Участники конференции Aha!25 обсудили машинное обучение, работу с данными и продуктовую аналитику
В конце мая в Москве прошла Aha!25 — техническая конференция для тех, кто создает продукты, работает с аналитикой, машинным обучением и искусственным интеллектом. В этом году мероприятие впервые проводилось в двухдневном формате и собрало 1100 участников: продуктовых менеджеров и аналитиков, data scientists, ML-инженеров и исследователей из крупнейших компаний Рунета.
Программа конференции включала 16 тематических потоков: продуктовые треки, ML-сессии, доклады про A/B-тесты, экономическую эффективность и causal inference, панельные дискуссии и лайв-подкасты.
CPO & CTO Uzum Кевин Ханда показал, как выстроить бизнес-эффективную экосистему — от первых шагов до масштабируемых решений. На кейсе Uzum он разобрал, какие сервисы приносят трафик, какие генерируют выручку, и как связать финтех, e-commerce и пользовательскую лояльность в единую архитектуру.
Исполнительный директор, руководитель AI, ML команд в RnD для B2C "СберИИ" Александр Абрамов рассказал, как будут развиваться большие языковые модели в 2025 году — от синтетических данных и самообучения до memory-архитектур и мультиагентных систем. Разобрал тренды на reasoning, персонализацию и вызовы в обучении с подкреплением (RLHF), включая примеры с DeepSeek и Tree-of-Thought.
Одним из выступлений ML-трека стал доклад фаундера MLinsight и советника МТС Виктора Кантора. Спикер поделился, как компании обучают сотрудников для внедрения AI-решений, какие навыки нужны для выхода в прод и почему грамотное развитие команды становится критическим фактором успеха в эпоху "каждый хочет AI".
В течение двух дней спикеры делились прикладными кейсами и конкретными примерами влияния ML на бизнес-метрики.
Руководитель группы исследований и разработки "Яндекс Доставка" Андрей Нарцев отметил, что внедрение ML-прогнозов в систему динамического ценообразования позволило снизить среднюю стоимость доставки на 2,7% без ущерба для заработка исполнителей. Точность предсказаний улучшилась на 19%, а в отдельных когортах — до 26%.
Представители Ozon Банк Максим Федотов и Никита Можугин рассказали о том, как команда построила собственную платформу персонализации, которая снизила стоимость привлечения в 8 раз и увеличила ретеншн на 45%. Один из кейсов принёс миллионы рублей выручки и стал драйвером трёх новых ML-направлений.
Senior ML Engineer "Купер" Алёна Картошкина поделилась тем, как команда сократила Time-to-Market ML-решений с нескольких недель до нескольких дней благодаря автоматизации рутинных этапов, внедрению фича-стора и стандартизации пайплайнов.
На площадке работали брендированные зоны с интерактивами, баскетболом, виртуальной реальностью, розыгрышами и стендами с аналитическими задачами. Помимо практикующих специалистов, конференцию также посетили магистры ведущих технических вузов страны.
