- Ошибки и последствия внедрения AI
- AppSec / DevSecOps / MLSecOps: технологии, инструменты и процессы
- Риски AI в software supply chain
- Engineering productivity: инструменты и процессы
- Observability и эксплуатация в продакшене
- Работа с инцидентами и postmortem
Фреймворки и методы разработки продуктов
Практическое применение Scrum, Kanban, фреймворков масштабирования и других подходов к продуктовой разработке
Создание высокоэффективных продуктовых команд
Командообразование, лидерство, коучинг, менторинг, мотивация, Management 3.0 и игровые практики
От внутреннего продукта к рыночному решению
Как превратить внутреннюю разработку в полноценный продукт для внешнего рынка: подходы, ошибки и успешные кейсы
Практики использования AI в продуктовых процессах: как AI меняет роль продакт-менеджера и где проходит баланс между технологиями и человеческим фактором
Стартапы и предпринимательский опыт
Кейсы казахстанских стартапов и стартапов, созданных казахстанцами: запуск, рост, ошибки и выводы
Софт-скиллы в продакт-менеджменте
Роль soft skills в работе продакта: влияние на результат, развитие навыков, первые шаги в менеджменте
Бизнес-кейсы и рост продуктов
Истории успеха, удачные продуктовые пивоты, кейсы первых продаж, выход на интересные и неочевидные рынки
Данные в режиме near real-time
Сценарии, где важна скорость: обработка событий, стриминг-архитектуры, мониторинг, антифрод, оперативные витрины
Аналитика как инструмент развития бизнеса
Доклады о том, как аналитика помогает командам принимать решения: метрики, эксперименты, A/B-тестирование, рост продуктовых показателей
MLOps: запуск и сопровождение моделей
Как организован процесс «от обучения до продакшена»: деплой, мониторинг качества, работа с деградацией моделей, обновления и контроль изменений
Data Engineering и стабильные пайплайны
Как вы строите и поддерживаете инфраструктуру данных: загрузки, витрины, масштабирование, отказоустойчивость, контроль качества данных
AI-агенты и автоматизация процессов
Кейсы, где AI не просто отвечает, а выполняет действия: помогает сотрудникам, подключается к инструментам и ускоряет рабочие процессы
LLM и GenAI: прикладное применение
Как вы используете большие языковые модели в продуктах или внутренних задачах: автоматизация, ассистенты, работа с текстами, поиск по документам и знаниям
AI/ML в реальных продуктах
Как вы внедряли модели в рабочие системы: что получилось, что — нет, как измеряли эффект и как поддерживаете решения после запуска
- Как встроить AI в существующий корпоративный SDLC, не сломав процессы
- Anti-patterns внедрения AI в разработке
- Multi-agent подходы в разработке и автоматизации
- Измерение эффективности AI: метрики, а не ощущения
- Когда AI не должен писать код и тесты
- On-prem vs Cloud LLMs: trade-offs в разработке
Если вы хотите выступить с другой актуальной темой, то мы обязательно её рассмотрим