RWB Тех

💡Запустили корпоративного ИИ-помощника для продуктовых и QA-команд.

Игорь Чирков — о том, зачем он нужен и как встроен в рабочие процессы.

Петабайты данных, AI и вайб-кодинг

В новом выпуске подкаста Tech Talks говорим о данных в масштабах RWB: как хранить петабайты информации, когда старые данные перестают быть полезными и как выбирать технологии для работы с ними.

Вместе с Павлом Раваевым, CDO RWB, обсудили Data- и AI-платформы компании, использование LLM и вайб-кодинг. А ещё поспорили о том, можно ли доверять код нейросетям, что ждёт джунов на рынке и почему командам придётся формализовывать, что для них значит «хороший код».

⏹️YouTube
⏹️VK

RWB Тех pinned a photo

⭐️⭐️ Планы на 3 октября — прийти на RWB Infra x Security Meetup

Мы направим прожекторы на инфраструктуру и информационную безопасность — туда, где за привычными решениями скрываются сложные инженерные задачи, компромиссы и неочевидные риски.

Будем разбирать реальные кейсы, искать узкие места, обсуждать и показывать решения, которые помогают инфраструктуре и безопасности выдерживать рост.

Когда: суббота, 3 октября, старт в 13:00
Где: Москва + онлайн

В программе 8 докладов, разделенных по двум тематическим трекам ⬇️

1️⃣ Трек Infra:

• Тюнинг Gitlab CE как реакция на быстрый рост нагрузки
• Путь баланса и компромиссов в DCIM
• Единая инфраструктура доверия: PKI на базе Vault
• Kubernetes vs Bare Metal: что может пойти не так

2️⃣ Трек Security:

• DevSecOps: от сканирования в пайплайне к платформе — и обратно
• Почти эффективный VM: как мы боролись с хаосом в инфраструктуре и сократили время обработки уязвимостей
• Как защищать данные, когда единого периметра больше нет
• От заявки до доступа за 90 секунд: как шесть инженеров управляет доступом в тысяче систем

Регистрация уже открыта — не откладывайте заявку и приглашайте коллег (количество мест на площадке ограничено)!

Как поместить 1000+ моделей в один ансамбль?

Отвечает Лев Нечаев, руководитель команды «Автоматическая модерация методами ИИ» в RWB. Лев рассказал, как команда успешно применяет детекторы на основе векторного поиска в модерации контента на маркетплейсе.

В статье:
• почему традиционные классификаторы и few-shot перестают работать при росте числа брендов;

• как мы собрали и очистили датасет, избежав перекоса по категориям;

• как выбрали YOLO для детекции и эмбеддеры CLIP/ArcFace для векторного представления;

• как организовали высокопроизводительный инференс (Triton + TensorRT) и перешли с PGVector на Faiss;

• как гибко настраиваем пороги срабатывания под разные сценарии;

• и где ещё применяем эту архитектуру — от детекции лиц до каскадных решений и автоматической разметки.

➡️ Подробнее — в канале RWB делает ML

Как оценивать сложность задач технических писателей и понимать реальную загрузку команды

Рассказала Евгения Красильникова, технический писатель в команде разработки документации и методик обучения ПО. Чтобы выработать единый подход к оценке задач, команда выделила два ключевых параметра — объем изменений и уровень исследования — и на их основе собрала матрицу сложности.

Затем с помощью ИИ превратила её в простой калькулятор, который помогает определить сложность задачи и предварительную оценку в часах.

Подробнее — на Хабре

Что делать, если классический A/B-тест не работает из-за конфаундеров и сетевых эффектов?

Рассказал Платон Попов, дата-аналитик в команде A/B-платформы RWB, на примере кейса оценки эффекта таргетированной рекламы в ПВЗ. Сначала использовали Propensity Score Matching (PSM), но метод не прошёл валидацию: доля ложноположительных результатов оказалась выше допустимого уровня.

➡️ Тогда перешли к Double Machine Learning (DML) — и получили более устойчивую оценку.

Читать статью на Хабре

🟣Дайджест полезного🟣

Через неделю осень — подводим итоги насыщенных месяцев работы. Мы много кодили, улучшали продукты и процессы, а ещё выступали на профессиональных мероприятиях и организовывали собственные, участвовали в хакатонах и проводили стажировки.

