Доклады конференции HighLoad++ 2026

Построение платформы, позволяющей генерировать интерфейсы и бизнес-логику в масштабе крупной экосистемы — это одновременно технологический вызов и глубокая трансформация процессов работы с требованиями. В докладе мы расскажем про путь создания enterprise-решения для вайбкодинга: от определения границ применимости и проектирования высоконагруженной архитектуры до пересборки ролей аналитиков, разработчиков и владельцев продукта. Разберем, какие условия должны сложиться в компании, чтобы генеративный AI стал управляемым инструментом создания продукта, а не источником еще большей путаницы, и как обеспечить прослеживаемость и качество результата на всех этапах.

Фоновая компактификация для удаления устаревших данных в LSM-деревьях традиционно запускается по таймеру - вслепую: на кластерах YTsaurus до 90% данных переписывались без изменений, а период приходилось подбирать вручную. Мы научили компактификацию запускаться по данным: у каждого чанка есть дайджест — сводка в несколько килобайт, по которой заранее видно, сколько места освободит перезапись. Расскажем про структуры данных внутри дайджестов, три алгоритма на их основе и грабли, собранные при раскатке. В продакшне подход срезал поток компактификации в разы, поднял её КПД на порядок и полностью убрал ручную настройку.

1. Проблема: почему стандартные инструменты не работают
   • время бэкапа для 100–500 ТБ — от суток и более;
   • критическая нагрузка на CPU/IO, риск деградации продуктива;
   • проблемы консистентности при длительных операциях.
   • срыв RTO (время восстановления);
   • потеря данных при сбоях в процессе бэкапа;
   • вынужденный downtime.
2. Ключевые требования к альтернативным решениям
   • Минимальное воздействие на рабочую систему (near zero downtime).
   • Предсказуемое время выполнения (часы вместо дней).
   • Гарантия консистентности данных.
   • Масштабируемость под огромные объёмы (сотни террабайт).
   • Автоматизация и мониторинг.
3. DB-agnostic решение: LVM снэпшоты. Принцип: мгновенное «фото» файловой системы через механизм Copy on Write. Плюсы:
   • создание снэпшота — секунды независимо от объёма;
   • нулевая блокировка записи;
   • полная файловая консистентность.
4. Решение для Cassandra/Scylla: бэкап по token ranges с параллельной обработкой данных по диапазонам токенов. Плюсы:
   • линейное масштабирование скорости (больше узлов = быстрее);
   • равномерное распределение нагрузки;
   • поддержка инкрементальных бэкапов.
5. Альтернативные подходы (кратко)
   • Репликация в отдельный кластер + бэкап с реплики:
   • Облачные снапшоты (AWS EBS, GCP Persistent Disks): Выводы и заключение: Бэкап огромных БД – сложная техническая задача, так как стандартные подходы и инструменты не работают. Без применения нестандартных подходов риск потери данных становится неприемлемым.

В рамках проекта по оптимизации работы роботов‑доставщиков Яндекса решена задача сжатия видеопотоков с fisheye‑камер — устройств с широким углом обзора, сопровождающимся геометрическими искажениями. Ключевая проблема связана с необходимостью передачи видео в условиях ограниченного канала связи: при планируемом масштабировании сервиса рост числа роботов усилит нагрузку на мобильные сети. Цель оптимизации — снизить битрейт при сохранении достаточного качества изображения, соблюдая строгие ограничения: простоту алгоритмов, экономию вычислительных ресурсов и минимизацию расхода заряда батареи.

Для достижения цели разработана методология оптимизации параметров кодирования и сравнения кодеков. Она опирается на общепринятые подходы: оценку с помощью метрики BD‑Rate, точечный анализ для заданных значений битрейта/качества и сопоставление Rate‑Quality‑кривых. В ходе экспериментов варьировались ключевые параметры (промежуточное разрешение, Intra‑period, количество опорных кадров, HW Preset, тип битрейт‑контроля, размер буфера). Результат — снижение общего битрейта от четырёх камер на ровере на 15 % при сохранении или улучшении визуального качества.

Дополнительно оценены перспективные способы повышения эффективности сжатия: применение AV1‑энкодера (сокращение битрейта на ~10 %) и технологии Region Of Interest (ROI, перераспределение битрейта с периферийных участков в зону интереса — экономия 5–10 %). В качестве направлений дальнейшего развития выделены внедрение алгоритмов предобработки видео, полномасштабное использование AV1 и масштабирование ROI‑подхода. Решения отличаются практической ориентированностью: они позволяют добиться существенного сокращения битрейта без кардинальной смены системы кодирования, что критично для быстрого развёртывания в реальной инфраструктуре.

Это деловая игра про жизненный цикл создания ИИ-агента: от идеи и первого прототипа до тестов, инцидентов и сопровождения в продакшене. Участники становятся командами-разработчиками, которые участвуют в тендере заказчика. Их задача — создать ИИ-агента для распознавания изображений и набрать максимум баллов. Победит не тот, кто быстро собрал прототип, а тот, кто построил более надёжный процесс: с понятной целью, проверками, правилами оценки рисков и улучшениями после ошибок. В ходе игры команды активно используют ИИ как партнёра по разработке: для анализа вариантов, поиска слабых мест, генерации тестов, разбора ошибок и улучшений. Факты: 1. В игре 4 раунда от первого прототипа ИИ-агента до мультиагентной системы. 2. За время игры происходит разбор полезных практик жизненного цикла создания ИИ-агента при совместной работе команды, заказчика и ИИ-ассистентов (agent brief, prompting, evals, guardrails, human-in-the-loop, postmortem, regression tests и др.). 3. Лучший результат даёт команда, работающая совместно с ИИ: человек отвечает за смыслы и управление рисками, а ИИ ускоряет аналитику, тесты и улучшение системы.