Більшість компаній починають AI-трансформацію з технології, а не з бізнес-задачі, і отримують вічні пілоти замість результатів. Поділюся принципами, які сформувались через побудову та реалізацію 20+ AI-стратегій і 50+ рішень для компаній від рітейлу до фарми в США, Європі та Україні. Які помилки коштують найдорожче, що насправді визначає ROI, і чому одні проєкти масштабуються, а інші назавжди залишаються на слайдах. Для кого буде корисно: • CEO, власники бізнесу та керівники, які впроваджують або планують AI. • Технічні лідери та ML-інженери, які будують AI-рішення і хочуть, щоб робота давала бізнес-результат.

Що відбувається, коли велика мовна модель стає точкою входу до державних сервісів, які працюють під реальним навантаженням і в умовах інформаційної війни? У такій архітектурі будь-який запит може бути не лише некоректним, а й навмисно маніпулятивним — і стандартні AI-safety рішення виявляються значно менш надійними, ніж у лабораторних бенчмарках. У цій доповіді я розповім, як ми будували власний guardrail-модуль для Дія.AI після того, як зіткнулися з обмеженнями готових фільтрів і високою вартістю підходу LLM-as-a-Judge. Замість перевірки кожного запиту великою моделлю ми спроєктували каскадну архітектуру безпеки: швидкі ML-класифікатори відсікають більшість трафіку, а LLM підключається лише там, де справді потрібен глибокий аналіз контексту. Це доповідь не про ідеальні моделі, а про компроміси, обмеження і практичні рішення, які доводиться приймати, коли AI-система працює не в ноутбуці, а в національному сервісі.

Розробка AI зараз впливає на всіх — тож давайте зануримось у неї разом. Усі хочуть, щоб AI-агенти замінили звичні інтерфейси. У цій доповіді я розповім про еволюцію нашого мультиінструментального AI-агента, створеного на Node.js поверх Google Vertex AI. Я поділюся нашим шляхом вибору правильних моделей та масштабування розробки за допомогою CI/CD, TDD і моніторингу продуктивності. Але виникає питання: чи взагалі можливо досягти стабільних результатів у AI-проєктах, де моделі можуть галюцинувати та повертати різні відповіді? Цікаво, що з часом ми вирішили відмовитися від MCP-серверів і валідації схем через Zod — технологій, які часто вважають «стандартом» для таких задач. Хочете дізнатися, чому ми відійшли від них? Приходьте на мою доповідь, щоб отримати ці інсайти та поставити свої запитання наживо.

<p>MLOps (Machine Learning Operations) — відносно новий базворд, проте він стрімко набуває популярності. Давайте розберемось разом в чому підтримка і моніторинг додатків з машинним навчанням принципово відрізняється від "звичайних".</p> <p>В доповіді будуть оглянуті основні проблеми і практики MLOps, разом із конкретними порадами та прикладами імплементації моніторингу моделей в продакшені.</p>