Найцікавіше на DOU

Чому Gemma знає українську краще за інших та коли лусне бульбашка LLM. Інтерв’ю з керівником LapaLLM

Редакція DOU — Fri, 25 Sep 2026 10:00:05 +0300

ChatGPT та інші популярні сервіси все ще плутаються в українській граматиці та контексті. Тож група волонтерів створила проєкт LapaLLM. Вони вже навчили 12-мільярдну модель на базі Gemma, поділилися своїми датасетами з іншими дослідниками та зібрали лідерборд для оцінки LLM з українською мовою.

Керівник проєкту та аспірант УКУ Юрій Панів розповів DOU, яка модель зараз найкраще розуміє українську, чому серед моделей у їхньому лідерборді немає закритих API-рішень, що він думає про проєкт «Сяйво» від Мінцифри та «Київстару», а також які перспективи професії LLM-інженера.

Як розвивається LapaLLM і чому в бенчмарках немає Anthropic

— Торік ми писали про LapaLLM: велика мовна модель, з нуля адаптована для роботи з українською мовою. Що змінилося останнім часом і скільки людей зараз залучено до розробки?

Це волонтерський проєкт, тож у різні періоди до проєкту долучалися різні люди. Нині ми шукаємо гранти для першої оплачуваної когорти дослідників українського NLP (Natural Language Processing).

Поштовх дав проєкт lang-uk, співзасновником якого є Дмитро Чаплинський — мій колега, з яким ми маємо кілька спільних статей. Коли він разом із Денисом Бігусом (український журналіст-розслідувач — ред.) створював сервіс для аналізу декларацій чиновників, знадобилося аналізувати великий масив документів і знаходити взаємозв’язки між ними. Тож приблизно з 2014 року ми почали розробляти NLP-інструменти для обробки української мови. Дмитро брав участь у розробці попередньої ітерації LapaLLM.

Зараз до проєкту залучено 13 людей. Ми натренували 12-мільярдну модель на основі Gemma, дотренувавши її на українському контексті. Наступний крок — отримати досвід тренування більшої моделі: ми взяли за основу Mistral Small — 120-мільярдну модель типу Mixture of Experts, — щоб зрозуміти, які виклики виникають на такому масштабі. Для цього подалися на програму EuroHPC (European High Performance Computing), у межах якої дослідники та бізнес можуть безплатно отримати доступ до значних обчислювальних ресурсів. Свого часу я записував відеоінструкцію, як це зробити. Подаватися можуть і науковці, і представники малого й середнього бізнесу з України.

Ми отримали доступ до суперкомп’ютера JUPITER із відеокартами GH200 (близько 120 ГБ відеопам’яті кожна) — 5000 нод-годин на ноді з чотирма картками.

Для розробки LLM потрібна велика кількість обчислювальних ресурсів. Завдяки програмі EuroHPC ми отримали доступ до передових відеокарт, на яких можемо нормально працювати. До українських суперкомпʼютерів у нашої команди немає доступу.

Це розробницький етап: ми готуємо всі скрипти, щоб згодом запустити повноцінне тренування більшої моделі, а на основі отриманих результатів плануємо подаватися на більший обсяг обчислень. Хотілося б отримати мільйони нод-годин і мати найбільший обчислювальний ресурс в Україні для тренування такої великої моделі.

Але, як любить казати Дмитро, моделі приходять і йдуть, а датасет залишається. Особисто я вважаю найбільшим результатом нашого лідерборду можливість подивитися, які моделі найкраще, а які найгірше працюють з українською мовою, і знайти відповідні датасети. Ми відкрили більшість даних для тренування, тож інші дослідники можуть використати їх і побачити, як усе це відтренувати самостійно. Код теж відкритий.

— У цьому лідерборді немає продуктів Anthropic. Чому?

Щоб прогнати бенчмарки, потрібно дуже багато промптів, і прогонів має бути декілька. Орієнтовна вартість одного прогону лише для однієї API-моделі — близько 400–500 доларів, тож жодних закритих API-моделей серед протестованих немає. Дуже хотілося б додати закриті моделі, але поки що ми запускаємо лише відкриті. Якщо є потенційний спонсор, ми готові додати великий банер на лідерборді про підтримку та протестувати відповідну модель.

