HighLoad++ 2025 - Крупнейшая профессиональная конференция для разработчиков высоконагруженных систем

Агентный подход к матчингу товаров с помощью LLM

GenAI и большие языковые модели (LLM)

Доклад принят в программу конференции

Целевая аудитория

Разработчики, использующие LLM для решения пользовательских задач.

Тезисы

Расскажу о развитии LLM матчинга в wildberries. Агентный подход позволяет автоматизировать написание качественных промптов для конкретной категории товаров.

Виталий Кулиев

Wildberries & Russ

Data science tech lead.

Видео

Другие доклады секции

GenAI и большие языковые модели (LLM)

Как перевести разметку на генеративные модели, не уронив качество и стабильность

Дарья Шатько

Яндекс Крауд

Workshop: Разработка ИИ-агентов с использованием MCP-серверов

Антон Морев

Wormsoft

Как сохранить высокую надёжность при GenAI трансформации

Вячеслав Кудряшов

Сбер

Создание ML планировщика движения для робота доставщика

Быков Дмитрий

ООО Яндекс технологии

Как RAG ускоряет поддержку RUTUBE: от гибридного поиска до мониторинга галлюцинаций

Виктор Леньшин

RUTUBE

Мастер-класс: "Создание AI-агентов: с нуля до мультиагентной системы"

Дмитрий Антипов

Сбер / АБТ

Заселение без фронт-деска или как построить бесконтактный сервис в сети отелей на основе RAG.

Кирилл Кухарев

Raft

Строительные блоки LLM‑агентов: планировщик, память, RAG и рабочие цепочки

Алексей Барган

Компания «Тантор Лабс»

AI ответы в Яндекс.Поиске: как увеличить счастье пользователей и сэкономить GPU

Алексей Яндутов

Яндекс

Инженерия данных в эпоху LLM: опыт построения датасетов с триллионами токенов.

Валерий Березовский

Сбер

С нуля до мультиагентной системы

Алина Баймашева

Домклик

Больше не значит медленнее: Практики инференса больших LLM

Антон Чигин

Сбер