Развиваем распределённый кластер SQL-запросов в памяти над данными YTSaurus: ускоряем доставку артефактов, прокачиваем observability, гоняем бенчмарки и быстро ловим регрессии

Инфраструктурный сервис для сложных взаимосвязанных данных поверх распределённого key-value хранилища. Задачи — производительность запросов, согласованность данных и развитие API без ломания совместимости

Отказоустойчивое хранилище: таблицы на петабайты, ответы за миллисекунды. Задачи от работы с диском и ядром ОС до балансировки нагрузки. Код на C++ и open source — коммиты видны на GitHub

Будешь развивать обучаемые мультиагентные системы и воспроизводить baseline-решения. Поработаешь с RL-обучением планировщика и поисследуешь, как повысить качество таких систем

Займёшься алайнментом Нейро с помощью reward-моделей и LLM-критика. Будешь экспериментировать с test-time scaling и развивать Vision-Language модели

Будешь улучшать архитектуру бота-помощника Лавки AI и добавлять новые возможности — например, выбор LLM прямо в интерфейсе AI-first приложения

Поработаешь с VLM для роботов-доставщиков. Будешь исследовать современные подходы и повышать автономность роботов, снижая нагрузку на операторов

Будешь развивать модели, которые стоят за Алисой и быстрыми командами. Они работают прямо на колонке — важны реализация и ускорение инференса. Пройдёшь весь цикл ML-продукта: данные → обучение → инференс → аналитика качества

Это может быть мини-игра, прототип, лендинг, что-то развлекательное или полезное — скидывайте ссылку на проект и пару слов о нём в комменты к этому посту.

— учебник по JavaScript — основа, которую проверим на собеседованиях
— лекции Школы разработки интерфейсов: VK и YouTube
— CodeRun: готовимся к контесту и собесам
— запись прохождения интервью и тренировочные вебинары
— наши посты про подготовку к собесам: раз и два

Мы изучили ваши посылки — и там было много интересного: микрооптимизации, языковые хаки и нестандартные реализации. Делитесь ими с другими участниками соревнования.