Отримавши грант, ми плануємо прогнати бенчмарки для більшості наявних моделей — до трьох трильйонів параметрів, зокрема Kimi K2 та інші китайські моделі. Хочеться зробити це для якнайбільшого числа. Поки що більшість протестованих моделей — до 30 мільярдів параметрів. А судячи з відгуків, які ми чуємо, 12-мільярдні моделі вже недостатньо серйозні — потрібно щось більше. Це в наших планах.

Навіщо Україні власна LLM і яка модель найкраще знає українську

— Чи обʼєктивною є потреба у власній українській LLM?

Тут є концептуальне питання: що таке LLM. Ми маємо супермодель, яка розв’язує багато NLP-задач і в середньому добре впорається з усіма ними, а також уміє узагальнюватись на нові обставини.

Якщо дивитися на це вузько — просто як на модель, — аргумент не звучить переконливо. Але якщо розбити задачу на підзадачі, картина інша: наприклад, бізнесу потрібно витягти основні факти зі звіту на 15 сторінок і написати їх нормальною українською мовою. Для цього потрібна впевненість, що конкретна модель з API-провайдерів добре впорається саме з такою задачею для української мови. Це можна вимірювати, і потім представник бізнесу чи наукового середовища зможе обрати модель, яка найкраще підходить для конкретної задачі.

На мою думку, в якісній моделі для української мови найбільше зацікавлені ті, хто нею говорить і пише. Коли я користуюся, наприклад, ChatGPT чи локальними моделями, я помічаю перекладені калькою терміни й гіршу продуктивність українською порівняно з англійською. Але потреба обробляти україномовні документи залишається. Це перший вимір — продуктивність.

Другий вимір — приватність: можливість запустити модель на своєму залізі, у безпечному закритому контурі. Це стосується багатьох кейсів: обробки сенситивних даних, державних юзкейсів обробки документів або військових задач. Поступово ця «снігова куля» наростає і зʼявляється потреба або в моделі, яка добре працює з українською, або принаймні у способі зрозуміти, яка з наявних моделей найкраще підходить для цього і є найбезпечнішою.

І менш прагматичний мотив: мати таку експертизу в Україні, показати, що ми можемо робити передові речі навіть попри обстріли й тиск східного сусіда. Тут є багато людей, які хочуть розвивати нашу екосистему, і це теж певна мотивація. У межах курсу NLP в УКУ, одним із викладачів якого я є, тренування мовної моделі — лабораторна робота: щоб у людей була ця експертиза і розуміння, що це не є чимось надскладним.

— І яка, на вашу думку чи за вашим досвідом, наявна модель найкраще опанувала українську мову?

Згідно з нашими вимірюваннями, поки що це Gemma 4: і за різними задачами обробки, і за загальним стилем написання. Вона найменш «механічно перекладена», найменше відчувається як типова мовна модель. Адже цей реліз Google дуже мультилінгвальний: у нього один з найбільших токенайзерів серед моделей, близько 200 тисяч токенів у словнику, широке покриття різних мов. Google орієнтувався на те, щоб модель добре працювала багатьма мовами. Натомість вона не дуже сильна в математиці, кодингу та обробці великих документів.

Це найкраща модель, якщо говорити про клас до 30 мільярдів параметрів. Вище ми поки що не вимірювали, тому нічого не можу сказати.

Як Мінцифри з «Київстаром» просувають «Сяйво»

— Як ви оцінюєте роботу Мінцифри з «Київстаром» над українською великою мовною моделлю «Сяйво», яка триває вже доволі довго?

Мінцифри в цій історії виступає як замовник. Вони працюють над розробкою законодавчої бази, яка проясняє нюанси авторського права щодо використання даних. Із більш технічного — ШІ-асистент у «Дії».

Я особисто ним не користуюся, але розумію, що багатьом людям зручніше написати повідомлення й отримати послугу: це хороший спосіб розширення охоплення тих, хто користується державними послугами.

