Расписание

Посмотрим, как обстоят дела с FFM API (Project Panama) в 2026 году, как на своем опыте взаимодействия с большими нативными библиотеками вроде Catboost, так и на более гранулярных, но от этого не менее практических примерах вроде своих биндингов к libc.

Расскажем и покажем, как работает под капотом гибридная модель компиляции кода JIT + AOT в Android Runtime и какой профит она дает в реальных приложениях. Сравним решение от Google с проектом Leyden в большой Java.

Расскажу, что потребовалось доработать, чтобы запустить наш сервис на Valhalla Early-Access сборке в продакшене локально, какие изменения мы увидели в показателях и какие выводы мы можем сделать из всего этого эксперимента.

Как Java 25 с FFM API научилась управлять железом без единой строчки C: разбираем эволюцию архитектуры open-source проекта Pi4J: от JNI/JNA до чистой Java, границы применимости, тайминги и память — с бенчмарками и демо на реальных датчиках.

Разберем разные модели конкурентного программирования.

Посмотрим на эволюцию JVM сквозь призму закрытия архитектурных дыр. На примере фреймворка сериализации one-nio мы совершим археологическую раскопку: от Unsafe, MagicAccessorImpl и синтетических аксессоров до современных механизмов — VarHandles, Nestmates и Hidden Classes.

Vector API ускоряет код не сам по себе: результат определяют зависимости между операциями, возможности JIT и архитектура процессора. На JMH-бенчмарках разберем, когда достаточно автовекторизации, а когда явный SIMD действительно меняет алгоритм и дает выигрыш.

На JVM Language Summit 2025 года Брайан Гётц рассказал о планах добавить в язык Java классы типов. Доклад основан на рассказе Брайана, так как другой информации по этой теме очень мало, но это не просто пересказ.

Посмотрим, как обстоят дела с FFM API (Project Panama) в 2026 году, как на своем опыте взаимодействия с большими нативными библиотеками вроде Catboost, так и на более гранулярных, но от этого не менее практических примерах вроде своих биндингов к libc.

В этом докладе мы разберем виртуальные потоки Java не как feature, а как инженерное решение.

Про Elasticsearch как поисковый движок можно долго спорить. А вот для хранения метрик он оказался неожиданно неплох: расскажу, как мы запустили TSDS под нагрузкой более миллиона метрик в секунду, с какими проблемами столкнулись и почему в итоге пришлось лезть внутрь Elasticsearch и Lucene. Часть наших изменений в downsampling уже попала в upstream и вышла в релизе 9.5.0.

Vector API ускоряет код не сам по себе: результат определяют зависимости между операциями, возможности JIT и архитектура процессора. На JMH-бенчмарках разберем, когда достаточно автовекторизации, а когда явный SIMD действительно меняет алгоритм и дает выигрыш.

E2E-бенчмарк, красивые графики, внушительный RPS и первое место в таблице легко создают ощущение, что технология объективно быстрее конкурентов. Но что именно показывает E2E-бенчмарк? Поговорим о том, почему не стоит верить красивым показателям производительности и почему такие бенчмарки полезны, но опасны при буквальном чтении.

Разбираем:

— как профилирование работает под капотом

— какие различия и сходства у инструментов профилирования Java и натива

— специфику профилирования в облаке

Давайте разберемся, что на самом деле отделяет нас от роботов общего назначения. Разберем робота на части и посмотрим, где каждая упирается в потолок, а где прогресс идет быстрее, чем принято думать.

В докладе мы разберем несколько типовых кейсов, в которых наш агент и платформа вызывают LLM для решения «нечетких» задач, а после доклада слушатели унесут с собой конкретные подходы, основанные на наших продакшен-кейсах.

Как на Koog'е набросал Kotlin Script с простым агентом. Умом он не блещет, но простой и управляемый: кодом иногда проще объяснить задачу, чем словами.

Поговорим о том, что же такое вайбкодинг и почему этот термин вызывает так много отторжения в среде опытных программистов.

Доклад посвящен переходу от статичных агентов к self-evolving системам, способным адаптироваться к предпочтениям разработчика. На примерах алгоритма GEPA и эволюции SKILLs в Hermes-агенте разберем, как заставить ИИ учиться на ошибках и повысить эффективность кодовых ассистентов в ваших сценариях.

В этом докладе я хочу показать на своем примере и порассуждать о том, какую часть работы берет на себя менеджмент и как можно реально ускорить delivery-процесс.

Расскажу, как заставить агентов создавать UI по гайдам.

Доминирующая парадигма развития LLM-систем предполагает, что рост качества решений линейно связан с ростом мощности (и стоимости) базовой модели.

Доклад бросает вызов этому допущению, показывая, что при достаточно продуманной инженерной архитектуре — распределении задач между короткоживущими агентами, накоплении структурированного состояния и жестком символическом контроле — сопоставимые по качеству результаты достижимы на порядок дешевле моделей.

В выступлении будет обзор теории и приземление ее на конкретные кейсы, которые я слушал в паре десятков выступлений по теме, выделяя в них проявление общих элементов. Приходите, чтобы получить готовую теоретическую базу и набор практических шаблонов!

В реальности с ИИ выживут только инженеры: те, кто не отдают свое мышление полностью машинам и остаются субъектами решений, а не операторами интерфейсов.

LLM разрушают не рынок труда, а метафизическое право человека на существование. Разберем эту проблему с разных сторон.

Почему Context Engineering становится новой инженерной дисциплиной, как AI меняет весь жизненный цикл разработки (AI PDLC) и какие компетенции будут определять сильного инженера в ближайшие годы. 

На композитном кейсе разберем ситуацию, в которой LLM-агент резко ускорил подготовку спецификаций, но почти не сократил общий срок выпуска продукта.

...но так, чтобы никто не заметил.

Говорим о расписании, сессиях и активностях.

Скоро на этом месте появится новый доклад.

Я собираюсь рассказать о спорном, но возможном влиянии современных вариантов ИИ на человеческие память и мышление и о разумных стратегиях развития собственного мышления (в том числе критического) в этих условиях.