1. Инвентаризация инфраструктуры предприятия является важным этапом обеспечения безопасности сети и управления изменениями.
2. Отсутствие актуальных данных об устройствах в сети затрудняет работу центра мониторинга и защиты информационной инфраструктуры.
3. Существующие решения на рынке имеют ограниченный функционал и высокую стоимость, что делает их недоступными для многих предприятий.
4. Разработка самописного сканера сети позволяет эффективно проводить инвентаризацию, выявлять уязвимости и управлять активами предприятия.
5. Внедрение самописного сканера сети поможет предприятию обеспечить безопасность, оптимизировать управление активами и повысить эффективность работы IT-инфраструктуры.

Архитектура реального времени VS Событийно-управляемая архитектура в высоконагруженных РСУ/SCADA АСУ ТП.
- Что такое распределенные системы управления (РСУ) в АСУ ТП и как они взаимодействуют с SCADA;
- Особенности реализации РСУ/SCADA Лацерта;
- Когда возникают высокие нагрузки в РСУ;
- Как устроена архитектура реального времени (АРВ), какие создает проблемы;
- Как устроена событийно-управляемая архитектура (СОА), какие создает проблемы;
- Могут ли сосуществовать АРВ и СОА в одном проекте, преимущества гибридной архитектуры;
- Как влияют АРВ и СОА на консистентность РСУ;
- Оркестрация и хореография сервисов АРВ, СОА;
- Резервирование и отказоустойчивость сервисов АРВ, СОА;

Вопрос выбора решений сейчас стоит максимально остро. Множество компаний занимается импортозамещением текущих решений и цифровизацией процессов. Я провёл десятки переговоров с интеграторами и вендорами, самостоятельно изучал рынок решений, занимался составлением лонг и шорт листов. Мой доклад поможет наиболее эффективно провести процедуру RFI и обоснованно подойти к выбору решения с наименьшими трудозатратами для заказчика и исполнителя.

В прошлом году на Byte&Oil 2023 мы поговорили про особенности, с которыми сталкивается экспулатация и разработка, потому что PostgreSQL в кластеризованном сетапе ведет себя не совсем так, как одиночный сервер БД.
За год мы насмотрелись, как нашу Машину эксплуатируют уважаемые Заказчики (внезапно - не всегда так, как мы предполагали) и собрали ряд поучительных историй на тему "как готовить PostgreSQL, что бы было не очень больно".
Приходите, будет интересно, истории в основном класса "а потом что-то пошло не так"

Первые шаги после ухода вендора. Анализ рынка
Куда пришли? Обзор технологий
Построение тесного взаимодействия с Каталогом данных. Использование результатов запуска проверок в Data Lineage
Как построен процесс по внедрению практики Data Quality в компании? Определение кураторов и ответственных за качество данных
Обучение и поддержка сотрудников. Создание внутренней экспертизы по качеству данных. Передача процесса по созданию проверок на self-service

В рамках проекта по созданию узла данных возникает острая необходимость по внедрению детального слоя в основное хранилище данных. Так как детальный слой фактически является центром хранилища данных управлять процессом приземления логической модели данных необходимо в автоматическом режиме. Для автоматизации процессов управления структурой данных детального слоя, автоматизации процессов загрузки данных в детальный слой и их последующей валидации был разработан фреймворк, о котором пойдет речь в этом докладе. Доклад в большей степени будет посвящен структуре фреймворка и на примерах показано какие задачи он может решать.

0. Реестр отечественного ПО – это основной инструмент импортозамещения в РФ. Мы покажем на примерах, какие отечественные решения уже попали в него.

1. Почему мы вообще говорим про реестр? Особенно тревожный вопрос для нас – это импортозамещение ПО и программно-аппаратных комплексов критической инфраструктуры, к которой относится нефтегаз. От нашей отрасли требуется переход на софт из реестра, т.к. он не зависит от санкций.

