1. Команда СА и UX-дизайнера, включаясь с начала работы над проектом формируют артефакты, которые сокращают время согласования с заказчиком, а так же создают единое понимание работы продукта для команды, снимая многие вопросы.
2. СА работает над технической частью и не перегружен описанием интерфейса.
UX-дизайнер проектирует пользовательский опыт, а не только «рисует» макеты.
3. Итог совместной работы: целевая картина продукта и детальное описание тех. задания по отдельным фичам.
4. Менеджер при таком подходе эффективнее распределяет задачи: больше технических задач передает СА, а проектирование взаимодействия UX-дизайнеру.

Две реальные истории о том как мы выводили продукт в пром раньше срока, когда ограничением были требования безопасности.
Мы поговорим о том, как вести диалог с безопасностью и обсуждать backlog.
Что в конечном итоге позволяет выйти в пром значительно раньше срока.

Тенденции в развитии крупных корпораций существенно сказываются на социально-экономическом росте всей страны. Особое значение развитие крупных корпораций имеет для социально-экономического развития регионов, а также для предприятий малого и среднего бизнеса, являющихся поставщиками для крупных корпораций.
С развитием бизнеса появляется возможность выхода всех стран из кризиса в мировой экономике. В России, где доля государственного участия в экономике превалирует, достижение целей в стратегии национальной безопасности в большей части зависит от эффективности государственных корпораций. В данной связи значимую роль играет методология оценки эффективности компании. На сегодняшний день существует новый тренд в оценке деятельности компании с точки зрения соответствия ESG-критериям.
Для наиболее эффективного управления рисками необходимо создание комплексной информационной системы (далее КИС) управления компанией, основной задачей которой является повышение эффективности при принятии решений в условиях неопределенности и непрозрачности в финансовой и производственной деятельности. Она включает четыре основных элемента – методологию, организацию, инфраструктуру и специализированное программное обеспечение. Одной из наиболее важных частей КИС является автоматизированная система управления рисками, которая должна позволить снизить затраты времени на подготовку, согласование и принятие основных управленческих решений, предотвратить и минимизировать последствия всевозможных рисков в результате жизнедеятельности компании. Соблюдение ESG-критериев приводит к созданию необходимых предпосылок для построения КИС и достижения стратегических целей компании.
Необходимость внедрения и автоматизации КИС очевидна. Но при выборе подходов у всех компаний возникают схожие трудности. Существующие международные и российские стандарты по управлению проектами и рисками не дают четкого ответа, как правильно выстраивать автоматизированную систему управления.

Микросервисы уже давно и прочно вошли в нашу жизнь. Они позволяют реализовывать масштабируемые и отказоустойчивые решения. Но при деплое новой версии вашего микросервиса на кластер иногда возникают ошибки, связанные с обновлением базы данных. Я разберу популярные способы деплоя на кластер. Покажу типовые проблемы, возникающие при обновлении базы данных, и пути их решения. Также разберемся, чем обновление NoSQL баз данных отличается традиционных реляционных баз.

В докладе я расскажу о том, какие задачи EventSourcing решает хорошо, а для каких задач он не дает выигрыша. Обсудим холиварные вопросы типа можно лии сделать EventSourcing без CQRS. Поделюсь опытом реализации быстрых SQL проекций. Подсвечу с какими подводными камнями можно столкнуться при реализации EventSourcing на практике. И развею несколько популярных мифов об EventSourcing.

Крутые команды это здорово. Когда получается такую собрать - результаты прямо поражают. Но удержать такую команду - тонкое искусство. Сегодня разберемся, какими типичными кривыми действиями компании и лидеры команд могут развалить классно работающий механизм, посмотрим на примеры из индустрии и заберем для себя несколько идей о том, что лучше никогда не делать.

Вопрос выбора решений сейчас стоит максимально остро. Множество компаний занимается импортозамещением текущих решений и цифровизацией процессов. Я провёл десятки переговоров с интеграторами и вендорами, самостоятельно изучал рынок решений, занимался составлением лонг и шорт листов. Мой доклад поможет наиболее эффективно провести процедуру RFI и обоснованно подойти к выбору решения с наименьшими трудозатратами для заказчика и исполнителя.

