AWS на русском

Паша Веллер 20 лет рос в EPAM от инженера до Chief Technologist - и всё это время писал код руками. 
В новом выпуске подкаста «AWS на русском» говорим с Пашей Веллером (Chief Technologist / VP AI, PandaDoc) и Вадимом Войтюком (Principal SA, AWS) про путь инженер → CTO → продукт → AI и как остаться hands-on:
🔹 Почему CTO должен продолжать пачкать руки в коде: перестал делать руками - быстро перестал быть адекватным технологом, которому клиент верит🔹 Три качества, которые двигают карьеру: инициатива, умение принимать решения и ответственность за них. Одно английское слово вбирает всё - agency🔹 Сервис против продукта как две кривые: consultancy - синусоида стресса (аврал → спад → аврал), продукт - прямая линия чуть ниже пиков (давление постоянное, но стабильное)🔹 AI в документообороте PandaDoc: 60 млн документов в год, а контракт не может быть правильным на 97% - нужно 100%. Вот где «AI пишет легко» заканчивается и начинается инженерия
Будет полезно инженерам, которые растут в тимлидов и техлидов и боятся «потерять руки»; архитекторам; всем, кто адаптируется к AI-разработке и выбирает между сервисной и продуктовой карьерой.
💡 Раздели рабочий день на две части: полдня - митинги и коммуникация, полдня - работа руками в фокусе. Быть занятым легко, этого от тебя все хотят. Вопрос в другом: ты сегодня был занят или принёс пользу?
🎧 Доступно на любимой платформе:• YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже)
💬 Оставаться hands-on любой ценой или в какой-то момент честно отпустить код и уйти в стратегию? Где вы на этой кривой?
#Career #EngineeringLeadership #AICoding #CTO #AWS #Подкаст #AWSнаРусском
Навигация (Podbean)(0:00) Начало и представление гостей(1:25) Кто такой Паша Веллер: Минск → EPAM → США, 26 лет опыта(2:52) Может ли CTO оставаться hands-on и зачем(4:20) Доверие клиента строится через техническую глубину(6:13) Три качества роста: инициатива, решения, ответственность (agency)(11:49) Сервис vs продукт: для инженера и для лидера(14:45) Метафора двух кривых: синусоида против прямой линии(16:32) Тактика против стратегии: почему в продукте иначе(18:22) Выход из зоны комфорта(19:09) Есть ли в продукте «волны» под релизы (re:Invent)?(20:44) PandaDoc: vertical SaaS, continuous deployment, feature flags(23:37) Продакт-инженер и плотность таланта: 200 vs 60 000 человек(27:46) Почему инженеры меняют продукт на сервис и обратно(29:46) Что строит в PandaDoc: VP AI и внедрение AI в продукт(34:16) AI в документообороте: 87-97% против нужных 100%(37:46) Как решают точность: инженерное решение и evals(39:24) «Навайбкодить PandaDoc за вечер»? 60 млн документов в год(42:34) Типичный день Chief Technologist: день на две части(46:58) Maker vs manager schedule (Пол Грэм)(48:19) Быть занятым против приносить пользу (value)(50:44) «Перестал писать код руками в октябре»: жизнь после Sonnet 4.5(53:45) Когнитивная нагрузка: писать легче, читать сложнее(55:10) Кому больно терять ручной код и почему(58:40) Финал: один практический совет инженеру(1:02:59) Индустрии с высокой ценой ошибки (Starlink, медтех)(1:05:30) Итоги и прощание
Навигация (YouTube)00:00:00 - Начало и представление гостей00:01:25 - Кто такой Паша Веллер: Минск → EPAM → США, 26 лет опыта00:02:52 - Может ли CTO оставаться hands-on и зачем00:04:20 - Доверие клиента строится через техническую глубину00:06:13 - Три качества роста: инициатива, решения, ответственность (agency)00:11:49 - Сервис vs продукт: для инженера и для лидера00:14:45 - Метафора двух кривых: синусоида против прямой линии00:16:32 - Тактика против стратегии: почему в продукте иначе00:18:22 - Выход из зоны комфорта00:19:09 - Есть ли в продукте «волны» под релизы (re:Invent)?00:20:44 - PandaDoc: vertical SaaS, continuous deployment, feature flags00:23:37 - Продакт-инженер и плотность таланта: 200 vs 60 000 человек00:27:46 - Почему инженеры меняют продукт на сервис и обратно00:29:46 - Что строит в PandaDoc: VP AI и внедрение AI в продукт00:34:16 - AI в документообороте: 87-97% против нужных 100%00:37:46 - Как решают точность: инженерное решение и evals00:39:24 - «Навайбкодить PandaDoc за вечер»? 60 млн документов в год00:42:34 - Типичный день Chief Technologist: день на две части00:46:58 - Maker vs manager schedule (Пол Грэм)00:48:19 - Быть занятым против приносить пользу (value)00:50:44 - «Перестал писать код руками в октябре»: жизнь после Sonnet 4.500:53:45 - Когнитивная нагрузка: писать легче, читать сложнее00:55:10 - Кому больно терять ручной код и почему00:58:40 - Финал: один практический совет инженеру01:02:59 - Индустрии с высокой ценой ошибки (Starlink, медтех)01:05:30 - Итоги и прощание
YouTube: https://www.youtube.com/watch?v=VIDEO_ID&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbLPodbean: https://awsinrussian.podbean.com/Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/id1600771698Яндекс.Музыка: https://music.yandex.ru/album/20088544Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42JRSS: https://feed.podbean.com/awsinrussian/feed.xml

