Dados encontram IA

Os sistemas de dados estão evoluindo com a IA. A IA não está apenas mudando a forma como construímos, consultamos, pesquisamos e observamos plataformas modernas de dados, mas também trazendo tipos inteiros novos de dados e cargas de trabalho para o quadro. Junte-se a nós para uma manhã de bancos de dados e IA, enquanto engenheiros da comunidade compartilham experiências práticas de unir dados e IA. Desde encontrar a maneira certa de buscar através de bilhões de vetores, até tornar bancos de dados conversacionais, até entender o que é necessário para observar plataformas modernas de IA - este encontro explorará os sistemas que impulsionam silenciosamente a revolução da IA. Se você está construindo aplicações de IA, trabalhando em infraestrutura de dados ou simplesmente curioso sobre o que acontece quando Dados encontram IA, este encontro é para você. Não perca! Confirme sua presença e garanta seu lugar! Agenda O que esperar Espera-se por palestras técnicas profundas e histórias de engenharia do mundo real em torno da interseção entre infraestrutura de dados e IA. Esperamos por insights práticos, mergulhos profundos em arquitetura e lições de construção e operação desses sistemas no mundo real. Vamos concluir com um networking durante o almoço, dando a você a chance de trocar ideias e experiências com outros engenheiros de dados, entusiastas de bancos de dados, engenheiros de plataformas e criadores de IA. Traga suas perguntas, suas experiências e sua curiosidade sobre os sistemas por trás da IA. *** Detalhes da Sessão: Converse com Seus Dados: Além do SQL Junte-se a nós para um olhar prático sobre a construção de uma interface conversacional em linguagem natural para bancos de dados do zero! Vamos mergulhar em como integramos este sistema com ClickHouse para tornar a exploração de dados complexos fácil para diferentes funções de engenharia e negócios. Além das demonstrações de recursos, compartilharemos os problemas do mundo real que essa abordagem resolve, os desafios de engenharia centrais que encontramos ao construí-la e as lições técnicas importantes aprendidas. Se você está curioso sobre ferramentas de banco de dados impulsionadas por IA, integrações de LLM ou experiência do usuário em análises, você sairá com insights acionáveis para seus próprios projetos. Palestrantes: Sachidananda Maharana, SMTS @ Nutanix & Punith Subashchandra, MTS-3 @ Nutanix Detalhes da Sessão: Busca Vetorial: Você realmente precisa de outro Banco de Dados? A busca vetorial rapidamente se tornou um bloco de construção chave para aplicações de IA - mas isso sempre significa introduzir um novo banco de dados? Esta palestra fará uma jornada através do que é a busca vetorial, como ela evoluiu e onde realmente agrega valor. Vamos explorar casos de uso do mundo real que se beneficiam da busca vetorial, as compensações envolvidas na escolha de um banco de dados vetorial e como avaliar se um banco de dados vetorial especializado - ou um banco de dados existente como PostgreSQL ou ClickHouse - é a opção certa para sua carga de trabalho. Vamos examinar quais capacidades os bancos de dados existentes já fornecem para busca vetorial, onde eles funcionam bem e onde um banco de dados vetorial dedicado pode oferecer vantagens significativas. Palestrantes: Pranav Mehta, MTS -4 @ Nutanix & Kailash Kejriwal, MTS-1 @ Nutanix Detalhes da Sessão: Otimizando Inferência com Observabilidade Apoiada por ClickHouse O desempenho da inferência é específico para cada carga de trabalho. Um trabalho de sumarização em lote de alto rendimento se importa com o total de tokens processados por segundo e pode tolerar um primeiro token lento. Um assistente de codificação otimiza pelo tempo até o primeiro token, já que um desenvolvedor está observando o cursor. Assistentes de codificação também reutilizam contexto entre os pedidos - o mesmo prompt do sistema, o mesmo arquivo. Isso torna o caching de prefixo uma das maiores alavancas em custo e latência. Cargas de trabalho agentivas, que chamam ferramentas em múltiplas etapas, se parecem diferentes. Um pedido se transforma em uma cadeia de chamadas: planejar, chamar uma ferramenta, reinjetar o resultado, repetir. O comprimento da cadeia não é conhecido de antemão. Portanto, a métrica que importa não é a velocidade de qualquer chamada única - é quanto tempo leva toda a tarefa. Para uma carga de trabalho moldada assim, ajustar o desempenho significa alavancar duas visões: uma visão agregada para perceber que a latência da tarefa está regredindo (Métricas) e uma visão detalhada para encontrar qual etapa em qual cadeia é responsável (Rastreios). Esta palestra é um estudo de caso sobre a otimização de uma carga de trabalho agentiva na Nutanix Enterprise AI (NAI). Usamos o ClickHouse como um único backend para métricas e rastreios, via Jaeger. Isso nos permitiu ir de "algo está errado no agregado" para "aqui está a tarefa exata, e a etapa exata, que mostra o porquê", sem trocar de sistemas! Vamos cobrir como o modelo de span pai-filho do Jaeger se mapeia na cadeia de chamadas de um agente. Vamos percorrer como estruturamos esses dados no ClickHouse, como ele se manteve rápido mesmo com muitos tags diferentes para filtrar e agrupar, e como o cache de consultas do ClickHouse manteve nossas consultas de depuração repetidas baratas. Finalmente, compartilharemos o que encontramos e corrigimos - e como agora estamos aplicando a mesma abordagem a outras cargas de trabalho de inferência. Palestrantes: Shiv Jha, Engenheiro Sênior @ Nutanix & Aishwarya Raimule, MTS-4 @ Nutanix Detalhes da Sessão: O Modelo Recebe os Holofotes. O Banco de Dados Vence a Corrida Todos estão discutindo sobre qual modelo é o melhor. Quase ninguém está falando sobre o sistema por trás dele. Na F1, o piloto recebe o troféu, mas o carro decide quem está no pódio. A IA em produção funciona da mesma maneira: o modelo é a parte que os usuários veem, enquanto a camada de dados decide se seu produto parece instantâneo ou inutilizável. Esta palestra mapeia a grade da F1 em um sistema de IA em produção: modelos como pilotos, dados como combustível, observabilidade como telemetria. Então, mostra o ciclo completo ao vivo: perguntas em linguagem natural sobre dados de corridas da F1 através do LibreChat, um agente consultando ClickHouse via MCP, e cada pedido rastreado no Langfuse, com latência, tokens e custo consultáveis como SQL simples. Você sairá sabendo como instrumentar seu sistema de IA como um engenheiro de corridas, e por que as equipes que ganham são aquelas que constroem o carro todo. Palestrante: Siddhant Agarwal, Advogado Sênior de Relações com Desenvolvedores - APJ @ ClickHouse Vejo você no encontro!