2. Есть серия законов, регламентирующих импортозамещение нефтегаза. Более того, в Госдуму вносятся новые законопроекты, которые вводят новые правила для импортозамещения ПО. В докладе расскажем в подробностях показатели и сроки, которые установило для нас государство.

3. В первую очередь для реестра принципиален набор компонентов, используемых в ПО, т.е. техстек. Причем понимание понятия техстек разнится с привычным нам. Обсудим, что же все-таки имеется в виду.

4. Минцифры РФ включает в реестр только ПО с “чистым” техстеком. Под “чистым” подразумевается набор из проприетарных компонентов без экспортных ограничений и любой опенсорс (пока что). На примерах и конкретных действиях покажем, как узнать, что компонент подходит, а также подскажем, что делать с теми, которые не подходят.

5. Опенсорс более коварный, чем кажется на первый взгляд. Расскажем про все виды opensource лицензий и риски использования компонентов на них для компании (не только через призму Минцфиры РФ).

6. Заявки в реестр проходят тщательную проверку компонентов техстека. Компаниям предстоит не только подготовить подробное описание архитектуры, но и дать доступы к коду, серверу, интерфейсам, приложив инструкции по их эксплуатации. Для слушателей доклада мы подготовили саммари принципов и порядка проверки компонентов ПО.

7. Выводы: на этапе разработки продукта нужно задумываться о компонентах, на которых функционирует программа. Если пренебречь этим, то придется пересобирать проект или вовсе отказаться от регистрации в реестре Минцифры РФ. С регистрацией ПО лучше поторопиться, ведь новые правила для критической инфраструктуры появляются все чаще и можно не успеть подготовиться к ним.

Доклад посвящен нашему опыту создания собственного OCR-решения для распознавания документов.

· Поделимся опытом, как мы гармонизировали процесс разработки, сочетая проектную и продуктовую логику. 
· Ключевая полезность доклада для слушателей:  описание нашего пути перехода на концепцию разработки коммерческих продуктов. 

1. Экскурс в отраслевую разработку и причины появления коммерческих продуктов.
2. Специфика отрасли и анализ бизнес-целесообразности (предварительная аналитика рынка)
3. Изменение в команде (перестройка ролей\появление новых и т.д.), выстраивание процессов внутри команд (методологии)
4. Что нужно для выхода на рынок:
a. Сделать больше пользовательских сценариев
b. Добавить больше совместимости
c. Защитить продукты от взлома и уязвимостей
d. Обеспечить отчуждаемость
e. Не забыть про поддержку и обновления
f. Настроить демо-стенды вовне
g. Перестроить договорные, юридические и финансовые процессы
h. Собрать все грабли, извлечь ценный опыт и суметь пойти дальше
5. Чем гордимся, на чём учимся и какими выводами хотим поделиться

Разработкой Java технологий в Российской Федерации и созданием доверенного
семейства продуктов Axiom Java Development Kit (Axiom JDK) занимается компания ООО
БЕЛЛСОФТ.
Компания БЕЛЛСОФТ основана в 2017 году выходцами из Центра Разработок Oracle
в Санкт-Петербурге.
Инженерное ядро компании участвовало в разработке Java платформы на
протяжении последних 25 лет и вносило свой вклад во все версии Java начиная с Java 1.5. C
момента основания БЕЛЛСОФТ активно участвует в эволюции Java платформы. Все
выпускаемые версии актуальные, не имеют отставания и являются полнофункциональной
заменой ПО Java от компании Oracle.
Программная реализация технологии Java включает в себя:
- набор средств разработки Java – JDK (Java Development Kit),
- среду исполнения приложений Java – JRE (Java Runtime Environment),
- виртуальную машину Java – JVM (Java Virtual Machine),
- два типа компилятора javac и С1/С2 и имеет полный доступ к данным
приложения.
которые необходимы для запуска приложений, написанных на различных языках
программирования, поддерживающих платформу Java (Java, Kotlin, Scala и т.д.). При этом JRE и
JVM формируют среду исполнения кода приложений Java (своего рода специализированную
операционную систему и виртуальную процессорную архитектуру для исполнения кода
написанного приложения Java).