Вы уже написали своего DevOps-агента в Kiro или Claude Code. И ещё тысяча ваших коллег - каждый своего, на 80% одинакового. Зачем тогда AWS выпустил готового frontier-агента?
В новом выпуске подкаста «AWS на русском» разбираем AWS DevOps Agent с Фёдором Павловым и Антоном Коваленко:
🔹 Зачем готовый агент, если есть Kiro и Claude Code: у тысяч клиентов одни и те же болячки (observability, incident response), а возню с доступами, scope и хостингом («держать палец между крышкой ноута и клавиатурой») берёт на себя AWS🔹 Из чего он собран: space = IAM-роль (например, read-only на prod) + capabilities (логи, метрики, трейсы, GitHub/GitLab, кастомные MCP). Топология вашей инфраструктуры как «факт» против Terraform-«плана»🔹 Incident response и root cause: агент коррелирует данные из всех источников, выдаёт RCA и mitigation-план по шагам (validate → backup → change → validate → rollback)🔹 Proactive prevention: агент копит опыт как инженер, делает weekly refine и даёт рекомендации по 4 направлениям (observability, infrastructure, governance, code) - сразу с готовой спекой для фикса🔹 Ops → Dev: биллинг по секундам, триаж сотен алертов в одну первопричину, авто-создание support-тикета, а на Summit в Нью-Йорке (preview) - Release Readiness Review и Autonomous Release Testing
Будет полезно DevOps/SRE, платформенным и backend-инженерам и архитекторам на AWS, а также всем, кто уже строит агентов в Kiro/Claude Code и думает, где выгоднее готовый frontier-агент.
💡 Доступ к CloudWatch даст и локальный Kiro. Уникальное у готового агента - накопленная история расследований и tribal knowledge: то, что инженеры проговорили у кофе-машины во время инцидента и чего нет ни в Confluence, ни в коде.
🎧 Доступно на любимой платформе:• YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже)
💬 Вы бы доверили managed frontier-агенту prod на запись или держали бы только read-only? Как разграничиваете доступы?
#DevOpsAgent #AIAgents #SRE #IncidentResponse #AWS #Подкаст #AWSнаРусском
Навигация (Podbean)(0:00) Introduction(0:24) Гости: Фёдор Павлов и Антон Коваленко(1:36) Что такое агент(2:26) Зачем готовый агент, если есть Kiro и Claude Code(4:39) Свой мониторинг против готового решения(7:39) Пример Kiro: spec-driven development и неизменяемый дизайн(10:11) Из чего состоит DevOps Agent: space и IAM-роль(11:25) Capabilities: логи, метрики, трейсы, Git(12:50) Что такое расследование и root cause(14:41) Доступ к инфраструктуре и топология(16:09) План против факта: Terraform и реальность(18:25) Как команда делает RCA вручную(19:41) RCA и mitigation-план по шагам с rollback(22:30) Proactive prevention: агент копит опыт(25:02) 4 типа рекомендаций и готовая спека для фикса(27:39) Что можно менять: скиллы, MCP, системный промпт(30:12) Sub-агенты: специализированный фокус(32:53) Токены и деньги: биллинг по секундам(33:43) Enterprise Support: кредиты на агента(34:22) Проблема на стороне AWS: авто-создание support-тикета(37:02) Триаж: сотни алертов и blast radius(40:49) Talk to your infrastructure(42:31) Tribal knowledge, которого нет в Confluence(43:54) Ops закрыли, а что с Dev?(45:23) Summit NY: Release Readiness Review и Autonomous Release Testing (preview)(48:13) Shift-left и quality gates(50:14) SDLC и тизер эпизода про AI DLC(51:44) Итоги и анонс
Навигация (YouTube)00:00:00 - Начало00:00:24 - Гости: Фёдор Павлов и Антон Коваленко00:01:36 - Что такое агент00:02:26 - Зачем готовый агент, если есть Kiro и Claude Code00:04:39 - Свой мониторинг против готового решения00:07:39 - Пример Kiro: spec-driven development00:10:11 - Из чего состоит DevOps Agent: space и IAM-роль00:11:25 - Capabilities: логи, метрики, трейсы, Git00:12:50 - Что такое расследование и root cause00:14:41 - Доступ к инфраструктуре и топология00:16:09 - План против факта: Terraform и реальность00:18:25 - Как команда делает RCA вручную00:19:41 - RCA и mitigation-план по шагам с rollback00:22:30 - Proactive prevention: агент копит опыт00:25:02 - 4 типа рекомендаций и готовая спека для фикса00:27:39 - Что можно менять: скиллы, MCP, системный промпт00:30:12 - Sub-агенты: специализированный фокус00:32:53 - Токены и деньги: биллинг по секундам00:33:43 - Enterprise Support: кредиты на агента00:34:22 - Проблема на стороне AWS: авто-создание support-тикета00:37:02 - Триаж: сотни алертов и blast radius00:40:49 - Talk to your infrastructure00:42:31 - Tribal knowledge, которого нет в Confluence00:43:54 - Ops закрыли, а что с Dev?00:45:23 - Summit NY: Release Readiness Review и Autonomous Release Testing (preview)00:48:13 - Shift-left и quality gates00:50:14 - SDLC и тизер эпизода про AI DLC00:51:44 - Итоги и анонс
YouTube: https://www.youtube.com/watch?v=VIDEO_ID&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbLPodbean: https://awsinrussian.podbean.com/Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/id1600771698Яндекс.Музыка: https://music.yandex.ru/album/20088544Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42JRSS: https://feed.podbean.com/awsinrussian/feed.xml