В рамках проекта по созданию узла данных возникает острая необходимость по внедрению детального слоя в основное хранилище данных. Так как детальный слой фактически является центром хранилища данных управлять процессом приземления логической модели данных необходимо в автоматическом режиме. Для автоматизации процессов управления структурой данных детального слоя, автоматизации процессов загрузки данных в детальный слой и их последующей валидации был разработан фреймворк, о котором пойдет речь в этом докладе. Доклад в большей степени будет посвящен структуре фреймворка и на примерах показано какие задачи он может решать.

Знакомимся с BI системой 1С: Аналитика (российское решение для BI)
- Определяемся с понятиями BI системы и 1С: Аналитика;
- Изучаем интерфейс инструмента;

Внедрение 1С: Аналитика на конкретном кейсе:
- Зачем вообще нам понадобилась BI система?;
- Архитектура решения, созданная по рекомендациям 1С;
- Организация ETL и хранилища данных: выстраивание архитектуры и разработка
- Технология обмена между источниками данных и хранилищем;
- Результаты и выводы внедрения 1С: Аналитики как BI системы

• 1С: Документооборот – отечественная ECM система для автоматизации документооборота компании: несколько слов о продукте и возможностях, которыми он располагает;

• Перевод ЭДО на «автоматическую тягу»: как внедрить 1С: Документооборот так, чтобы делегировать ему большую часть рутины ваших сотрудников;

• Полный путь документа от его рождения в системе учета до контрагента и обратно на примере: загрузка в 1С: Документооборот, обогащение данными, автоподписание и отправка контрагенту, получение подписи от контрагента, перевод на хранение и отправка ответа в учетную систему;

• Лайфхаки для программистов при внедрении 1С: Документооборот: технические советы для облегчения решения задач внедрения;

• Перспективы для организации окна налогового мониторинга.

Доклад посвящен нашему опыту создания собственного OCR-решения для распознавания документов.

Разработкой Java технологий в Российской Федерации и созданием доверенного
семейства продуктов Axiom Java Development Kit (Axiom JDK) занимается компания ООО
БЕЛЛСОФТ.
Компания БЕЛЛСОФТ основана в 2017 году выходцами из Центра Разработок Oracle
в Санкт-Петербурге.
Инженерное ядро компании участвовало в разработке Java платформы на
протяжении последних 25 лет и вносило свой вклад во все версии Java начиная с Java 1.5. C
момента основания БЕЛЛСОФТ активно участвует в эволюции Java платформы. Все
выпускаемые версии актуальные, не имеют отставания и являются полнофункциональной
заменой ПО Java от компании Oracle.
Программная реализация технологии Java включает в себя:
- набор средств разработки Java – JDK (Java Development Kit),
- среду исполнения приложений Java – JRE (Java Runtime Environment),
- виртуальную машину Java – JVM (Java Virtual Machine),
- два типа компилятора javac и С1/С2 и имеет полный доступ к данным
приложения.
которые необходимы для запуска приложений, написанных на различных языках
программирования, поддерживающих платформу Java (Java, Kotlin, Scala и т.д.). При этом JRE и
JVM формируют среду исполнения кода приложений Java (своего рода специализированную
операционную систему и виртуальную процессорную архитектуру для исполнения кода
написанного приложения Java).

1. Зависимость российских нефтегазовых компаний от иностранного ПО
- Использование иностранных программных продуктов в нефтегазовой отрасли
- Риски и угрозы, связанные с использованием иностранного ПО
- Примеры случаев, когда использование иностранного ПО приводило к негативным последствиям для российских компаний
2. Важность перехода на российские программные продукты
- Преимущества отечественных программных решений
- Состояние российского рынка программного обеспечения для нефтегазовой отрасли
- Возможности для развития и внедрения российских программных продуктов
3. Планы по стандартизации разработки и создания программных решений
- Разработка национальных стандартов для программного обеспечения
- Создание инфраструктуры поддержки российских разработчиков ПО
- Сотрудничество с международными организациями для внедрения российских стандартов
4. Страх российских разработчиков масштабировать свои разработки и выйти на иностранный рынок
- Ограничения и вызовы для российских разработчиков ПО
- Возможности для роста и международной интеграции
- Механизмы поддержки российских разработчиков на международном рынке

0. Реестр отечественного ПО – это основной инструмент импортозамещения в РФ. Мы покажем на примерах, какие отечественные решения уже попали в него.

