ИИ в инженерной
практике
26 ноября в 15:30
MWS Meetup #12
Онлайн-эфир для продуктовых инженеров
Подключайтесь к онлайн-встрече про ИИ в инженерных практиках от МТС Web Services.Вы узнаете, как используют LLM в анализе логов интеграционной платформы, как построить песочницу для ИИ-агентов в Kubernetes и как оптимизировать расход токенов дорогих моделей.
У вас будет возможность задать вопросы экспертам и получить ответ в прямом эфире.

Встреча будет интересна

Разработчикам

Продуктовым и платформенным инженерам

Специалистам DevOps и SRE
Программа мероприятия
Встречаемся онлайн 26 ноября в 15:30. Добавляйте в календарь и регистрируйтесь по кнопке справа.
Доклад «Анализатор логов: код решает, модель предлагает»
Что делать, когда модель находит разных виновников ошибки при анализе одних и тех же логов интеграционной платформы, а вам нужно объяснить причину ошибки клиенту?
Эксперт расскажет, как пришел к устройству анализатора ошибок из 8 слоев — от извлечения параметров до получения данных и подготовки ответа клиенту, — и как с этим помогла LLM.
В докладе:
- Проходим путь от ошибки до поиска причины и ответа пользователю.
- Что делать, если для корректной отработки LLM просто сложить все правила в промпт недостаточно?
- Как реализовали подход Exoskeleton, и почему он работает.
- Только нужные спаны вместо всего массива логов, или как очистить данные для анализа.
- Отвечаем на вопрос, зачем нужна LLM, если большую часть работы делает код.

Павел Васильев
DevOps, интеграционная платформа MWS Octapi
Доклад «Строим песочницы для ИИ-агентов в Kubernetes»
В каких случаях подойдет готовый оркестратор, если нужно написать тонкую обёртку над рантаймом, а когда будет достаточно подходящего средства изоляции? Расскажет эксперт платформы MWS DevRails.
В докладе:
- Обсудим, какими способами сегодня изолируют ИИ-агентов: от обычного пода до zero-trust рантаймов.
- Разберёмся с границами изоляции, рантаймом, lifecycle-фреймворком и оркестрацией.
- Поговорим про ключевые метрики: startup latency (cold/warm start), overhead на простаивающего агента, их количество на ноду и степень изоляции между ними.
- Увидим, как выбор технологий влияет на показатели на примере кластера Kubernetes.

Матвей Колесниченко
Разработчик MWS DevRails
Доклад «Оптимизируем расход токенов с предобработкой запросов LLM»
Агент тратит часть обращений на повторяющиеся операции: выбор инструмента, подготовку аргументов, поиск нужных фрагментов в истории и так далее. Эти решения занимают квоту основной LLM наравне со сложными задачами. Но если вынести эти операции в предобработку, у основной модели высвободится квота на выполнение основной рабочей задачи.
В докладе сравним перфоманс популярных моделей для препроцессинга: decision модели Jev и Kev, универсальные Qwen и DeepSeek flash. А также снимем замеры на промышленных задачах и выберем победителя по качеству, скорости, стоимости и нагрузке.

Руслан Пегов
Разработчик MWS
