У технологічних компаніях AI уже виходить за межі тренду та впливає на продукт, інженіринг і щоденні бізнес-процеси. Разом із можливостями з’являються й виклики: робота з чутливими даними, вимоги безпеки та складність інтеграції в існуючі системи. У таких умовах важливо розуміти, де AI справді створює цінність, а де — лише додає шум. Під час дискусії учасники поділяться практичним досвідом: як вони впроваджують AI у продукт, адаптують інженірингові процеси та перебудовують операційку під нові інструменти. Це розмова про реальні болі, можливості та рішення, які допомагають командам рухатися вперед.

Як за лічені години побудувати власне середовище для генеративного ШІ — від ідеї до робочого рішення? Під час виступу команда De Novo поділиться практичним досвідом створення керованого середовища для GenAI, розповість про архітектуру, підхід до безпеки та реальні сценарії використання в українських компаніях.

AI революція в розпалі... це розуміють всі. Але як ефективно використовувати AI? Що, насправді, він дає зараз? Розкажу, чому Temabit рухається в бік побудови AI-assisted SDLC, замість "купіть ліцензію на AI і AI все побудує", як ми бачимо взаємодію людини, AI агентів і різних AI інструментів. Покажу розбудову AI-assisted SDLC на прикладі GitHub Spec Kit, який активно впроваджуємо в різні проекти. Чому говоримо про 10-20-30-40% development boost. Чи це реально? Головне: те, що ми бачимо сьогодні, точно не кінцева точка, все несеться... IT, який ми знали останні 20 років вже мертвий, але що ж приходить натомість? Ось про це і поговоримо на прикладі Temabit. До зустрічі на конференції!

У добу AI код може писати будь-хто — навіть ваш тімлід чи пекар. Але хто подбає про його якість? У цій доповіді ви дізнаєтесь, чому TDD досі критично важливий, як відрізнити хороший тест від поганого, навчити AI писати код правильно з першого разу та чому дисципліна й архітектурне мислення рятують нерви й проєкти.

Доповідь про те, як підвищити продуктивність розробника за допомогою AI-інструментів у Cursor — від автоматизованого читання та написання коду до створення AI-«колег» і побудови наскрізних пайплайнів розробки.

Піврічний досвід граблів у використанні AI на різних задачах та технологіях, розберемо актуальні інструменти, підходи та рекомендації. Що працює, а що ні. Від вау-ефекту на демо до спалених днів на «вайбкодинг».

Як залишатися успішним у світі, де AI змінює індустрію? У цій доповіді ми розглянемо дослідження та практичні приклади, що допоможуть зберегти стабільність кар’єри й навчитися ефективно використовувати AI для власного професійного розвитку.

Запуск Diia AI всупереч усім труднощам Що потрібно, щоб створити розмовного AI-асистента для мільйонів громадян? Подорож зі створення Diia.AI, національного цифрового асистента України, почалася з простого й багатообіцяючого Proof of Concept. Але перехід від контрольної демо-версії до живої, продуктивної системи, що працює з чутливими даними та реальними державними сервісами, виявився шляхом, сповненим несподіваних викликів. Ця доповідь — чесний, закулісний погляд на нашу архітектурну еволюцію. Ми заглибимося у реальні виклики, з якими зіткнулися: від боротьби з непередбачуваними "галюцинаціями" LLM та інтеграції зі складними державними реєстрами, до проєктування системи для національного рівня безпеки й масштабування під екстремальним тиском. Це не історія бездоганного успіху; це історія вирішених проблем — від абсурдно простих до монументально складних. Приєднуйтесь, щоб дізнатися практичні уроки, яких немає в підручниках. Ми розповімо, як проєктували систему з урахуванням стійкості, застосовуючи RAG-підхід для боротьби з дезінформацією, впроваджували надійні Guardrails для забезпечення безпеки та будували масштабовану, відмовостійку екосистему. Ця сесія буде корисною для архітекторів, розробників і продуктових лідерів, які хочуть зрозуміти справжні «шрами від битв» та важко здобуті інсайти, що приходять із запуском масштабної AI-платформи всупереч усім труднощам.

Доповідь присвячена архітектурному підходу для контролю якості AI-рішень, де замість традиційних методів тестування використовується інший AI в ролі «судді». На прикладі реального кейсу AI Calories Tracker, який щодня розпізнає 5000+ зображень страв, ми покажемо, як нестандартний підхід до контролю якості дозволяє ефективно керувати ризиками і підвищувати довіру до штучного інтелекту.

Проаналізуємо що справді працює в сфері автономних LLM агентів, наявні обмеження та їх причини, напрямки досліджень по збільшенню періоду повністю автономного виконання задач, оглянемо потенційні архітектури повністю автономних систем, економічна автономність агентів та де ми на шляху до неї.