1. Почему мы вообще говорим про реестр? Особенно тревожный вопрос для нас – это импортозамещение ПО и программно-аппаратных комплексов критической инфраструктуры, к которой относится нефтегаз. От нашей отрасли требуется переход на софт из реестра, т.к. он не зависит от санкций.

2. Есть серия законов, регламентирующих импортозамещение нефтегаза. Более того, в Госдуму вносятся новые законопроекты, которые вводят новые правила для импортозамещения ПО. В докладе расскажем в подробностях показатели и сроки, которые установило для нас государство.

3. В первую очередь для реестра принципиален набор компонентов, используемых в ПО, т.е. техстек. Причем понимание понятия техстек разнится с привычным нам. Обсудим, что же все-таки имеется в виду.

4. Минцифры РФ включает в реестр только ПО с “чистым” техстеком. Под “чистым” подразумевается набор из проприетарных компонентов без экспортных ограничений и любой опенсорс (пока что). На примерах и конкретных действиях покажем, как узнать, что компонент подходит, а также подскажем, что делать с теми, которые не подходят.

5. Опенсорс более коварный, чем кажется на первый взгляд. Расскажем про все виды opensource лицензий и риски использования компонентов на них для компании (не только через призму Минцфиры РФ).

6. Заявки в реестр проходят тщательную проверку компонентов техстека. Компаниям предстоит не только подготовить подробное описание архитектуры, но и дать доступы к коду, серверу, интерфейсам, приложив инструкции по их эксплуатации. Для слушателей доклада мы подготовили саммари принципов и порядка проверки компонентов ПО.

7. Выводы: на этапе разработки продукта нужно задумываться о компонентах, на которых функционирует программа. Если пренебречь этим, то придется пересобирать проект или вовсе отказаться от регистрации в реестре Минцифры РФ. С регистрацией ПО лучше поторопиться, ведь новые правила для критической инфраструктуры появляются все чаще и можно не успеть подготовиться к ним.

Поделимся опытом, как мы гармонизировали процесс разработки, сочетая проектную и продуктовую логику.
Ключевая полезность доклада для слушателей: описание нашего пути перехода на концепцию разработки коммерческих продуктов.

У компании, которая разрабатывает промышленное ПО, всегда есть свои нюансы в процессах разработки и сопровождения релизного цикла. С одной стороны, есть пересечения по процессам, как у интеграторов или продуктовой разработки, с другой стороны - поправка на ветер промышленного сегмента в виде регуляторов, своих норм и правил. Добавим в этот микс государственное регулирование и особенности заказчиков своего сектора промышленности, и получим винегрет из хотелок, который надо развивать и соотносить c существующей стратегией развития продукта.
В данном докладе мы поговорим о том, каким образом организовать процесс работы с инцидентами заказчиков, правильно разграничить зону ответственности между внедрением и R&D, сопроводить его техническими инструментами, чтобы всё работало, как часы.

- Нахождение баланса отвественности между централизацией и децентрализацией в условиях цифровых заводов
- Inner Source: преимущества и недостатки подхода к разработке программного обеспечения.
- Обеспечение удобных и быстрых релизов в условиях изолированных сред
- Способы поддержки высокого уровня коммуникации внутри большой компании
- Как хранить код, чтобы не было мучительно больно

Искусственный интеллект — это имитация процессов человеческого интеллекта машинами, особенно компьютерными системами. Машинное обучение — это раздел искусственного интеллекта, который изучает и разрабатывает методы обучения алгоритмов на основе данных. Именно данные играют здесь ключевую роль.

Так как ИИ основан на трёх основных мыслительных функциях Обучение\Рассуждение\Самоанализ то и ограничения его исходят из этих функций:
Обучение зависит от качества входных данных, рассуждения ограничены конкретными видами деятельности, интеллектуальные машины не автономны в самоанализе.

Уолтер Питтс с Уорреном МакКаллоком были убеждены в правильности теории Лейбница, которая предполагала возможность «механизации» человеческой мысли. Они опубликовали свою основную статью об этом же в 1943 году. Идеи, которые предложили учёные, являются основой почти всех современных ИИ. Кибернетика Норберта Вейнера и теория информации Клода Шеннона были опубликованы в 1948 году. Обе работы сильно повлияли на сферу ИИ.