8 миллионов поездок в день, 500 кластеров Redis в 8 регионах AWS, и всё это смигрировали на Valkey силами двух инженеров за два месяца. История inDrive.
В новом выпуске подкаста «AWS на русском» говорим с Vadym Voitiuk (Principal SA, AWS) и командой inDrive (Alexander Lisachenko, Solution Architect + Artem Gab, Engineering Manager) про Redis, Valkey и ElastiCache в масштабе ride-hailing:
🔹 inDrive в цифрах: 48 стран, 1000+ городов, 8M поездок в день и миллионы водителей в real-time телеметрии🔹 Каир-проблема: одна city_id = один hot slot. Почему m6g.24xlarge (96 ядер) не спасла, и как однопоточный Redis завалил прод🔹 H3 гексагоны от Uber как новый ключ шардирования: разблокировали горизонтальное масштабирование по shard🔹 Микросервисная архитектура: от коммунального Redis к Redis per microservice per region, blast radius сократили с мира до страны🔹 Миграция 500 кластеров OSS Redis -> Valkey: 2 инженера × 2 месяца × zero-downtime через AWS online engine migration, ~20% экономии подтверждено CUDOS
Будет полезно SRE, DevOps и архитекторам, у кого Redis/Valkey под серьёзной geo-нагрузкой, и всем, кто думает про переезд с self-managed Redis на ElastiCache или с Redis OSS на Valkey.
💡 Обычный CPUUtilization врёт на Redis/Valkey: при outage может показывать «всё ок». Смотреть надо на EngineCPUUtilization. Redis однопоточный, и именно оно показывает загрузку того самого «золотого» ядра, которое работает с данными.
🎧 Доступно на любимой платформе:• YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже)
💬 А у вас Redis прячет свой «золотой» core? Какие метрики мониторите в ElastiCache на проде?
#Redis #Valkey #ElastiCache #H3 #inDrive #AWS #Подкаст #AWSнаРусском
Навигация (Podbean)(0:00) Introduction(0:57) Гость AWS - Вадим Войтюк(1:05) inDrive: Саша (SA) + Артём (Engineering Manager)(1:51) Что такое inDrive: ride-hailing с аукционом цены, 48 стран(4:28) Масштаб: 8M поездок в день и real-time телеметрия водителей(7:07) Почему Redis: геоиндексы для dispatch и Ленты(9:31) GEOADD, проекция Меркатора и геоподводные камни(10:27) Старый подход: city_id и hot slot на мегаполис(12:32) «Каир-проблема»: всё упирается в одно ядро(13:21) Redis на железе в виде «ёлочки»(16:27) Миграция в ElastiCache: один shard на 90% CPU(18:00) m6g.24xlarge не спас: Redis однопоточный(19:01) Нет контроля над распределением cluster slots(20:53) Первый rollback с production(22:14) Решение: H3 гексагоны от Uber(26:20) Временный Redis operator в EKS(28:50) Сейчас: ~500 кластеров × 8 регионов(29:52) Redis как hard dependency микросервиса(32:14) Engine CPU: ключевая метрика(34:33) Scale by shards vs by nodes(35:35) T-family baseline, кредиты, переход на M-family(38:37) Переезд на Valkey(39:06) 20% экономии по CUDOS(42:46) 500 кластеров × 2 инженера × 2 месяца(45:18) Online engine migration: zero-downtime(48:08) Graviton как дефолт для managed-сервисов(49:57) Топ метрик: engine CPU, memory, network(52:06) Секретная метрика Geospatial CMDS latency(53:00) Connection storming как предиктор cascade failure(55:46) TLS offloading + IO multiplexing на Valkey large+(58:55) Wish-list: network autoscaling + гибридный(1:00:23) Итоги
 
