Шлюз FinCodeCow

• Концепция шлюза
• Max ←→ Telegram
• Авторизация в шлюзе

Знание

• Микросервисы

  • Среда формирует архитектуру: событийно-управляемые микросервисы
  • Анатомия событийно-управляемой системы: топологии, брокеры, паттерны
  • Анатомия идеального события: контракты, схемы и эволюция данных
  • Data Liberation: как интегрировать legacy-системы в событийную архитектуру
  • Механика потоковой обработки: состояние, окна, Interactive Queries
  • Время в потоках: детерминированная обработка и борьба с хаосом
  • Память микросервисов: потоковая обработка с поддержкой состояния
  • Механика бизнес-процессов: оркестровка, хореография и Saga
  • Бессерверная архитектура: FaaS в событийно-управляемой архитектуре
  • Базовый шаблон «Производитель-Потребитель»: искусство простых микросервисов
  • Анатомия «тяжеловесных» фреймворков: Flink, Spark, Beam и Storm
  • Анатомия «легковесных» фреймворков: Kafka Streams и Samza
  • Мост между мирами: интеграция событийных микросервисов с API и UI
  • Анатомия «налога на микросервисы»: экосистема инструментов
  • Как проверить «ненаблюдаемое»: тестирование событийно-управляемых микросервисов
  • Развёртывание событийно-управляемых микросервисов: стратегии и подводные камни
• AI/ИИ — Искусственный интеллект

  • Инженерия производительности AI-систем

    • Инженерия производительности AI-систем
    • Обзор аппаратного обеспечения AI-систем
    • Настройка ОС, Docker и Kubernetes для GPU-окружений
    • Распределённые коммуникации в AI: как не потерять производительность на сети
    • Кормим GPU: полный гайд по дисковому вводу-выводу для масштабного AI
    • GPU, CUDA и occupancy: от SIMT до roofline
    • Оптимизация шаблонов доступа к памяти GPU: от объединения загрузок до асинхронных конвейеров TMA
    • Настройка занятости, эффективность варпов и параллелизм на уровне инструкций
    • Повышение эффективности CUDA-ядер и арифметической интенсивности
    • Внутриядерный конвейеринг, специализация варпов и кластеры потоковых блоков
    • Межъядерный конвейеринг, синхронизация и потоково-упорядоченные аллокации памяти в CUDA
    • Динамическое планирование, CUDA Graphs и оркестрация ядер с инициированием с устройства
    • Профилирование, тюнинг и масштабирование PyTorch: полное практическое руководство
    • Компилятор PyTorch, OpenAI Triton и бэкенды XLA: полное руководство
    • Оптимизация многоузлового инференса: параллелизм, декодирование и маршрутизация
    • Профилирование, отладка и настройка инференса LLM в масштабе: полное руководство
    • Масштабирование разделённых фаз prefill и decode для инференса
    • Продвинутая настройка Prefill-Decode и KV-кэша
    • Динамические и адаптивные оптимизации инференс-движков
    • Оптимизация производительности с помощью ИИ и масштабирование к кластерам на миллионы GPU
  • Параллелизм по слоям: третье измерение масштабирования
• Управление данными

  • Золотые источники и контракты данных: от принципов к работающему коду
• Логистика знаний: нервная система цивилизации

Поветь

• Базы

Главная FinCodeCow