но начнём мы с 1950 года, Рождение современной информатики и ИИ можно проследить от Алана Тьюринга, который постулировал идею о том, что машины могут имитировать человеческий интеллект
В 1956 в Дартмуте прошла конференция, посвящённая теме изучения концепций «механизации» интеллекта. Там Джон Маккарти — также один из пионеров искусственного интеллекта — придумал название «Искусственный интеллект».
В 1957 году Фрэнк Розенблатт разработал перцептрон, который считается предшественником современных полносвязанных нейронных сетей.
В 1959 году знаменательную разработку сделал Артур Самуэль, он создал самообучающуюся программу, которая играла в шашки, эта программа совершенствовалась, чтобы превзойти навыки своего создателя. Основа для обучения с подкреплением.
В 1964 году создание Жозеф Вейзенбаум достиг успеха в создании первого чат-бота по имени Eliza. Eliza была представлена как интеллектуальная программа, хотя она выдавала только предопределенные ответы, основанные на вводе пользователя.

в СССР существовала целая школа искусственного интеллекта. Началось всё не очень хорошо, Кибернетика в начале 50х годов попала в опалу из-за той самой статьи Винера, он там недвусмысленно сравнивал мозг животных с машиной, началась антикибернетическая кампания. «буржуазная лженаука»
Реабилитацией кибернетики в СССР можно считать 1955 год, когда в журнале «Вопросы философии» (№ 4) вышла статья Сергей Львович Соболев, Анатолий Иванович Китов и Алексей Андреевич Ляпунов «Основные черты кибернетики». Под влиянием военного и учёного Анатолия Китова кибернетика была реабилитирована после недолгой «опалы».
В рамках кибернетики развивалось и направление, которое мы привыкли называть нейросетевым.
1956 года по инициативе Леонид Павлович Крайцмер была создана Секция кибернетики, которая стала первой общественной организацией страны в области пропаганды полезности идей кибернетики.
В 1962 году вышла книга Алексей Григорьевич Ивахненко «Техническая кибернетика. Системы автоматического управления с приспособлением характеристик». Переведён на множество языков. Занимался перцептронами и описал их в этой книге. Сборник коллективной монографии американских и японских учёных в 1984 году, вышедший к 70-летию учёного
Александр Семёнович Кронрод, который работал над шахматной программой, наследницей которой стала знаменитая «Каисса», и договорился о проведении первого в мире шахматного матча между компьютерными программами. В этом матче в 1967-м году советская шахматная программа, разработанная в Институте теоретической и экспериментальной физики, победила программу Стэнфордского университета со счётом 3-1. Ходы передавались по телеграфу раз в неделю; матч продолжался целый год и закончился со счётом 3:1 в пользу программы, разработанной в ИТЭФ. Впоследствии, в 1971 году, программа ИТЭФ получила название «Каисса». с 1974 года — в Центр. геофиз. эксп. Министерства нефтяной промышленности СССР В августе 1974 года программа стала первым чемпионом мира по шахматам среди компьютерных программ. ) Маккарти по возвращению из СССР: Общее мнение — и оно идёт от самых разных лиц — таково, что они отстают от нас в аппаратуре: не безнадёжно, а немного. Они впереди нас в разработке теории автоматизации…

теперь стоит переключить внимание на применение ИИ в геонауках в эту эпоху
В 1964 году методология k-means была использована для определения цикличности осадочных отложений. В частности, она использовалась для идентификации и классификации пластов на основе их электрических характеристик.
Методы на основе дерева решений нашли свое раннее применение в экономической геологии и картировании месторождений.
Некоторые примеры раннего применения Цепей Маркова можно найти в седиментологии, гидрологии и скважинная геофизика.
А персептроны предложенная Фрэнком Розенблаттом в 1958 году и по сей день играют не последнюю роль в разведочной геофизике.

