Les données rencontrent l'IA

Les systèmes de données évoluent avec l'IA. L'IA ne change pas seulement la manière dont nous construisons, interrogeons, recherchons et observons les plateformes de données modernes, mais elle apporte également de nouveaux types de données et de charges de travail. Rejoignez-nous pour une matinée consacrée aux bases de données et à l'IA, alors que des ingénieurs de la communauté partagent des expériences pratiques de la convergence entre données et IA. Que ce soit pour trouver le bon moyen de rechercher à travers des milliards de vecteurs, pour rendre les bases de données conversationnelles, ou pour comprendre ce qu'il faut pour observer les plateformes IA modernes - cette rencontre explorera les systèmes qui propulsent silencieusement la révolution de l'IA. Que vous construisiez des applications IA, travailliez sur l'infrastructure de données, ou soyez simplement curieux de savoir ce qui se passe lorsque les données rencontrent l'IA, cette rencontre est pour vous. Ne manquez pas cette opportunité ! Répondez et sécurisez votre place ! Agenda À quoi s’attendre Attendez-vous à des discours techniques approfondis et des histoires d'ingénierie réelles autour de l'intersection des infrastructures de données et de l'IA. Attendez-vous à des perspectives pratiques, des plongées approfondies dans l'architecture, et des leçons tirées de la construction et de l'exploitation de ces systèmes dans le monde réel. Nous conclurons par un réseautage autour d'un déjeuner, vous offrant une chance d'échanger des idées et des expériences avec d'autres ingénieurs de données, passionnés de bases de données, ingénieurs de plateformes et bâtisseurs d'IA. Apportez vos questions, vos expériences et votre curiosité sur les systèmes derrière l'IA. *** Détails de la session : Discutez avec vos données : Au-delà de SQL Rejoignez-nous pour un aperçu pratique de la construction d'une interface conversationnelle en langage naturel pour les bases de données depuis le début ! Nous plongerons dans la manière dont nous avons intégré ce système avec ClickHouse pour rendre l'exploration de données complexe sans effort à travers différents rôles d'ingénierie et d'affaires. Au-delà des démonstrations de fonctionnalités, nous partagerons les problèmes réels que cette approche résout, les défis techniques fondamentaux auxquels nous avons été confrontés en la construisant, et les leçons techniques clés apprises. Que vous soyez curieux des outils de bases de données alimentés par l'IA, des intégrations LLM, ou de l'expérience utilisateur en analytique, vous repartirez avec des insights exploitables pour vos propres projets. Intervenants : Sachidananda Maharana, SMTS @ Nutanix & Punith Subashchandra, MTS-3 @ Nutanix Détails de la session : Recherche de vecteurs : Avez-vous vraiment besoin d'une autre base de données ? La recherche de vecteurs est rapidement devenue un élément clé pour les applications d'IA - mais cela signifie-t-il toujours introduire une nouvelle base de données ? Cette présentation fera un voyage à travers ce qu'est la recherche de vecteurs, comment elle a évolué, et où elle ajoute réellement de la valeur. Nous explorerons des cas d'utilisation concrets qui bénéficient de la recherche de vecteurs, les compromis à faire lors du choix d'une base de données vectorielle, et comment évaluer si une base de données vectorielle spécialisée - ou une base de données existante comme PostgreSQL ou ClickHouse - est adaptée à votre charge de travail. Nous examinerons quelles capacités les bases de données existantes offrent déjà pour la recherche de vecteurs, où elles fonctionnent bien et où une base de données vectorielle dédiée peut offrir des avantages significatifs. Intervenants : Pranav Mehta, MTS-4 @ Nutanix & Kailash Kejriwal, MTS-1 @ Nutanix Détails de la session : Optimisation des inférences avec l'Observabilité supportée par ClickHouse La performance d'inférence est spécifique à la charge de travail. Un travail de résumé par lot à haut débit se soucie du nombre total de tokens traités par seconde et peut tolérer un premier token lent. Un assistant de codage optimise plutôt le temps jusqu'au premier token, car un développeur surveille le curseur. Les assistants de codage réutilisent également le contexte entre les requêtes - le même prompt système, le même fichier. Cela fait de la mise en cache des préfixes l'un des leviers les plus importants sur le coût et la latence. Les charges de travail agentiques, à plusieurs étapes d'appel d'outils, semblent différentes. Une demande se transforme en chaîne d'appels : planifier, appeler un outil, réinjecter le résultat, répéter. La longueur de la chaîne n'est pas connue à l'avance. La métrique importante n'est donc pas la vitesse d'un appel unique - c'est combien de temps prend toute la tâche. Pour une charge de travail structurée de cette manière, affiner la performance signifie exploiter deux vues : une vue agrégée pour repérer que la latence de la tâche est en régression (Métriques), et une vue détaillée pour trouver quelle étape dans quelle chaîne est responsable (Traçages). Cette présentation est une étude de cas sur l'optimisation d'une telle charge de travail agentique sur Nutanix Enterprise AI (NAI). Nous avons utilisé ClickHouse comme backend unique pour les métriques et les traçages, via Jaeger. Cela nous a permis de passer de "quelque chose ne va pas en agrégé" à "voici la tâche exacte, et l'étape exacte, qui montre pourquoi", sans changer de système ! Nous aborderons comment le modèle de parent-enfant de Jaeger se connecte à la chaîne d'appels d'un agent. Nous parcourrons comment nous avons structuré ces données dans ClickHouse, comment cela est resté rapide même avec de nombreux tags différents à filtrer et à regrouper, et comment le cache de requêtes de ClickHouse a permis de garder nos requêtes de débogage répétées peu coûteuses. Enfin, nous partagerons ce que nous avons trouvé et corrigé - et comment nous déployons maintenant la même approche à d'autres charges de travail d'inférence. Intervenants : Shiv Jha, Ingénieur Staff @ Nutanix & Aishwarya Raimule, MTS-4 @ Nutanix Détails de la session : Le modèle obtient les gros titres. La base de données remporte la course Tout le monde débat de quel modèle est le meilleur. Presque personne ne parle du système sous-jacent. En F1, le pilote reçoit le trophée, mais la voiture décide qui est sur le podium. L'IA en production fonctionne de la même manière : le modèle est la partie que les utilisateurs voient, tandis que la couche de données décide si votre produit a l'air instantané ou inutilisable. Cette présentation cartographie la grille de F1 sur un système d'IA en production : modèles en tant que pilotes, données en tant que carburant, observabilité en tant que télémétrie. Elle montre ensuite la boucle complète en direct : questions en langage naturel sur les données de course F1 via LibreChat, un agent interrogeant ClickHouse via MCP, et chaque demande tracée dans Langfuse, avec latence, tokens et coût pouvant être consultés en tant que SQL pur. Vous repartirez sachant comment instrumenter votre système IA comme un ingénieur de course, et pourquoi les équipes qui gagnent sont celles qui construisent toute la voiture. Intervenant : Siddhant Agarwal, Senior Developer Relations Advocate - APJ @ ClickHouse À bientôt à la rencontre !