Datos se encuentran con IA

Los sistemas de datos están evolucionando con IA. La IA no solo está cambiando la forma en que construimos, consultamos, buscamos y observamos plataformas modernas de datos, sino que también está trayendo tipos completamente nuevos de datos y cargas de trabajo. Únete a nosotros para una mañana de bases de datos e IA, mientras los ingenieros de la comunidad comparten experiencias prácticas sobre cómo unir datos e IA. Desde encontrar la manera adecuada de buscar a través de miles de millones de vectores, hasta hacer que las bases de datos sean conversacionales, o entender lo que se necesita para observar plataformas modernas de IA, este encuentro explorará los sistemas que silenciosamente impulsan la revolución de IA. Ya sea que estés construyendo aplicaciones de IA, trabajando en infraestructura de datos, o simplemente tengas curiosidad sobre lo que sucede cuando Datos se encuentran con IA, este encuentro es para ti. ¡No te lo pierdas! Confirma tu asistencia y asegura tu lugar! Agenda Qué esperar: Espera charlas técnicas profundas y historias de ingeniería del mundo real sobre la intersección de la infraestructura de datos y la IA. Espera ideas prácticas, profundizaciones arquitectónicas, y lecciones aprendidas de la construcción y operación de estos sistemas en el mundo real. Terminaremos con una red de contactos durante el almuerzo, dándote la oportunidad de intercambiar ideas y experiencias con otros ingenieros de datos, entusiastas de bases de datos, ingenieros de plataformas y creadores de IA. Trae tus preguntas, tus experiencias y tu curiosidad sobre los sistemas detrás de la IA. *** Detalles de la sesión: Habla con tus Datos: Más allá de SQL ¡Únete a nosotros para una mirada práctica sobre la construcción de una interfaz conversacional de lenguaje natural para bases de datos desde cero! Profundizaremos en cómo integramos este sistema con ClickHouse para hacer que la exploración de datos complejos sea effortless a través de diferentes roles de ingeniería y negocios. Más allá de las demostraciones de características, compartiremos los problemas del mundo real que este enfoque resuelve, los desafíos de ingeniería centrales que enfrentamos al construirlo, y las lecciones técnicas clave aprendidas. Ya sea que tengas curiosidad sobre herramientas de bases de datos impulsadas por IA, integraciones de LLM, o experiencia de usuario en análisis, saldrás con ideas prácticas para tus propios proyectos. Ponentes: Sachidananda Maharana, SMTS @ Nutanix & Punith Subashchandra, MTS-3 @ Nutanix Detalles de la sesión: Búsqueda de Vectores: ¿Realmente necesitas otra Base de Datos? La búsqueda de vectores se ha convertido rápidamente en un bloque de construcción clave para aplicaciones de IA, pero ¿siempre significa introducir una nueva base de datos? Esta charla hará un recorrido a través de qué es la búsqueda de vectores, cómo evolucionó y dónde realmente agrega valor. Exploraremos casos de uso del mundo real que se benefician de la búsqueda de vectores, los compromisos involucrados en elegir una base de datos de vectores, y cómo evaluar si una base de datos de vectores especializada, o una base de datos existente como PostgreSQL o ClickHouse, es la adecuada para tu carga de trabajo. Veremos qué capacidades ya ofrecen las bases de datos existentes para la búsqueda de vectores, dónde funcionan bien, y dónde una base de datos de vectores dedicada puede ofrecer ventajas significativas. Ponentes: Pranav Mehta, MTS -4 @ Nutanix & Kailash Kejriwal, MTS-1 @ Nutanix Detalles de la sesión: Optimización de Inferencia con Observabilidad respaldada por ClickHouse El rendimiento de la inferencia es específico de la carga de trabajo. Un trabajo de resumen por lotes de alto rendimiento se preocupa por el total de tokens procesados por segundo y puede tolerar un primer token lento. Un asistente de codificación optimiza el tiempo hasta el primer token, ya que un desarrollador está observando el cursor. Los asistentes de codificación también reutilizan contexto entre solicitudes: el mismo aviso del sistema, el mismo archivo. Eso hace que la caché de prefijos sea uno de los mayores palancas en costo y latencia. Las cargas de trabajo de herramientas múltiples y agentes se ven diferentes. Una solicitud se convierte en una cadena de llamadas: planificar, llamar a una herramienta, reintegrar el resultado, repetir. La longitud de la cadena no se conoce de antemano. Así que la métrica que importa no es la velocidad de ninguna llamada individual, sino cuánto tiempo toma la tarea completa. Para una carga de trabajo estructurada así, afinar el rendimiento significa aprovechar dos perspectivas: una agregada para detectar que la latencia de la tarea está regresando (Métricas), y una detallada para encontrar qué paso en qué cadena es responsable (Rastros). Esta charla es un estudio de caso sobre la optimización de una carga de trabajo así en Nutanix Enterprise AI (NAI). Usamos ClickHouse como un único backend para métricas y rastros, a través de Jaeger. Eso nos permitió pasar de "hay algo mal en agregados" a "aquí está la tarea exacta, y el paso exacto, que muestra por qué", ¡sin cambiar de sistemas! Cubriremos cómo el modelo de span padre-hijo de Jaeger se mapea a la cadena de llamadas de un agente. Recorreremos cómo estructuramos esos datos en ClickHouse, cómo se mantuvo rápido incluso con muchas etiquetas diferentes para filtrar y agrupar, y cómo la caché de consultas de ClickHouse mantuvo nuestras consultas de depuración repetidas económicas. Finalmente, compartiremos lo que encontramos y corregimos, y cómo ahora estamos implementando el mismo enfoque en otras cargas de trabajo de inferencia. Ponentes: Shiv Jha, Ingeniero Senior @ Nutanix & Aishwarya Raimule, MTS-4 @ Nutanix Detalles de la sesión: El Modelo Obtiene los Titulares. La Base de Datos Gana la Carrera Todos están discutiendo cuál modelo es el mejor. Casi nadie habla sobre el sistema subyacente. En F1, el conductor obtiene el trofeo, pero el coche decide quién está en el podio. La IA de producción funciona de la misma manera: el modelo es la parte que los usuarios ven, mientras que la capa de datos decide si tu producto se siente instantáneo o inutilizable. Esta charla mapea la parrilla de F1 en un sistema de IA de producción: modelos como conductores, datos como combustible, y la observabilidad como telemetría. Luego muestra el ciclo completo en vivo: preguntas en lenguaje natural sobre datos de carreras de F1 a través de LibreChat, un agente consultando ClickHouse a través de MCP, y cada solicitud rastreada en Langfuse, con latencia, tokens y costo consultables como SQL simple. Saldrás sabiendo cómo instrumentar tu sistema de IA como un ingeniero de carrera, y por qué los equipos que ganan son los que construyen el coche completo. Ponentes: Siddhant Agarwal, Defensor de Relaciones con Desarrolladores Senior - APJ @ ClickHouse ¡Nos vemos en el encuentro!