Термин "зима ИИ" описывает период разочарования и уменьшения финансирования инициатив в области ИИ. Этот спад был спровоцирован несколькими работами и событиями, произошедшими в этот период.
книга "Перцептроны" (1969) Мински и Пейперта. Они показали, что хотя перцептроны теоретически могут обучаться чему угодно, эти возможности весьма ограничены. Хотя их выводы не относились к более сложным многослойным сетям!!, их критика привела к резкому сокращению финансирования исследований нейронных сетей. Примечательно, что алгоритмы обучения с обратным распространением, которые впоследствии оживили исследования нейронных сетей в конце 1980-х и в 2010-х годах, уже разрабатывались в начале 1960-х годов в различных контекстах.
Еще одно заметное влияние на зиму ИИ оказал пессимистический отчет, составленный Джеймсом Лайтхиллом для Британского совета научных исследований в 1973 году. Эта оценка академических исследований в области ИИ дала мрачный прогноз для многих основных аспектов дисциплины, заявив, что "ни в одной из областей открытия, сделанные до сих пор, не оказали того значительного влияния, которое было обещано". Это привело к тому, что ИИ потерял свою привлекательность как для исследователей, так и для финансирующих организаций.

Уже в начале 1970-х годов Ивахненко и его коллегам удавалось обучать восьмислойные нейронные сети, в основе которых лежал искусственный нейрон, основанный на интерполяционном полиноме Колмогорова — Габора. сети Ивахненко, содержащие восемь слоёв, явно опережали своё время.
Позже результатом работы Ивахненко, стало создание и развитие «Метода группового учёта аргументов» (МГУА), одного из первых в истории алгоритмов глубокого обучения.
Описана в книге «Предсказание случайных процессов».
В книге Системы эвристической самоорганизации в кибернетике Ивахненко приводит своё видение развитие кибернетики.
Книга 1974 года Александра Ивановича Галушкина, тогда — сотрудника МФТИ, под названием «Синтез многослойных систем распознавания образов». С точки зрения современной терминологии название книги можно понимать, как «Обучение многослойных нейронных сетей». Галушкин рассматривает использование в нейронных сетях функций активации, исследует использование сигмоиды, на тот момент прорывная идея.

В 1970-е годы было мало разработок как в области методов машинного обучения, так и в области его применения и внедрения в геонауку, что было связано с "первой зимой ИИ». Однако кригинг не считался технологией искусственного интеллекта, и его не затронула зима, он нашел применение в горном деле, океанографии, гидрологии. Продолжают развитие алгоритмы автоматической дифференциации и деревья решений для оценки рисков в разведочной геофизике.

в 1980 году Кунихико Фукусима предлагает неокогнитрон, первую сверточную архитектуру нейронных сетей, которая может распознавать визуальные шаблоны, такие как рукописные символы. Заложив основу для современных методов компьютерного зрения. С тех пор конволюционные сети играют важную роль в интерпретации геологических изображений и данных дистанционного зондирования в геонауках.
В 1982 разработаны рекуррентные сети (Recurrent Neural Network (RNN)), получили широкое распространение благодаря своей применимости в задачах прогнозирования временных рядов, для моделирования климата и сейсмическое прогнозирование, прогноз разработки месторождений по сей день.
В эту эпоху также появились алгоритмы случайного леса и метод LSTM. Random Forest используются для моделирования перспективности полезных ископаемых и классификации типов пород. LSTM - разновидность рекуррентной нейронной сети - особенно эффективна при анализе временных рядов, включая такие приложения, как прогнозирование гидрологических и метеорологических моделей.
В тот же год Теуво Кохонена была создана в 1982 году, стала незаменимой в анализе сейсмических данных. Здесь вот иллюстрация из первой статьи об использовании Карт Кохоненна для автоматической корреляции сейсмических горизонтов и это 1989 год!! А сейчас нам говорят, что это ноу-хау, а атрибутный анализ появится годом позже.

Для понимания бурного развития применения ИИ в геонауках в ту эпоху можно обратиться к обзорной статье Мирко Ван дер Баана 2000 года. Цитата
Бум 1990 использования ИИ в геонауках произошёл благодаря популяризация методов автоматического дифференцирования и обратного распространения в конце 1980-х годов, они и раскрыли потенциал нейронных сетей для широкого применения в геофизике. Ну а ещё конечно цены на нефть.

