AWS на русском

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 – Начало
00:00:32 – Представление гостя — Евгений
00:03:10 – Чем занимается архитектор: список активностей
00:05:11 – Технические вопросы и AI: 90% замена
00:09:19 – Архитектура: контекст важнее технических знаний
00:16:43 – Билдинг: от 2 недель до 6 часов
00:25:20 – Обучение: как AI меняет процесс
00:32:58 – Изменение ролей
00:39:00 – Эксперт-дженералист: как оставаться на коне
00:49:28 – Заключение

YouTube: https://www.youtube.com/watch?v=VIDEO_ID&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbL
Podbean: https://awsinrussian.podbean.com/
Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/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, 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 LLM
00:06:47 - Как начать разработку: клиентская или серверная часть?
00:07:47 - Аналогия с USB-C и решение "M x N проблемы" интеграции
00:12:53 - Как на практике подключить MCP-сервер?
00:17:58 - Практические примеры: Agentic Coding и доступ к файлам
00:19:45 - Кто уже использует MCP: пример с PayPal
00:23:36 - Вопросы безопасности и Prompt Injection
00:24:33 - 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 - Начало
00:03:15 - Проблема ограниченного контекста в LLM
00:08:40 - Что такое RAG и как он обогащает запросы?
00:15:20 - GraphRAG: новый уровень работы с данными через графы
00:22:10 - Tools и Function Calling: как научить LLM действовать?
00:28:55 - От диалоговых флоу к автономным AI-агентам
00:35:30 - 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