Настроить регулярный и стабильный релизный процесс непросто. Но решение становится сложнее, когда релизный процесс нужно сделать универсальным с учётом особенностей производственной компании: большого набора независимых друг от друга сред на предприятиях с различиями в инфраструктуре, которая, кроме того, может быть критической с ограничением централизованного доступа.

В докладе мы рассмотрим, что нам предлагают существующие инструменты и инженерные практики для решения подобных проблем, наш собственный подход, а также почему внедрять классическую культуру DevOps в такой конфигурации может быть не лучшей идеей.

Сейчас использование ML и AI стало практически обязательным пунктом любой программы цифровизации. Компании промышленного сектора экономики одни из самых активных «юзеров» машинного обучения в своих продуктах.
Предсказать лучшее месторождение? Предугадать, когда оборудование выйдет из строя? Все это и не только нам помогает делать искусственный интеллект и машинное обучение.
А что, если злоумышленник уже использует уязвимости в моделях, чтобы «жить» в вашей инфраструктуре? Или подменяет их так, что вы не видите?
Поговорим о том, как современный DevSecOps работает с уязвимостями в моделях и куда движется отрасль защиты именно от этого типа проблем.
Расскажу про «идеальные» конвейеры MLOps и внедрение практик безопасности в них. Покажу, что делаем мы и поделюсь подходами, которые не могут не сработать.

На этапе разведки месторождений нефти и газа геологам и геофизикам приходится решать множество сложных математических задач, одной из которых является обратная задача геофизики или сейсмическая инверсия.

Сейсмическая инверсия - это метод получения физических параметров из сейсмических данных, собранных в полевых условиях. Эти физические параметры представляют собой характеристики земных недр и имеют физическое и геологическое значение, поэтому сейсмическая инверсия представляет собой количественную интерпретацию сейсмических измерений и является одной из наиболее важных процедур интерпретации данных.

За долгую историю сейсмической разведки полезных ископаемых ученые предлагали различные подходы к решению проблемы инверсии, а в последние годы было предпринято множество попыток применить к этой проблеме методы машинного обучения.

В этом докладе мы немного углубимся в математику сейсмических задач, расскажем, как мы применили подход, основанный на данных, для решения физической задачи сейсмической инверсии, и обсудим перспективы машинного обучения в области больших данных сейсморазведки.

Нейронные сети становятся важным инструментом для современных компаний, однако их реализация требует больших вычислительных мощностей. Это может ограничить спектр задач, которые можно решить с их помощью, особенно когда оптимизировать саму модель представляется невозможным. Однако внедрение программных средств и организационных правил в архитектуру ML-решения может помочь уменьшить потребление ресурсов без ущерба для точности.

В докладе расскажу про пример внедрения компьютерного зрения для контроля страховочной привязи. Вместе рассмотрим создание архитектуры CV-системы, включая использование внутренних и внешних детекторов движения и анализа видеопотока, а также внедрение организационных решений, способствующих сокращению вычислительных мощностей. Мы увидим прогресс в оптимизации ресурсов, которого можно добиться, а также обсудим возможные проблемы при построении такой ML-системы.

В докладе рассматриваются проблемы оптимального управления заводнением при разработке нефтяного месторождения на основе ежедневных и ежемесячных замеров скважин. Для неполных данных предложен метод фильтрации и восстановления данных, для последующего определения коэффициентов взаимовлияния скважин на основе гибридных моделей, объединяющих физико-математические подходы и методы статистического обучения.
В работе предложена стратегия понижения размерности с использованием классических методов кластеризации для дальнейшего обучения глубокой нейронной сети характеризующей зависимость дебита нефти от уровня закачиваемой воды нагнетательными скважинами.
На основе обученной нейронной сети осуществляется расчет оптимальных режимов нагнетательных скважин для решения задачи увеличения дебита нефти при индивидуальных и групповых ограничениях на скважинах.
В докладе продемонстрированы результаты и положительный эффект апробации методики на пилотном участке реального месторождения.

