Ваш опыт нужен
тысячам инженеров

• Как автоматизировать извлечение бизнес-требований из разрозненных транскриптов пользовательских интервью с помощью LLM?
• Как использовать AI для автоматического выявления противоречий, логических ошибок и пробелов в объемных технических заданиях?
• Как генерировать качественные User Stories и критерии приёмки на основе высокоуровневых бизнес-целей продукта?

• Как генерировать интерактивные прототипы и UI-компоненты по текстовому описанию?
• Как AI-архитектор может помочь в проектировании схемы базы данных и микросервисных взаимодействий?
• Как автоматически поддерживать актуальность архитектурной документации (Architecture as Code) при помощи LLM?
• Как AI может помочь архитектору в выборе оптимального технологического стека и паттернов для нового микросервиса, оценивая trade-offs?

• Как внедрить «агентный» подход в разработку: от Copilot к автономным кодинг-агентам?
• Как автоматизировать рефакторинг огромных монолитов и миграцию на новые стеки технологий?
• Как организовать эффективное Code Review, где AI выступает первым (и самым строгим) проверяющим?
• Как настроить локальные AI-модели (на базе Llama/DeepSeek) для помощи разработчикам в закрытых контурах с жесткими политиками ИБ?
• Как автоматизировать поддержание технической документации в актуальном состоянии прямо в процессе написания кода?

• Как автоматически генерировать Unit- и Integration-тесты на основе исходного кода и бизнес-требований с высоким покрытием?
• Как генерировать синтетические наборы данных для тестирования сложных сценариев без риска утечки персональных данных?
• Как AI может предсказать «хрупкие» места в коде еще до начала тестирования?
• Как применять AI для автоматического анализа логов и выявления первопричин (Root Cause) падающих пайплайнов?

• Как AI-модели могут предсказывать риски неудачного релиза на основе истории коммитов, покрытия тестами и метрик CI/CD?
• Как использовать LLM для автоматической генерации Release Notes, адаптированных отдельно для бизнеса, маркетинга и инженеров?
• Как внедрить системы автоматического отката деплоя (AI-driven Auto-rollback) на основе анализа аномалий в метриках здоровья приложения?
• Как оптимизировать конфигурации Kubernetes и Terraform с помощью AI-агентов для снижения затрат на облачную инфраструктуру?

• Как использовать AI-агентов для автоматической классификации, маршрутизации и первичного ответа на технические тикеты от пользователей?
• Как предсказывать деградацию производительности и потенциальные инциденты (AIOps) до того, как они затронут конечных клиентов?
• Как применять RAG-системы (Retrieval-Augmented Generation) по внутренней базе инцидентов (Post-mortems) для ускорения онбординга и дежурств?
• Как автоматически генерировать и тестировать патчи для известных уязвимостей (CVE) в open-source зависимостях проекта?

• Архитектура систем с миллионами RPS и экстремальной нагрузкой
• Микросервисная архитектура: истории успеха и провалов
• Миграции с legacy-систем на современный стек технологий
• Геораспределенные архитектуры и работа с множеством ЦОДов
• Архитектурные паттерны для масштабируемых систем
• Производительность при резком росте нагрузки
• Архитектура data-intensive приложений

• Масштабирование баз данных: шардирование, репликация, балансировка
• Высокопроизводительные решения для хранения и обработки данных
• Распределенные SQL и NoSQL-решения в условиях высоких нагрузок
• Отказоустойчивые хранилища и системы восстановления
• Облачные базы данных: архитектура, особенности, использование
• Нестандартные решения и подходы для хранения данных
• Оптимизация запросов и производительности БД
• Российские решения в области хранения данных
• Программные и аппаратные системы хранения данных

• Построение эффективных ML-пайплайнов
• MLOps: практики, инструменты, мониторинг
• Распределенная обработка данных в реальном времени
• Хранение и версионирование моделей и датасетов
• Архитектура систем рекомендаций на больших масштабах
• Оптимизация ETL-процессов для больших объемов данных
• Системы мониторинга качества данных и моделей
• Высокопроизводительные вычисления для data science

• Построение внутренних платформ для ускорения разработки
• Developer Experience как ключевой фактор эффективности
• Управление большой инфраструктурой: от теории к практике
• Kubernetes и облачная экосистема для высоконагруженных систем
• Internal Developer Platforms: архитектура и практики внедрения
• Мониторинг, управление ресурсами и оптимизация затрат
• FinOps практики для облачных платформ
• SDN, SDS: разработка и эксплуатация на масштабах

• DevSecOps и безопасность в процессе разработки
• Защита от DDoS, высоконагруженных атак и ботов
• Внедрение Zero Trust в масштабных инфраструктурах
• Безопасность контейнеров и микросервисов
• Масштабируемые решения для аутентификации и авторизации
• Управление секретами в распределенной инфраструктуре
• AI-технологии для обнаружения и предотвращения атак
• Безопасность облачных инфраструктур