YouTube: https://youtu.be/LZLvJJvePSoPodbean: https://awsinrussian.podbean.com/Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/id1600771698Яндекс.Музыка: https://music.yandex.ru/album/20088544Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42JRSS: https://feed.podbean.com/awsinrussian/feed.xml

Думаете, промпт-инжиниринг — это про текст? В агентских системах промпт стал целеполаганием, а контекст агент собирает сам.
В новом выпуске подкаста «AWS на русском» говорим с Фёдором Павловым (SA, AWS, обладатель всех 12 сертификатов) о паттернах Agentic AI:
🔹 Чем агентская система отличается от обычного LLM — 3 принципа: автономность, агентность, асинхронность🔹 Строительные блоки агента — prompting, retrieval (RAG), tool use (MCP), memory🔹 Memory: short-term vs long-term vs RAG — как устроена память агента и почему LLM «глупеет» от перегруженного контекста🔹 Cognition augmented vs event-driven — почему агентские архитектуры гибче, но требуют guardrails и мониторинга🔹 8 паттернов — от tool-based и coding agents до multi-agent collaboration и simulation
Будет полезно разработчикам, архитекторам и DevOps-инженерам, которые хотят разобраться в Agentic AI от базовых концептов до мультиагентных систем.
💡 LLM «глупеет» от перегруженного контекста — поэтому long-term memory сжимает старые данные через саму LLM, сохраняя только то, что модели действительно важно.
🎧 Доступно на любимой платформе:• YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже)
💬 Вы уже строите агентские системы? Какие паттерны используете? Делитесь в комментариях!
#AgenticAI #LLM #MCP #AWS #Подкаст #AWSнаРусском #AIAgents
Навигация (Podbean)(0:00) Introduction(0:46) Представление гостя — Фёдор Павлов(3:06) Чем Agentic AI отличается от обычного LLM(5:27) 3 принципа: автономность, агентность, асинхронность(8:10) Измерения работы агента: reasoning, действия, восприятие(11:03) RAG и retrieval(11:45) Memory: short-term(15:36) Long-term memory — компрессия через LLM(23:53) Long-term memory vs RAG(27:11) Event-driven vs cognition augmented(31:34) Трейд-оффы: стоимость, вероятность, мониторинг(35:12) Обзор Agentic AI паттернов(40:21) Speech/voice agents(43:45) Workflow orchestration agents(48:52) Multi-agent collaboration(50:26) Итоги
Навигация (YouTube)00:00:00 – Начало00:00:46 – Представление гостя — Фёдор Павлов00:03:06 – Чем Agentic AI отличается от обычного LLM00:05:27 – 3 принципа: автономность, агентность, асинхронность00:08:10 – Измерения работы агента: reasoning, действия, восприятие00:11:03 – RAG и retrieval00:11:45 – Memory: short-term00:15:36 – Long-term memory — компрессия через LLM00:23:53 – Long-term memory vs RAG00:27:11 – Event-driven vs cognition augmented00:31:34 – Трейд-оффы: стоимость, вероятность, мониторинг00:35:12 – Обзор Agentic AI паттернов00:40:21 – Speech/voice agents00:43:45 – Workflow orchestration agents00:48:52 – Multi-agent collaboration00:50:26 – Итоги