Современные нейронные сети демонстрируют высокую эффективность в различных задачах, однако их внедрение в условиях низких вычислительных возможностей сталкивается с рядом существенных проблем. В моем докладе я расскажу о реальных проблемах, с которыми столкнулись в задачах Сибура, и о том, как мы успешно преодолели эти вызовы с помощью оптимизации моделей. Расскажу о методах, которые помогли нам ускорить процесс и сократить расходы на вычислительные мощности. Погружу в детали и покажу как нам это удалось.

1. Предиктивная аналитика позволяет прогнозировать отказы оборудования на нефтяных и газовых месторождениях, что снижает риски аварий и повышает эффективность производства.
2. Использование данных с датчиков и IoT-устройств позволяет создавать модели предсказания добычи нефти и газа с высокой точностью.
3. Анализ больших данных позволяет оптимизировать процессы бурения скважин и повысить производительность на месторождениях.
4. Применение машинного обучения для анализа геологических данных помогает выявлять новые потенциальные месторождения.
5. Предиктивная аналитика помогает оптимизировать расходы на обслуживание оборудования и предотвращать простои в работе.
6. Анализ данных о состоянии скважин позволяет оперативно реагировать на изменения и предотвращать аварии.
7. Прогностическая аналитика позволяет оптимизировать логистику транспортировки нефти и газа, сокращая издержки.
8. Использование алгоритмов машинного обучения для прогнозирования цен на нефть помогает управлять финансовыми рисками компаний.
9. Предиктивная аналитика позволяет оптимизировать процессы переработки нефти и газа, улучшая качество продукции.
10. Анализ данных о состоянии трубопроводов и оборудования помогает предотвращать утечки и аварии на объектах нефтегазовой отрасли.
11. Применение технологий искусственного интеллекта позволяет автоматизировать процессы мониторинга и управления месторождениями.
12. Предиктивная аналитика помогает сократить временные затраты на планирование работ по добыче нефти и газа.
13. Использование аналитики для прогнозирования спроса на энергоносители позволяет компаниям оперативно реагировать на изменения на рынке.
14. Анализ данных о климатических условиях помогает оптимизировать процессы добычи и транспортировки нефти и газа.
15. Внедрение системы предиктивной аналитики в нефтегазовой отрасли способствует повышению эффективности производства, снижению издержек и улучшению безопасности работников.

Часто бывает, что на производстве получить достаточное количество данных для обучения нейронных сетей просто невозможно. В таких случаях на помощь приходит Zero-Shot Learning, который позволяет быстро проверить гипотезу или даже получить готовое решение уникальной проблемы без какого-либо процесса обучения. В данном выступлении вы узнаете все о Zero-Shot в компьютерном зрении, о случаях его применения, а также научитесь создавать синтетические данные для уникальных технологических задач, используя бесплатный инструмент Fooocus.

Добыча полезного сырья начинается с добычи руды и её измельчения в мельницах. Куски каменной породы, которые изначально весят тонны, измельчают до нескольких десятых миллиметров. Анализ состава руды на конвейерной ленте —важный этап в горнодобывающей промышленности, так как позволяет оценить качество ископаемого и размерность. Традиционно гранулометрический состав руды определяется вручную путем лабораторных исследований и визуального осмотра. Такой метод не самый быстрый, результатов можно дожидаться до 24 часов, к тому же большое значение имеет человеческий фактор.
Чтобы оперативно управлять процессом переработки и при минимальных затратах достигать максимального качества конечного продукта, необходимы онлайн-анализаторы. На помощь приходят решения на базе машинного зрения, которые оперативно контролируют качество руды в режиме реального времени.
В докладе мы рассмотрим реальный кейс на промышленном предприятии, расскажем какие проблемы были у производственного передела до внедрения, как мы подошли к решению этой задачи, какие «подводные камни» нас ожидали в процессе и как мы с ними справились, обсудим универсальность такого решения и возможность его применения в других областях.