Делимся полезными ссылками, а ещё больше летних событий — в каналах tech-команд Ecom.tech, MAGNIT TECH, Lamoda Tech, Data Fusion (ВТБ) и Купер.тех.

1️⃣ BerryLM-XL вошла в топ-3 русскоязычного бенчмарка MERA

Дообученная командой RWB модель BerryLM-XL заняла 3-е место в общем лидерборде MERA с интегральной оценкой 0,835. Для сравнения, результат Human Benchmark на тех же задачах составляет 0,852. В топ-5 также вошла BerryLM-v2, занявшая 5-е место с оценкой 0,810.


2️⃣ Saint HighLoad++ 2026

Два дня конференции запомнились инженерными испытаниями, архитектурными задачами и десятками разговоров про системы, архитектуру и технологии с нашими CTO, а доклады наших спикеров вошли в топ-10 выступлений конференции.


3️⃣ TechDocs Meetup

Поговорили о документации с разных сторон: как создавался портал разработчиков RWB, зачем техническим писателям единая система оценки задач и можно ли построить зрелые процессы документирования, если в команде всего один техписатель.

Смотрите здесь:
— Летопись документации разработчиков WB API
— Единая система оценки задач техписателей: как внедрить новый подход без боли
— 100 к 1: Как организовать подход «документация как услуга» в одиночку


4️⃣ Подкаст Tech Talks

Запустили собственный подкаст про технологии RWB и людей, которые их создают. Смотрите первые выпуски и ждите новые!

— Open Source, AI и Forks
— Цена доверия: боты, капчи, ML и миллиарды запросов


5️⃣ Награды на премии Хакатоны России

У нас сразу две победы на национальной премии «Хакатоны России»! Студенческий хакатон RWB по машинному обучению и программированию стал лучшим сразу в двух номинациях — «Дебют года» и «Лучший хакатон в сфере ИИ».

К Хакатону присоединились более 270 студентов из ведущих вузов страны — НГУ, НГТУ, ТГУ, МИСИС, МИРЭА, СПбГУ, МАИ, Школы 21 и многих других. До финала дошли 100 участников, а 10 сильнейших команд представили свои решения экспертному жюри.

Как мы внедрили AIOps для контроля GPU-утилизации и повысили её на 60 процентов

В RWB команда ML-платформы построила поверх мониторинга отдельный слой для управления такими кейсами на базе open source KeepHQ. Через систему прошло около 400 тысяч событий, а дедупликация составила ~99%.

В новой статье на Хабре рассказываем, как устроили жизненный цикл алерта — от поиска владельца и сохранения контекста до автоматической проверки исправления и эскалации. И показываем, какие части Keep пришлось доработать и почему AI оказался далеко не главным элементом решения ⚙️

Результат: +62% к средней месячной утилизации GPU на одном из кластеров

@rwb_delaet_ml

Запустили собственный сервис для сокращения ссылок WB Link

Можно сокращать длинные ссылки и мгновенно генерировать QR-коды. Без регистрации и СМС — пользуйтесь сами и отправляйте коллегам :)

Учим небольшую LLM с нуля: гибридное внимание, XSA, доменные бленды и загадки роста онлайн-бенчмарков

Команда обучения и инференса RWB обучила текстовую версию Qwen3.5-2B с нуля — без pretrained-весов. В статье разбираем весь путь: от сборки доменных датасетов и Megatron-LM до online-оценки и экспериментов с архитектурой 👆

Хайлайты:
⏹️ обучили модель сначала на 1, затем на 11 трлн токенов
⏹️ протестировали XSA и получили −0,009 val loss и +1,6 п. п. на MMLU
⏹️ разобрались, почему MMLU в разных форматах показывает совершенно разную динамику
⏹️ проверили, как меняется качество при разных доменных блендах
⏹️ нашли слабое место модели — математику и reasoning

А ещё рассказали, как устроен наш pretrain-пайплайн и какие эксперименты планируем дальше.

➡️ Узнать больше

@rwb_delaet_ml

Сколько запросов делает ваш фронтенд, чтобы отрисовать один экран?

