ им. Баумана. Был одним из создателей сообщества ODS. Сейчас развивает бренд машинного обучения Яндекса и помогает делать конференции — например, HighLoad++, PyCon, DUMP и Data Fest.

NLP

Алексей Колесов

Яндекс R&D

СTO

В Яндексе больше 10 лет: пришёл стажёром, дорос до руководителя службы распознавания речи, затем два года управлял отделом NLP, а летом 2025-го стал CTO R&D. Преподавал в ШАД алгоритмы и машинное обучение. Живёт и работает в Минске.

Data Science

Борис Цейтлин

Plata

Principal AI/ML Engineer

Ex-Staff Machine Learning Engineer в eBay. Строил компьютерное зрение с нуля в PlanetFarms и работал исследователем в Toloka.ai. Преподаватель машинного обучения ФКН ВШЭ и Deep Learning School. Автор телеграм-канала «Борис опять» .

NLP

Валентин Малых

ИСП РАН

Руководитель лаборатории

Больше 10 лет в области AI — успел поработать в Яндексе, VK и Huawei. Защитил диссертацию по анализу текстов и сейчас является доцентом в Высшей школе цифровой культуры ИТМО. Сейчас является руководителем лаборатории в ИСП РАН. Автор телеграм-канала «Valuable AI / Валентин Малых» .

Андрей Кузнецов

AIRI

к. т. н., Директор лаборатории FusionBrain

Занимается машинным обучением с 2010 года. Защитил кандидатскую диссертацию в 2013 году, пишет докторскую диссертацию про применение мультимодальных архитектур для задач обеспечения пассивной безопасности мультимедийного контента. Руководит лабораторией мультимодального генеративного ИИ FusionBrain в Институте искусственного интеллекта AIRI. Один из основателей семейства моделей Kandinsky, преподаёт в Самарском университете и ИТМО, выступает с лекциями и пишет о событиях в AI и ML в телеграм-канале «Complete AI» . Автор более 150 научных публикаций, в том числе в топ-журналах (Q1/Q2) и сборниках конференций Core A/A*. Индекс Хирша — 20.

Data Science

Александра Мурзина

Яндекс Go

AI Marvel

В составе команды AI Marvel трансформирует бизнес-направления Яндекса, внедряя AI- и ML-решения в ключевые процессы компании. Ранее отвечала за исследования новых методов ИБ в команде безопасности Городских сервисов, до 2024 года возглавляла направление машинного обучения в Positive Technologies.

Смотреть всех