YouTube: https://www.youtube.com/watch?v=VIDEO_ID&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbLPodbean: https://awsinrussian.podbean.com/Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/id1600771698Яндекс.Музыка: https://music.yandex.ru/album/20088544Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42JRSS: https://feed.podbean.com/awsinrussian/feed.xml

Раньше демка занимала 2 недели. Сейчас — 6 часов. И 70% времени уходит не на код, а на то, что действительно важно. Как AI меняет роль архитектора?
В новом выпуске подкаста «AWS на русском» говорим с Евгением, руководителем группы архитекторов в AWS, о том, как AI трансформирует работу и ценность технических ролей:
🔹 Технические вопросы: AI отвечает на 90% из них за секунды — эксперимент на реальных кейсах🔹 Архитектура: почему «что делать» становится важнее «как делать» и роль контекста🔹 Билдинг: от 2 недель к 6 часам — революция в прототипировании с AI-инструментами🔹 Обучение: почему пробовать руками важнее, чем проходить курсы, и как AI меняет процесс🔹 Будущее ролей: от T-shape к «многоножка-shape» — модель эксперта-дженералиста
Будет полезно архитекторам, senior-инженерам и техлидам, которые задумываются о развитии карьеры в эпоху AI.
💡 AI справляется с 90% технических вопросов, но собрать правильный контекст, понять бизнес и координировать людей — это то, что определяет ценность архитектора сегодня.
🎧 Доступно на любимой платформе:• YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже)
💬 Как AI изменил вашу работу? Что стало проще, а что — сложнее? Делитесь в комментариях!
#AI #SolutionArchitect #AWS #Архитектура #CareerGrowth #Подкаст #AWSнаРусском
Навигация (Podbean)(0:00) Introduction(0:32) Представление гостя — Евгений(3:10) Чем занимается архитектор: список активностей(5:11) Технические вопросы и AI: 90% замена(9:19) Архитектура: контекст важнее технических знаний(16:43) Билдинг: от 2 недель до 6 часов(25:20) Обучение: как AI меняет процесс(32:58) Изменение ролей(39:00) Эксперт-дженералист: как оставаться на коне(49:28) Заключение
Навигация (YouTube)00:00:00 – Начало00:00:32 – Представление гостя — Евгений00:03:10 – Чем занимается архитектор: список активностей00:05:11 – Технические вопросы и AI: 90% замена00:09:19 – Архитектура: контекст важнее технических знаний00:16:43 – Билдинг: от 2 недель до 6 часов00:25:20 – Обучение: как AI меняет процесс00:32:58 – Изменение ролей00:39:00 – Эксперт-дженералист: как оставаться на коне00:49:28 – Заключение
YouTube: https://www.youtube.com/watch?v=VIDEO_ID&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbLPodbean: https://awsinrussian.podbean.com/Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/id1600771698Яндекс.Музыка: https://music.yandex.ru/album/20088544Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42JRSS: https://feed.podbean.com/awsinrussian/feed.xml

