JUG Ru Group | SmartData 2026. Data + AI: от источника данных до работающих моделей (2026) WEB-DL [RU]

Автор: JUG Ru Group
Производство: SmartData
Жанр: Инженерия данных, DataOps, MLOps, LLM, архитектура data-платформ, базы данных

Описание: SmartData 2026. Data + AI — специализированная конференция по инженерии данных, аналитике, backend-разработке и ML-инфраструктуре. Участники разбирают полный путь данных: от источников, хранилищ и стриминга до DataOps, MLOps, архитектуры ML-решений и работающих AI-моделей. В фокусе — практический опыт, реальные архитектурные решения и внутреннее устройство технологий: распределённые хранилища, MPP DBMS, потоковая обработка, облачные решения, управление данными и построение production-ready ML-систем.

Продолжительность: 23:37:34
Качество видео: WEB-DL
Язык озвучки: Русский

Data Processing и стриминг — пакетная и потоковая обработка данных, устойчивые ETL/ELT-процессы, работа с большими объёмами, оптимизация пайплайнов и снижение задержек.
MPP DBMS и хранилища данных — архитектура распределённых БД, MPP-систем, data warehouse и data lakehouse, масштабируемые хранилища и управление производительностью.
SMP и специализированные СУБД — эксплуатация, индексы, транзакции, оптимизация запросов, надёжность и отказоустойчивость.
Архитектура data-платформ — от сбора и каталогизации до предоставления данных командам аналитики, разработки и ML; масштабируемость, наблюдаемость, безопасность и стоимость владения.
Data Management и качество данных — каталогизация, lineage, контроль качества, governance, работа с метаданными и SLA.
DataOps и эксплуатация — CI/CD для data-пайплайнов, мониторинг, тестирование данных, инцидент-менеджмент и автоматизация.
Cloud Solutions — облачные решения для хранения, обработки и анализа данных: архитектура, миграция, гибридные сценарии, безопасность и оптимизация затрат.
Database Internals — планировщики запросов, хранение данных, репликация, распределённые транзакции, отказоустойчивость и производительность СУБД под нагрузкой.
Data + AI — подготовка качественных данных, инфраструктура для обучения и инференса моделей, MLOps-процессы и стабильная работа ML-решений в production.

Урок 1. Открытие конференции SmartData 2026 (00:21:31)
Урок 2. Как научить LLM работать с данными, а не просто писать правдоподобный SQL (00:46:09)
Урок 3. Что происходит между SELECT и ДАННЫМИ (00:46:30)
Урок 4. Как платформизация и AI меняют цикл аналитической разработки (00:45:12)
Урок 5. LLM под нагрузкой — как измерять производительность self-hosted моделей (00:47:10)
Урок 6. Новости Kafka — KRaft, Queus, tiered storage (и немного про YDB) (00:38:16)
Урок 7. CubeFS Deep Dive — возможности единого хранилища для ML, аналитики и контейнеров (00:47:28)
Урок 8. State of Iceberg REST Catalogs — чего нам не хватает и как собрать Control Plane своими руками (00:46:21)
Урок 9. Есть ли жизнь после dbt (00:45:19)
Урок 10. Диагностика производительности PostgreSQL (00:45:27)
Урок 11. LLM Ops — оптимизация инференса и ML-serving (00:44:50)
Урок 12. Векторный поиск в PostgreSQL — pgvector изнутри (00:45:36)
Урок 13. Эволюция бэкенда собственного S3-хранилища (00:44:45)
Урок 14. Граф знаний как инфраструктура для AI-агентов — от датасетов к единому графу (00:44:33)
Урок 15. Витрины данных на Data Lakehouse — маленькая история про большой переезд с Greenplum (00:44:56)
Урок 16. Datapipe — трансформация данных при помощи K8s и S3 (00:45:26)
Урок 17. Докупать нельзя доиспользовать — как AI-ассистент дорос до production (00:45:32)
Урок 18. Миграция инструментов управления данными на OMD в масштабах Магнита (00:41:50)
Урок 19. Постмортем сравнения Agentic и классического AutoML (00:35:39)
Урок 20. Production ML для RTSP-камер — как построить реалтайм-платформу видеоаналитики (00:36:43)
Урок 21. MDM который ничего не хранит — как сопоставлять данные не забирая их к себе (00:42:56)
Урок 22. Читать быстрее чем отдает Ceph — как мы построили S3-шардирование (00:44:17)
Урок 23. От Text-to-SQL к Trusted Analytics — строим on-prem семантический слой для AI-агентов (00:45:12)
Урок 24. YTsaurus в дикой природе — плюсы минусы подводные камни (00:45:57)
Урок 25. TL2 — дизайн формата сериализации — решения заимствования и ошибки (00:36:20)
Урок 26. Почему будущее ИИ «безвекторно» и как мы проверили это на кейсе помощника оператора (00:46:25)
Урок 27. Тачка на прокачку — адаптируем вашу старую ретриву к новым вызовам (00:35:50)
Урок 28. Как месяц искать утечку памяти в СХД и выяснить что ее на самом деле нет (00:33:26)
Урок 29. Ревью и деплой потоков NiFi через Git (00:41:07)
Урок 30. ML против хакеров. Процессинг сотен тысяч событий в секунду (00:46:53)
Урок 31. Контракты данных — когда схема становится договором (00:43:35)
Урок 32. Metric Store as a Boost for AI (00:45:45)
Урок 33. Исследование безопасности устройств — как и зачем (00:44:10)
Урок 34. Закрытие конференции SmartData 2026 (00:06:06)

Скриншоты:

Время раздачи: 24/7 (круглосуточно) (минимум до появления первых 3–5 скачавших)