*️⃣ Монолит → экосистема с 90 тысячами встреч в день
До таких масштабов выросла наша Платформа доставок, которая ежедневно распределяет около 90 тысяч встреч, учитывает более 20 параметров и работает 24/7 без права на сбой.
Когда команда выросла с 20 до 100 инженеров, а количество сервисов перевалило за десятки, старые подходы перестали работать. Мы перешли от монолита к микросервисам, от ручного планирования к алгоритмической платформе, от разрозненных мобильных приложений к единому супераппу. И заодно перевезли 3 ТБ данных с Oracle на PostgreSQL, сократив их до 350 ГБ.
🙂 В карточках руководитель управления операционных платформ Светлана Чернышова рассказала про уроки масштабирования, которые мы вынесли. А больше про архитектуру, команды и технологии читайте на Хабре.
Казалось бы, конфигурация — это просто .env и settings.py. Но стоит приложению вырасти — и начинается: секреты утекают в логи, port внезапно приходит строкой abc, настройки дублируются между окружениями.
🙂 Наш тимлид команды чат-ботов Николай Видов прошел путь от хардкода до типизированных схем и понял: конфигурация — это не мусорный код на скорую руку, а часть инфраструктуры, которую нужно проектировать так же тщательно, как бизнес-логику.
В карточках — эволюция подходов к конфигурации в Python: откуда мы пришли, куда идем и какие грабли встречаем на пути. А больше подробностей читайте на Хабре.
🔍 Дашборд, чтобы отслеживать техдолг в 12 тысячах репозиториев
Иногда бывает трудно понять, кто и какие библиотеки использует. Одна команда сидит на устаревшей версии, другая тащит зависимости с известными CVE, третья не знает, что есть альтернатива получше.
За контроль техдолга и состояний зависимостей у нас отвечает Tech Radar. Он собирает данные с 12 тысяч репозиториев, обрабатывает 172 правила от лидеров профессий и формирует дашборды.
✨ В карточках — как устроен сбор, как применяются правила и как выглядит отчетность.
🔍 Как переход от NSwag к OpenAPI сократил генерацию клиента с 15 минут до нескольких секунд
В каждой команде есть момент, когда фронт и бэк перестают понимать друг друга. Бэкендер переименовал поле, изменил URL или добавил новый enum, а фронт узнает об этом только в QA. А если повезет, то в несвязанной задаче за день до релиза.
Мы попытались это починить: не просто заменить NSwag на ng-openapi-gen, а выстроить процесс, где контракт становится отдельным артефактом, а не побочным продуктом сборки.
🙂 В карточках старший разработчик платформы для разметки данных AI-Центра Т-Банка Дмитрий Чепайкин рассказал, какие проблемы пытались решить, что пробовали на стороне ASP.NET Core, почему отказались от build-time-генерации и как в итоге выстроили workflow с контрактами. А подробнее читайте на Хабре.
*️⃣ Из чего состоят K8s-контроллеры и на какие грабли мы наступили при работе с ними
Контроллеры в Kubernetes выглядят просто на схемах из документации. Но, когда садишься писать свой, оказывается, что там очередь, воркеры, кэш, индексы, манифесты, схема, веб-хуки. И это только начало.
Мы пишем контроллеры для LBaaS и уже набивали шишки на бесконечной реконсиляции, finalizers, которые не работают для ресурсов из разных неймспейсов, и обновлениях, которые порождают конфликты resourceVersion.
↗️ В карточках разобрали, из чего на самом деле состоит контроллер, что из этой обвязки берет на себя kubebuilder и с какими проблемами можно столкнуться. Больше подробностей читайте на Хабре.
Как создать LLM-ассистента, который ищет товары по всему интернету? Какие сложности возникают при обучении языковых моделей? Что и как предсказывают латентные модели мира?
Эти и десятки других вопросов мы обсудили на Turbo ML Conf — конференции про глубокие исследования, прикладной ML и инженерные системы.
А сейчас делимся с вами записями всех докладов. Выбирайте, какая секция вам ближе, и переходите в плейлист.
Доклады об архитектуре и обучении современных моделей, их интерпретируемости, безопасном поведении и способности к рассуждению и самокоррекции.
💬 ВКонтакте | 📹 Ютуб↗️ Fundamental Advances & Exploratory R&D
Как внедрять ML в продукты: интеграция классических и GenAI-моделей, обеспечение их предсказуемости, влияние AI на пользовательский опыт и бизнес-метрики.
💬 ВКонтакте | 📹 Ютуб↗️ Applied ML at Scale & Business Impact
Технологическое ядро ML-систем: архитектуры, пайплайны данных и масштабное обучение, методы дообучения, низкоуровневая оптимизация инференса и инфраструктура.