Думаете, колоночная БД — это «узкая ниша» для дата-гуру? Знаете ли вы, что ClickHouse ставит рекорды по вставке данных и теперь разворачивается в AWS… одним кликом?
В новом выпуске подкаста «AWS на русском» говорим с Дмитрием Павловым (ClickHouse) о том, как построить молниеносную аналитику и подготовить данные для LLM:
🔹 Что такое ClickHouse и зачем он бизнесу
🔹 Marketplace в AWS: биллинг одной кнопкой
🔹 Real-time дашборды — для Tesla, OpenAI и Anthropic
🔹 ClickHouse + MCP: интеграция, которую клиенты сразу начали юзать
🔹 Уроки внедрения: метаданные, контекст и cost optimization
 
💡 Инсайт: подробное описание таблиц и бизнес-процессов снижает порог входа так сильно, что даже нетехнари начинают писать SQL-запросы сами.
 
 
🎧 Доступно на любимой платформе:
• YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже)
💬 Какие метрики вашей системы сегодня тормозят больше всего — и попробовали бы вы мигрировать их в ClickHouse?
#ClickHouse #AWS #DataAnalytics #AI #Database #Подкаст #AWSнаРусском
 
Навигация (Podbean)
(0:00) Introduction
(0:59) Что такое ClickHouse
(6:02) ClickHouse в AWS Marketplace
(14:59) Real-time дашборды клиентов
(23:45) ClickHouse + AI/LLM
(36:06) Lessons learned и cost optimization
(48:09) Итоги и планы
 
Навигация (YouTube)
00:00:00 – Начало
00:00:59 – Что такое ClickHouse
00:06:02 – ClickHouse в AWS Marketplace
00:14:59 – Real-time дашборды клиентов
00:23:45 – ClickHouse + AI/LLM
00:36:06 – Lessons learned и cost optimization
00:48:09 – Итоги и планы
 
YouTube: https://www.youtube.com/watch?v=IhDf_c1icRE&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbL
Podbean: https://awsinrussian.podbean.com/
Apple Podcast: https://podcasts.apple.com/by/podcast/aws-%D0%BD%D0%B0-%D1%80%D1%83%D1%81%D1%81%D0%BA%D0%BE%D0%BC/id1600771698
Яндекс.Музыка: https://music.yandex.ru/album/20088544
Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42J
RSS: https://feed.podbean.com/awsinrussian/feed.xml
 

Думаете, интеграция искусственного интеллекта с вашими внутренними системами — это всегда сложно и долго? А что, если существует стандарт, который упрощает этот процесс до уровня подключения USB?
В новом выпуске подкаста "AWS на русском" вместе с Фёдором Павловым и Михаилом Голубевым разбираемся, что такое Model Context Protocol (MCP) и как он меняет правила игры для AI-приложений.
🔹 Что такое MCP? Объясняем на простом примере — это как Telegram-боты, только для больших языковых моделей (LLM).
🔹 Клиент или сервер? Разбираемся, с какой стороны начать разработку и почему вы, скорее всего, будете писать сервер.
🔹 Безопасность прежде всего: Кто отвечает за защиту от prompt injection и как обезопасить свои инструменты?
🔹 Практическое применение: Обсуждаем, как компании вроде PayPal уже используют MCP для расширения своих возможностей.
 
