Десятки, а иногда и сотни тысяч событий в день. Каждое — потенциальная авария, а может, просто шум. L1-инженеру нужно решить: добавить событие к инциденту? Создать новый? А может, это часть уже закрытого? Или всё серьёзнее — и перед нами экосистемный сбой, затрагивающий десятки сервисов?

Раньше в МТС это классифицировали вручную. Но при таком объёме и разнообразии инфраструктуры быстро поняли, что нужна автоматизация. Слишком велик риск пропустить важное, не найти корень проблемы, потратить драгоценные минуты в критический момент.

В этой статье — Михаил Копытин, руководитель команды разработки, и Евгений Лачугин, руководитель экосистемной команды поддержки в МТС Web Services – расскажут, как построили автоматизацию, какие архитектурные решения приняли, какие грабли собрали и как достигли точности разметки выше 80%.

P.S. сохраняй, чтобы прочитать позже

Конечно, можно, если идете на AiConf X. Мы там и не такое будем обсуждать😎 Так что минуточку внимания ☝🏻

Как стереть нерелевантные данные из ИИ без интеграции с RL или отучить модель вести токсичную беседу?

На эти вопросы ответит Вадим Шубин. Он расскажет о перспективном направлении — машинном разучивании — попытке научить ИИ «забывать» то, что он уже узнал, но знать не должен (от приватных данных и авторского контента до опасных знаний).

Вадим поделится основными подходами, пайплайном и метриками оценки для эффективного «стирания» данных, не ломая модели.

Разбор технологий, погружение в продукты, реальный опыт бизнеса и разработчиков на AiConf X уже этой осенью! Билеты на сайте 🚀

🔥 — если хочешь научиться «стирать» память ИИ
⚡️ — если хочешь научиться «стирать» память маглам (такому не научим, но хотеть не вредно)
❤️ — если у тебя сегодня хорошее настроение

💬 Подписаться на AiConf X

Как обучить ML-модели на Edge-устройствах с памятью <256 МБ? И превратить Wi-Fi-точки в «умные» устройства без доп. затрат?

Развертывание современных моделей машинного обучения, даже умеренного размера (~500 тыс. параметров), для федеративного обучения (FL) на массовых edge-устройствах, таких как Wi-Fi точки доступа или IoT-шлюзы, часто неосуществимо из-за экстремальных ограничений по ОЗУ (<256 МБ). Стандартные подходы требуют загрузки всей модели, что превышает доступные ресурсы.

При таких жестких условиях можно было бы сдаться, но не в нашем случае.

26 сентября на AiConf X Александр представит комплексный подход для решения этой проблемы — с использованием квантования, динамической подгрузки слоев и eBPF-обработки сетевых данных.

Читайте подробные тезисы доклада на сайте и приходите послушать вживую!

Накидайте огонечков за смекалку и находчивость🔥

💬 Подписаться на AiConf X