90 хвилин по суті про те, чому модель, що виглядає переконливо на демо, деградує в реальній системі
Розбір реальних кейсів: AI-інженери з EveryMatrix та Scania Group пояснять, чому навіть досвідчені фахівці не завжди передбачають злам
Системне мислення в АІ:які навички потрібні, щоб бачити різницю між demo і productionна рівні архітектури
Поговоримо про
Чому між демо й продакшеном виникає розрив
Що ламається, коли AI-рішення виходить із контрольованого середовища. Чому вдале демо не гарантує витривалість системи.
Як з’являються прогалини, що ламають систему
ML дивиться на accuracy, бекенд — на затримки, інфраструктура — на масштабування, продукт — на цінність для бізнесу. Чому ж система деградує на стиках налагоджених процесів.
Чому досвідчені інженери теж потрапляють у false confidence
Сильний бекґраунд не завжди допомагає в AI-системах. Як помітити, коли система не падає явно, а поступово працює гірше.
Як ухвалювати архітектурні рішення, коли ціна помилки висока
Що робити, коли немає перевіреного фреймворку, а рішення сьогодні визначає місяці роботи команди. Як передбачити наслідки кожного архітектурного рішення.
Кому буде корисно
Backend та ML-інженерам, які будуютьАІ-системи
Детальніше
Тим, хто інтегрує моделі в реальні продукти, і хоче зрозуміти, чому звичні патерни тут не працюють.
Infrastructure / DevOps-інженерам, які масштабуютьAI-навантаження
Детальніше
Тим, хто відповідає за стабільність системи і не розуміє, чому вона поводиться непередбачувано на реальних користувачах.
Tech Leads та Engineering Managers, які ухвалюють AI-рішення
Детальніше
Тим, хто вибирає архітектуру, розподіляє фокус команди і не хоче вкладати час та бюджет у рішення, яке розпадеться в продакшені.
Програма мітапу
1
AI — не модель, а складна система
Чому сприймати AI як окрему фічу — помилка. Як працювати з AIяк із частиною інфраструктури, враховуючи обмеження й наслідки для всієї архітектури.
2
Пастка для досвідчених інженерів
Чому робочі рішення з класичної розробки дають непередбачуваний результат в AI-системах. Як саме сильний бекґраунд заважає побачити проблему вчасно.
3
Тихі збої: коли система не падає, а деградує
Як виглядають злами без явних помилок у логах: data drift, галюцинації, просідання якості, неконтрольована вартість або нестабільна поведінка на реальних даних.
4
Компромісне мислення замість пошуку ідеального рішення
Як будувати AI-архітектуру, балансуючи між вартістю, затримками, якістю та контролем. Як передбачити наслідки рішення перш ніж система вийде в продакшен.
5
Нова роль інженера на AI-ринку
Чому ті, хто знає ML окремо, програють тим, хто вміє будувати стабільні системи, де AI є частиною цілісної архітектури.
6
Портрет інженера, який будує АІ-системи
Як формується цінність AI-інженера: розбір профілів з різними комбінаціями навичок.
7
Q&A-сесія
Відповіді на питання учасників. Можливість обговорити власні кейси зі спікерами наживо.
Реєструйтеся на AI Engineering Meetup, щоб розібратися, як AI-системи поводяться в продакшені, де виникають злами і чому перевірені рішення часто ведуть до деградації.
Ford Motor Company Team Lead, IVI Software Development
Luxoft Ukraine Senior Software C++ Engineer
Демо → Продакшен → Стійкі системи
Якщо класична система відразу показує збій, то AI-система часто деградує тихо — через затримки, хибні архітектурні рішення та інші неочевидні злами. Саме тому тут потрібен інший підхід. Його розберемо на мітапі.
Ви отримаєте:
90 хвилин інсайдів про те, чому AI-рішенняне доживаютьдо продакшену
Розбір прихованих загроз, які ламаютьАІ-системи
Новий підхід до систем, де традиційні правила не працюють
Навички, необхідні для побудови надійних рішень
Організатор мітапу
Онлайн-університет ІТ-лідерів
Партнери
Відгуки студентів
Обрав Neoversity, щоб мати можливість поєднувати роботу та навчання на магістратурі з отриманням диплому європейського зразка, оскільки я живу і працюю в Чехії. Після року навчання можу сказати, що дисципліни цікаві і логічно побудовані...
Serhii Mishovych
Студент в Neoversity
Я працюю QA Engineer і маю магістерську освіту за економічним напрямом. Обравши магістратуру Neoversity за напрямком Data Science, я шукала не просто диплом, а реальні знання, які допоможуть освоїти нову перспективну професію.
Елена Кациашвили
QA Engineer в GlobalLogic
Навчаюся в магістратурі в Neoversity на напрямі Computer Science — і це реально кайф! Матеріал подається дуже логічно та доступно: і на лекціях, і в конспектах усе чітко та послідовно. Лектори завжди відкриті до питань і все пояснюють до кінця.
Svitlana Otenko
Студент в Neoversity
Я також позитивно вражена навчанням у Neoversity. Навчання практично орієнтоване: весь матеріал завжди подається на реальних прикладах. По-перше, це цікаво, а по-друге, одразу демонструє підхід до розв’язання реальних кейсів.
Daria Honcharuk
Front-End Dev в Check24
Одне з головних вражень від Neoversity – їхній клієнтоорієнтований підхід. Гнучкість у підході, якісний матеріал та підтримка на кожному етапі роблять навчання ефективним та приємним. Видно, що тут дійсно цінують студентів...
Anton Kolvakh
Студент в Neoversity
Дуже подобається навчання в Neoversity. Вдалося отримати сучасні навички, розширити горизонти та познайомитися з чудовими людьми. Також дуже сподобалася велика кількість додаткових елективів і мінікурсів, а також достатній час із викладачами.
Antonina Sych
Full Stack Developer
Здобуваю другу вищу освіту в Neoversity за напрямком Data science/data analytics. Враження позитивні. Прогрес дійсно відчувається, адже є багато практики та вивчаються різні технології/інструменти для роботи з даними. Також команда Neoversity проводить різноманітні онлайн-зустрічі зі студентами...
Sergii S.
Студент в Neoversity
Про нас пишуть
Часті питання
Мітап платний?
Ні, участь повністю безплатна. Вам потрібно лише зареєструватися, щоб отримати доступ до трансляції та бонусних матеріалів.
Чи можна буде ставити запитання спікерам?
Так. Після доповідей буде Q&A-сесія: ви зможете поставити питання в чаті під час ефіру.
Хто організатор?
Мітап організовує Neoversity — IT-університет, що навчає будувати продукти з AI: від ідеї до запуску. У лінійці програм — магістратура AI Product Management, AI & Machine Learning, Software Engineering & AI, Cybersecurity & AI.
Пропустити цей мітап означає й далі розбиратися з проблемами постфактум, коли система вже дає збої у реальній роботі.
Дізнайтеся, чому рішення, які здаються технічно правильними на старті, у реальній системі спричиняють затримки, зайві витрати й приховані збої.
Натисніть «Зареєструватися», щоб послухати розбір реальних кейсів від AI-інженерів з EveryMatrix та Scania Groupі поставити свої питання наживо.
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.