infra.conf 2026

ML-инфраструктура

• Эффективность обучения и инференса моделей
• Эффективность LLM. Новые архитектуры, фреймворки, RL, параллелизм, инференс и т.д.
• ML-платформы и тулинг для ML-команд
• Агентская инфраструктура
• Системы и подходы к менеджменту GPU-кластеров
• Инфраструктура подготовки данных

Базы данных и стораджи

• Архитектура больших стораджей: хранение данных, адаптация для обучения моделей
• Масштабирование: шардирование и автошардирование, инструменты шардирования реляционных СУБД, мультирегиональное развёртывание
• Надёжность хранения: распределённые транзакции, восстановление и самовосстановление, резервное копирование
• Оптимизация под железо: утилизация дисков, CPU и сети в СУБД, GPU для обработки запросов
• Индексы: «деревья», индексы, векторный поиск, полнотекстовый поиск в СУБД
• Выполнение SQL: движки, реализация операторов SQL, оптимизаторы запросов, адаптивная оптимизация
• Тестирование надёжности и производительности: катастрофоустойчивость, бенчмарки
• DBA и autotune: оптимизация, использование инструментов автонастройки, LLM-ассистенты для DBA
• СУБД для аналитики: колоночное хранение и выполнение, массивно-параллельное выполнение запросов
• Data Lake: ETL/ELT, Data Catalog, Data Lineage
• Потоковая обработка данных: очереди, системы стриминга

Инструменты для разработчиков и платформы разработки, повышающие эффективность инженеров

Практики управления разработкой:

• Локальная разработка — контейнеризация (Docker, Podman), мини‑кластеры (Kind, Minikube), локальные базы данных
• CI/CD — конвейеры, параллелизация тестов, артефакторные хранилища, деплой в Kubernetes отладка и профилирование — распределённая трассировка, анализ памяти/CPU, логирование в микросервисах
• Code collaboration — Git-флоу, review-инструменты, хуки pre-commit, генерация документации
• Платформенные решения (Internal Developer Platform, IDP) — самообслуживание, стандартизация конфигураций, абстракции над инфраструктурой

Observability

Комплексный подход к пониманию состояния системы через логи, метрики, трейсы и события:

• Сбор и агрегация данных — OpenTelemetry, Prometheus, ELK, OpenSearch, векторные агрегаторы (Vector, Fluent Bit)
• Корреляция сигналов — связывание логов, метрик и трейсов для диагностики инцидентов
• Алерты и SLO/SLI — пороги, шумоподавление, инцидент‑менеджмент, постмортемы
• Распределённая трассировка — контекст запросов, анализ задержек, выявление узких мест
• Observability для Kubernetes — мониторинг подов, узлов, сетевых политик, storage‑классов

SRE и эксплуатация

Принципы и практики обеспечения надёжности и доступности, автоматизация, управление инцидентами:

• SLO/SLA/SLI — определение метрик, бюджеты ошибок, компромисс между новизной и стабильностью
• Планирование ёмкости — нагрузка, пики, автоскейлинг, резервирование ресурсов
• Инциденты и восстановление — playbooks, war rooms, постмортем‑анализ, Blameless Culture
• Автоматизация рутины, самовосстановление систем, Chaos Engineering

Управление трафиком, Service Mesh, L7