💡 Инсайт: MCP превращает "M×N проблему" интеграции (M приложений × N инструментов) в гораздо более простую "M+N проблему", создавая единый стандарт для взаимодействия.
🎧 Слушайте на любимой платформе:
YouTube
Podbean
Apple Podcast
Яндекс.Музыка
Spotify
RSS
💬 Какие инструменты вы бы хотели подключить к AI в первую очередь? Делитесь идеями в комментариях!
 
 
Навигация для Podbean:(0:00) Introduction: почему мы снова говорим про MCP?(2:45) Что такое MCP: клиент-серверный протокол для LLM(6:47) Как начать разработку: клиентская или серверная часть?(7:47) Аналогия с USB-C и решение "M x N проблемы" интеграции(12:53) Как на практике подключить MCP-сервер?(17:58) Практические примеры: Agentic Coding и доступ к файлам(19:45) Кто уже использует MCP: пример с PayPal(23:36) Вопросы безопасности и Prompt Injection(24:33) MCP — это замена агентов?(29:53) Анонс тем для следующего выпуска: Prompt Caching, CLine и другие
Навигация для YouTube:00:00:00 - Вступление: почему мы снова говорим про MCP?00:02:45 - Что такое MCP: клиент-серверный протокол для LLM00:06:47 - Как начать разработку: клиентская или серверная часть?00:07:47 - Аналогия с USB-C и решение "M x N проблемы" интеграции00:12:53 - Как на практике подключить MCP-сервер?00:17:58 - Практические примеры: Agentic Coding и доступ к файлам00:19:45 - Кто уже использует MCP: пример с PayPal00:23:36 - Вопросы безопасности и Prompt Injection00:24:33 - MCP — это замена агентов?00:29:53 - Анонс тем для следующего выпуска: Prompt Caching, CLine и другие

Думаете, увеличение контекстного окна до миллионов токенов решает все проблемы? На самом деле модели всё равно теряют фокус, упускают важные детали в середине и страдают от информационной перегрузки!
В этом выпуске обсуждаем:
🔹 Retrieval-Augmented Generation (RAG): как эта технология борется с "галлюцинациями" и устаревшими данными, обогащая ответы AI.
💡 GraphRAG: почему семантические графы — это следующий шаг в понимании сложных связей в данных, и как это меняет игру.
🎧 Tools и Function Calling: как научить модель взаимодействовать с внешним миром, получать актуальную информацию и выполнять действия через API.
💬 AI-агенты: как мы переходим от простых диалоговых сценариев к автономным системам, способным самостоятельно планировать и выполнять задачи.
Этот выпуск будет особенно полезен разработчикам и архитекторам, которые хотят создавать более умные и автономные AI-решения, используя такие инструменты, как Amazon Bedrock.
💡 Узнаете, почему Nova Micro в 27 раз дешевле популярных моделей и как правильно декомпозировать документы для векторного поиска с учётом прав доступа.
Навигация для Podbean:(0:00) Introduction(3:15) Проблема ограниченного контекста в LLM(8:40) Что такое RAG и как он обогащает запросы?(15:20) GraphRAG: новый уровень работы с данными через графы(22:10) Tools и Function Calling: как научить LLM действовать?(28:55) От диалоговых флоу к автономным AI-агентам(35:30) Анонс следующего эпизода: что такое MCP?
Навигация для YouTube:00:00:00 - Начало00:03:15 - Проблема ограниченного контекста в LLM00:08:40 - Что такое RAG и как он обогащает запросы?00:15:20 - GraphRAG: новый уровень работы с данными через графы00:22:10 - Tools и Function Calling: как научить LLM действовать?00:28:55 - От диалоговых флоу к автономным AI-агентам00:35:30 - Анонс следующего эпизода: что такое MCP?
 
