Когда монолит становится сложно развивать, хочется разделить его на микросервисы, но вместе с этим появляются новые вопросы: где провести границы, как организовать взаимодействие сервисов и что делать, если один из них перестал отвечать.
29 октября в 19:00 МСК разберём, когда стоит переходить к микросервисам и как проектировать их с учётом сбоев и роста нагрузки.
На уроке ты узнаешь:
➖ чем микросервисная архитектура отличается от монолита и когда переход оправдан
➖ какие проблемы возникают при взаимодействии микросервисов
➖ какие паттерны помогают сделать систему надёжнее и как применять идемпотентность
На продакшен кейсе сервисов заказов и платежей разберём, как потерянный ответ приводит к двойному списанию и как от этого защититься.
Урок проведёт Станислав Клоков, тимлид финтех-проекта с нагрузкой 100k RPS, который раньше разрабатывал ядро платформы микросервисов в Яндексе.
👉 Регистрируйся, чтобы разобраться в микросервисах на практическом примере
🖥 Паттерны проектирования ИИ-интерфейсов. Как создавать креативные и автономные системы
Даже самый умный ИИ может оказаться бесполезным, если у него отвратительный интерфейс.
Можно подключить мощнейшую языковую модель, добавить ИИ-агентов и автоматизацию, но если пользователь не понимает, как всем этим управлять, — продукт обречён.
Практический материал о том, как проектировать действительно удобные ИИ-интерфейсы, а не просто прикручивать ChatGPT к очередному приложению.
Что интересного внутри:
🔣 Проектирование ИИ-интерфейсов — как сделать взаимодействие с LLM и агентами понятным обычному человеку.
🔣 Готовый шаблон промпта — для управления форматом ответов нейросети и интеграции в собственные продукты.
🔣 Модель трёх каналов передачи намерений — помогает находить причины, по которым ИИ неправильно понимает пользователя.
🔣 Три уровня зрелости ИИ-команды — как перейти от разрозненных экспериментов с нейросетями к стабильным процессам внутри компании.
🔣 Работа с ограничениями ИИ — как с помощью грамотного дизайна уменьшить влияние недостатков современных моделей.
Сохраняем — пригодится при разработке следующего AI-проекта.