итак современное состояние. Поскольку тут уже объём работ, исследований и результатов огромен и каждый в своей отрасли сможет выделить собственный набор ключевых технологий этого периода – пройдёмся кратко.
В эпоху с 2000 мы наблюдаем демократизацию ИИ, в основном благодаря широкому распространению инструментов, облегчающих разработку ИИ (Torch, Tensorflow, Sklearn, и др.)

в 2006 году Хинтон, Осиндеро и Йи Те представили сети глубокого доверия, тем самым положив начало эре глубокого обучения.
Крупномасштабная иерархическая база данных изображений ImageNet, разработанная в 2006 году, сыграла решающую роль в развитии алгоритмов распознавания изображений.

В феврале 2011 года суперкомпьютер Watson принял участие в телепередаче Jeopardy без доступа к Интернету и одержал победу.
В марте 2016 года AlphaGo выиграла в Го со счётом 4:1 у профессионала высшего ранга.
GPT-3 — релиз третьего поколение алгоритма обработки естественного языка. 2020 год. Модель, по заявлению разработчиков, решает «любые задачи на английском языке».
в ноябре 2020 года в конкурсе CASP участвовала AlphaFold 2, системы ИИ, способной предсказывать структуры белков с беспрецедентной точностью. И это лишь толика нашего с вами информационного поля.
И если кажется, что парадигма сменилась и сейчас только самые новые методы, вот несколько успешных заметных исследований применения знакомых нам по 50ым, 70ым годам технологий для решения различных проблем в геонауках.
Так же в этот период значительный прогресс в применении методов ИИ для анализа изображений, конволюционные нейронные сети, генеративные состязательные сети и нейронные сети, основанные на физике, в области геонаук. Здесь на слайде различные архитектуры СНН.
Методы на основе CNN широко использовались для пикировки первых вступлений, полноволновой инверсии, выделения тектонических разломов, сегментации соляных тел и сейсмических фаций, реконструкции отсутствующих трасс.
ГАНы для моделирования трехмерных пористых сред , для геостатистической инверсии, синтеза сейсмограммы, полноволновой инверсии волны для обнаружения разломов.

На этапе разведки месторождений нефти и газа геологам и геофизикам приходится решать множество сложных математических задач, одной из которых является обратная задача геофизики или сейсмическая инверсия.

Сейсмическая инверсия - это метод получения физических параметров из сейсмических данных, собранных в полевых условиях. Эти физические параметры представляют собой характеристики земных недр и имеют физическое и геологическое значение, поэтому сейсмическая инверсия представляет собой количественную интерпретацию сейсмических измерений и является одной из наиболее важных процедур интерпретации данных.

За долгую историю сейсмической разведки полезных ископаемых ученые предлагали различные подходы к решению проблемы инверсии, а в последние годы было предпринято множество попыток применить к этой проблеме методы машинного обучения.

В этом докладе мы немного углубимся в математику сейсмических задач, расскажем, как мы применили подход, основанный на данных, для решения физической задачи сейсмической инверсии, и обсудим перспективы машинного обучения в области больших данных сейсморазведки.

1. Чем отличаются технологии видеонаблюдения и видеоаналитики
2. Принцип работы детекторов системы видеоаналитики
3. 4 типа детектируемых событий: сизы и зоны, поведение, оборудование, процессы
4. Сценарии применения: охрана труда и промышленная безопасность
5. Сценарии применения: контроль техпроцессов на буровой
6. Эффекты от внедрения
8. Платформа и решения VizorLabs: практический опыт внедрения умной видеоаналитики. Кейсы: Лукойл, Газпромнефть, Arabian Drilling Company (Саудовская Аравия) и др.

В своём докладе Евгений рассмотрит новые виды атак на приложения, использующие LLM. Мы обсудим новый класс угроз, эксплуатирующих особенности работы больших языковых моделей. Рассмотрим категоризацию атак, их применимость к чат-ботам с ИИ, а также техники мониторинга и защиты. Разберем, какие фреймворки и стандарты в отрасли появились для работы в области LLM Security, включая OWASP, Mitre, Databricks и другие. Обсудим, чем защита и выравнивание (alignment) Open Source моделей отличается от проприетарных. Слушатели получат обзор в области защиты LLM-приложений и чек-лист для подготовки и эксплуатации своих приложений.