🎧 Слушайте на любимой платформе:
• YouTube
• Podbean
• Apple Podcast
• Яндекс.Музыка
• Spotify
• 💬 Какие подходы к расширению контекста используете вы? Пробовали Graph RAG в продакшене?
#AWS #AI #RAG #GraphRAG #LLM
 

Как построить ML-систему, которая обрабатывает десятки миллионов предсказаний в месяц? Особенно когда речь идет о критически важном производственном процессе!
В новом выпуске подкаста "AWS на русском" мы говорим с AWS ML Hero Рустемом (Rustem Feyzkhanov) о том, как масштабировать ML-системы в облаке от этапа исследований до промышленного внедрения:
🔹 Как построить эффективный ML-пайплайн для автоматического обучения моделей
🔹 Почему SageMaker Training Jobs и AWS Lambda — идеальная комбинация для масштабирования
🔹 Как оптимизировать расходы на ML-инфраструктуру с помощью spot-инстансов
🔹 Секреты мониторинга и отладки ML-систем в продакшене
Этот выпуск будет особенно полезен ML-инженерам, DevOps-специалистам и техническим лидам, которые работают над масштабированием ML-решений в облаке.
💡 Узнаете, как сократить время итерации ML-экспериментов с дней до часов и автоматизировать процесс вывода моделей в продакшен.
Навигация для Podbean:
• (0:00) Введение и представление гостя
• (5:30) Особенности AutoML платформы
• (15:45) ML-пайплайны и инфраструктура
• (25:20) Масштабирование и оптимизация
• (35:10) Мониторинг и поддержка
• (45:30) Рекомендации и выводы
Навигация для YouTube:
00:00:00 - Начало
00:05:30 - Особенности AutoML платформы
00:15:45 - ML-пайплайны и инфраструктура
00:25:20 - Масштабирование и оптимизация
00:35:10 - Мониторинг и поддержка
00:45:30 - Рекомендации и выводы
🎧 Слушайте на любимой платформе:
• YouTube
• Podbean
• Apple Podcast
• Яндекс.Музыка
• Spotify
• RSS
💬 А как вы решаете задачи масштабирования ML-систем? Делитесь опытом в комментариях!
#AWS #MachineLearning #SageMaker #MLOps 
 

Думаете, достаточно просто задать вопрос искусственному интеллекту и получить идеальный ответ? На самом деле всё гораздо интереснее!
В новом выпуске подкаста "AWS на русском" мы с Федором Павловым погружаемся в мир prompt engineering и раскрываем секреты эффективного взаимодействия с LLM:
🔹 Почему простой вопрос — это часто ошибочная стратегия🔹 Как правильно задавать контекст и роли для AI🔹 Few-shot learning: магия примеров в действии🔹 Продвинутые техники для улучшения качества ответов
Особенно интересно будет разработчикам, которые хотят повысить свою продуктивность с помощью AI-инструментов, таких как Amazon Q Developer.
💡 Узнаете, почему фраза "думай пошагово" творит чудеса с AI и как избежать типичных ошибок при составлении промптов.
🎧 Слушайте на любимой платформе:
• YouTube • Podbean • Apple Podcast • Яндекс.Музыка • Spotify • RSS
💬 А как вы используете AI в своей работе? Делитесь опытом в комментариях!
#AWS #AI #PromptEngineering #LLM #разработка #подкаст
Навигация для Podbean:
• (0:00) Введение • (0:25) Приглашенный гость Федор Павлов • (0:29) Обсуждение General TFI и промпт-инжиниринг • (2:08) Почему простой вопрос — это часто ошибочная стратегия • (2:29) Сравнение промпт-инжиниринга с SQL
• (4:05) Как правильно задавать контекст и роли для AI • (6:51) Зачем нужен prompt engineering • (12:25) Few-shot learning: магия примеров в действии • (18:36) Продвинутые техники для улучшения качества ответов • (38:48) Борьба с галлюцинациями в моделях
Навигация для YouTube:
• 00:00:00 - Начало • 00:00:25 - Приглашенный гость Федор Павлов • 00:00:29 - Обсуждение General TFI и промпт-инжиниринг • 00:02:08 - Почему простой вопрос — это часто ошибочная стратегия • 00:02:29 - Сравнение промпт-инжиниринга с SQL
• 00:04:05 - Как правильно задавать контекст и роли для AI • 00:06:51 - Зачем нужен prompt engineering • 00:12:25 - Few-shot learning: магия примеров в действии • 00:18:36 - Продвинутые техники для улучшения качества ответов • 00:38:48 - Борьба с галлюцинациями в моделях