• Практики построения отказоустойчивых систем
• Наблюдаемость: метрики, логи, трейсинг на масштабах
• Автоматизация управления инцидентами
• Методики проведения постмортемов и снижения MTTR
• SLO, SLA, SLI: практическое применение
• Хаос-инжиниринг в продакшн-среде
• Управление конфигурациями в распределенных системах
• Оптимизация потребления ресурсов и финансовых затрат

• Архитектуры для обработки данных на границе сети
• Низколатентные решения для критически важных приложений
• Синхронизация и консистентность в распределенных вычислениях
• Оптимизация инференса ML-моделей на граничных устройствах
• Балансировка вычислений между центром и периферией
• Реализация систем реального времени на граничных вычислениях
• Практические кейсы снижения нагрузки на центральную инфраструктуру

• Нагрузочное тестирование в условиях сверхвысоких нагрузок
• Автоматизация функционального тестирования масштабных систем
• Тестирование отказоустойчивости и восстановления после сбоев
• Инструменты и методики для непрерывного тестирования
• Симуляция пиковых нагрузок и экстремальных сценариев
• Мониторинг производительности в тестовых и продакшн-средах
• Анализ и профилирование узких мест системы

• Высокопроизводительные решения на PHP, Go, Rust, Java, C++, Python
• Выбор технологий для конкретных задач и сценариев нагрузки
• Оптимизация рантайма языков программирования
• Асинхронное программирование и паттерны конкурентности
• Практики эффективного использования памяти и ресурсов
• Профилирование и оптимизация производительности кода
• Техники горячего обновления в высоконагруженных системах

• Архитектура и инфраструктура IoT-решений
• Безопасность и конфиденциальность в экосистеме IoT
• Протоколы и стандарты для устройств IoT
• Обработка данных с IoT-устройств и сенсоров
• Граничные и туманные вычисления (Edge/Fog Computing)
• Умные дома, города и промышленные системы
• Взаимодействие IoT с другими технологиями (AI/ML, блокчейн)
• Энергоэффективность и автономность IoT-устройств
• Тестирование и отладка IoT-систем
• Примеры успешных внедрений и кейсы использования IoT

• Вычисления на GPU
• Суперкомпьютеры

• Квантовые вычисления для решения сложных задач
• Блокчейн и децентрализованные системы в промышленных масштабах
• Потоковая обработка видео и мультимедиа
• Высоконагруженные поисковые системы
• Биллинг и платежные системы под экстремальными нагрузками
• Аппаратные решения для ускорения вычислений
• Новые протоколы и стандарты для высоконагруженных систем

• Архитектура высокопроизводительных нод блокчейн сетей
• Оптимизация консенсус-алгоритмов для повышения пропускной способности
• Шардинг и параллельная обработка транзакций в блокчейн-системах
• Построение блокчейн биржевых платформ с высокой нагрузкой
• Системы мониторинга и аналитики блокчейн-сетей в реальном времени
• MEV (максимальная извлекаемая ценность): архитектурные и технические аспекты
• Mempool-менеджмент и оптимизация включения транзакций в блоки
• Распределенные системы хранения для блокчейн-данных
• Защита от DDoS и других атак на блокчейн инфраструктуру
• Высоконагруженные системы для майнинга и валидации транзакций
• Технические аспекты разработки и поддержки DeFi-протоколов
• Оптимизация смарт-контрактов для снижения вычислительных затрат
• Интеграция блокчейн платежей в высоконагруженные финтех-системы
• Архитектура кросс-чейн мостов и решения проблем масштабируемости
• Оптимизация производительности сетей на базе Proof-of-Stake
• Практические кейсы внедрения блокчейн-технологий в корпоративном секторе

• Быстрая и надёжная поставка изменений в продакшн
• Автоматизация процессов в сложных системах
• Архитектура организации. Топология, команды, взаимодействие

На каждой HighLoad++ мы стараемся немного расширить границы — и добавляем в программу несколько (3–5) докладов, которые выходят за рамки привычных инженерных тем. Это не просто технические рассказы, а настоящие экскурсии в смежные и малоизведанные области: от физики и медицины до математики и кибербезопасности.

Главное в этих докладах — не сложность кода, а эффект открытого окна: вы рассказываете о мире, о котором большинство участников даже не подозревали. Здесь важна связка: интересная предметная область + технический взгляд изнутри.

Примеры тем, которые хорошо вписываются в эту секцию:

• Что может квантовый компьютер и где он уже работает?
• Как устроен цифровой двойник атомной станции или буровой платформы?
• Как машинное обучение помогает разрабатывать лекарства?
• Какие функции растут быстрее, чем факториал, и зачем математикам такие штуки?
• Как хакеры зарабатывают деньги на уязвимостях?

Мы не стремимся делать из этого отдельную трековую секцию — такие доклады штучные, и конкуренция за слот здесь выше. Но если вы можете увлечь зал и погрузить его в незнакомую, но важную и впечатляющую область — мы с нетерпением ждём вашу заявку.