Разбираемся с BFF (Backend for Frontend) — слоем между интерфейсом и доменными сервисами, который берёт на себя агрегацию данных, кэширование и защиту от нестабильности внутренних систем.

О том, как BFF применяют в RWB, расскажут Александр Краснянский, Frontend Lead команды РКИ, и Сергей Корень, Backend Lead главной страницы и онбординга Портала Продавца.

⏹️Когда фронтенду действительно нужен свой BFF?

BFF становится нужен, когда поддержка логики на фронтенде или координация между несколькими командами обходится дороже, чем отдельный сервис.

Простой признак: чтобы отрисовать один экран, фронтенд делает пять запросов в разные сервисы. Логику агрегации и трансформации данных в этом случае переносят в BFF — и фронтенд начинает работать с одним API.

⏹️Где сейчас проходит граница между фронтендом и бэкендом?

Не между браузером и сервером, а между пользовательским опытом и бизнес-доменом.

Бэкенд отвечает за доменную логику и хранение данных, фронтенд — за сценарий и отображение. BFF — между ними: не содержит бизнес-логику, но берёт на себя композицию данных и адаптацию контрактов под конкретный интерфейс.

⏹️Как BFF ускоряет разработку продуктов?

Главное преимущество — не нужно согласовывать доработки сразу в нескольких бэкенд-командах.

Если новая страница требует данные из нескольких сервисов, BFF собирает контракт на своей стороне и отдаёт фронтенду единый API. Фронтенд и BFF-команда разрабатывают функциональность параллельно с доменными сервисами — это сокращает зависимости и ускоряет вывод фич на продакшен.

⏹️Как не допустить дублирования бизнес-логики в BFF?

Бизнес-логика остаётся в доменных сервисах. В BFF допускается только логика представления: агрегация, преобразование моделей, сценарии взаимодействия.

Помогают: чёткое разделение ответственности между слоями, контрактное проектирование API, общие библиотеки для типизации и автогенерация клиентов по OpenAPI и GraphQL-схемам.

⏹️Не увеличивает ли BFF задержки и риски для безопасности?

Задержки — как правило, нет: BFF выполняет параллельные запросы, агрегирует и кэширует ответы, поэтому пользователь получает один оптимизированный запрос вместо серии обращений.

С безопасностью BFF работает по принципу минимально необходимых привилегий: обращается к сервисам от имени конкретного пользователя, разграничивает доступ и не даёт внутренним сервисам быть напрямую доступными извне.

⏹️Самый интересный кейс с BFF

Главная страница Портала Продавца зависит от сервисов с разными SLA: один отвечает за 50 мс, другой — за 500, третий может периодически деградировать под нагрузкой.

BFF берёт на себя управление таймаутами, кэшированием и сценариями деградации — и отдаёт фронтенду стабильный контракт, даже когда часть сервисов работает нестабильно.

⏹️Как устроена команда, которая работает над BFF?

Чаще всего это кросс-функциональная продуктовая команда: фронтенд- и бэкенд-разработчики, QA-инженеры, DevOps/SRE-инженеры, аналитики и продуктовые менеджеры.

Хорошая практика — когда инженеры понимают обе стороны системы и вместе проектируют контракты. Цель — минимизировать межкомандные зависимости и повысить скорость поставки продукта.

⏹️Какие навыки нужны инженеру и что в этой работе нравится больше всего

Сильный инженер разбирается и во фронтенде, и в бэкенде: знает JavaScript/TypeScript/Go, умеет проектировать API и работать с микросервисной архитектурой. Но главное — системное мышление: видеть продукт целиком, а не только свой слой.

BFF находится на стыке фронтенда и бэкенда, поэтому влияет на весь пользовательский сценарий. Главный челлендж — не превратить BFF в ещё один монолитный бэкенд. Главный плюс — быстро адаптировать систему под продукт без изменений в доменных сервисах.

Половина лета прошла, что успели?

Наши коллеги — выпуститься из университета, сходить в поход, построить на сап-доске парусник и многое другое.

Рассказываем, как проводят лето наши инженеры, аналитики и тестировщики (когда не сидят за компьютером 🤭).