AHA’26: AI-агенты, LLM и новая экономика цифровых продуктов

Программа конференции объединила несколько тематических направлений: экономику масштабирования цифровых продуктов, методы снижения стоимости проверки гипотез, архитектуру прикладного AI, ML&AI-инженерию, data-платформы, управление ассортиментом и спросом в retail и e-commerce, а также внедрение LLM и AI-агентов в реальные бизнес-процессы.

От аналитики к AI-first решениям

Одной из центральных тем AHA’26 стало практическое применение больших языковых моделей и AI-агентов. Спикеры обсуждали, как это меняет продуктовые процессы, помогает автоматизировать принятие решений и становится частью инфраструктуры современных сервисов.

• Дмитрий Михель (Авито) поделился опытом внедрения системы Next Best Action, в которой ML и LLM помогают в 7-10 раз оптимизировать работу сейлз-команд и повышать эффективность взаимодействия с клиентами.
• Елизавета Афанасьева (Точка Банк) рассказала о токенизации русского языка, подготовке данных для дообучения больших языковых моделей и подходах к обеспечению качества данных для AI-систем.
• Владислава Павликова и Ольга Логинова (MTS Web Services) представили мультиагентную платформу на базе LLM с долгосрочной памятью и RAG-подходом, способную выступать в роли персонального помощника для различных пользовательских сценариев.

Методы снижения стоимости проверки гипотез

Отдельный блок программы был посвящен развитию аналитической культуры и современным подходам к проведению экспериментов.

• Никита Бобух (Авиасейлс) рассказал о запуске A/B-тестов в условиях масштабной миграции технологического стека и поделился подходами, позволяющими проводить эксперименты без участия разработчиков.
• Иван Мочилин (Циан) представил применение метода Synthetic Difference-in-Differences для оценки региональных экспериментов, а Дмитрий Казаков (Kolesa Group) показал, как uplift-сегментирование помогает повышать эффективность A/B-тестов и увеличивать долю успешных запусков.
• Марк Хабаров и Михаил Рязанский (VK, Дзен) продемонстрировали, как большие языковые модели используются для автоматизации пост-анализа экспериментов и поиска скрытых факторов, влияющих на результаты тестов.

Архитектура прикладного AI

Значительная часть докладов были посвящена инфраструктуре и инженерных практиках, которые позволяют масштабировать AI-решения и поддерживать их качество в реальной эксплуатации.

• Роман Гриднев (Яндекс) рассказал о создании автоматизированного каталога данных и документации для DWH с использованием LLM, что позволило сэкономить более 5 лет рабочего времени специалистов.
• Даниил Понизов и Роман Лазовский (Wildberries & Russ) поделились опытом внедрения AIOps-подходов и автоматизации работы с алертами с помощью LLM и Auto Workflow.
• Ефим Пункин (Честный знак) представил практику автоматического контроля качества данных для критически важных систем, а Сергей Бажин (ИТ-холдинг Т1) разобрал подход Test-Time Learning — метод адаптации больших языковых моделей к новым задачам непосредственно во время инференса без использования размеченных данных.

Конференция также включала мастер-классы, дискуссии и партнерские активности, которые позволили участникам обсудить реальные кейсы внедрения AI, обменяться опытом и познакомиться с новыми инструментами для работы с данными и продуктами.