Ще зі згаданого — Мінцифри випускало модель для приховування персональних даних (Personally Identifiable Information) — ідентифікаційних кодів, прізвищ, імен, по батькові тощо, — щоб автоматично маскувати дані перед відправкою запиту, наприклад, до хмарної LLM, і отримувати анонімізований запит. Це потрібна річ для збереження приватності користувача. Здається, вони також займалися розробкою механізмів захисту (guardrails) для моделей.

Щодо «Сяйва». Є вислів: «мета системи — це те, що вона робить». Наскільки я пам’ятаю, ця історія триває вже приблизно півтора року з обіцянками релізу (бетатестування LLM ексміністр цифрової трансформації Михайло Федоров обіцяв запустити навесні — ред.).

Якщо система постійно продукує відмовки, можливо, це і є частина дизайну

Не знаю, у чому там може бути ботлнек із тренувальними даними, але якщо, наприклад, недостатньо даних для загальних юзкейсів, можна зробити вузькоспеціалізовану модель під конкретний домен.

Наприклад, узяти кейс RAG (Retrieval-Augmented Generation) — коли модель шукає потрібну інформацію, а потім формує звіт. Зробити модель саме під цей юзкейс, яка вміє добре шукати й систематизувати інформацію, і показати відповідні бенчмарки: «дивіться, ми почали розробку, маємо перші результати, працюємо над цим кейсом і готові продавати це як продукт для бізнесу», — це саме те, що я зробив би на їхньому місці. Але я не знаю їхніх планів і очікувань. Обіцяли, що модель мала вийти цього вересня, але, думаю, буде ще одне перенесення. Тож, чесно кажучи, я вже не дуже на щось сподіваюся. Але я думаю, що точно було б добре, якби було кілька сильних команд, що роблять LLM і NLP-інструменти загалом. Бажано не на волонтерських засадах. Це пішло б на користь усій спільноті.

Як штучний інтелект змінює defence tech

— Ще одне питання — про взаємозв’язок штучного інтелекту та дефтеку. Нещодавно у звіті Anthropic йшлося про кібершпигунство проти України та Європи — коли ШІ використовували зокрема для зламу оборонних компаній. Яке ваше бачення кібербезпеки стосовно ШІ та чи цікавить вас застосування своїх напрацювань у deftech?

У контексті звіту Anthropic про хакінг доречно згадати нещодавній інцидент між OpenAI та Hugging Face: під час тренування модель OpenAI вирішила атакувати інфраструктуру Hugging Face, щоб отримати закриті дані й пройти бенчмарк, поки він тривав. Пояснення таке: є парадигма reinforcement learning, коли модель навчають не просто передбачати наступне слово, а досягати певної цілі, за що вона отримує винагороду. Цього разу, щоб здобути винагороду, потрібно було отримати дані бенчмарку, за допомогою якого вимірювали, чи модель безпечна для розгортання у світі.

Історія розвивалася так: коли зʼявлявся новий інстанс моделі, він залишав повідомлення на внутрішній дошці повідомлень для «наступників», і так поступово формувалася база знань про те, що пробували попередні генерації, щоб наступники не повторювали невдалих спроб.

У якийсь момент цей колективний «розум» дійшов висновку, що для виконання поставленої задачі потрібно вийти за межі сендбоксу, і моделі знайшли відповідний експлойт. Усередині OpenAI це розуміли, а з боку Hugging Face це виглядало як невідома DDoS-атака, що пробує всі їхні API-ендпоінти.

З огляду на те, що OpenAI використовувала чипи для швидшого інференсу (близько 700 токенів на секунду проти приблизно 100 на типовій відеокарті — перевага атакувальника в 7 разів), Hugging Face зіткнулася зі швидко змінюваними запитами. Вони спробували скористатися комерційними моделями, але ті відмовились допомагати, пояснивши, що це виглядає як спроба зламати Hugging Face і буде неетично та небезпечно.

Урешті вони розгорнули у себе відкриту китайську модель, яка допомогла розібратися в логах, зрозуміти вектор атаки, закрити доступ і заблокувати пул IP-адрес, з яких вона йшла. Іронічно, що моделі з Китаю часто вважають небезпечними, бо невідомо, на чому вони натреновані, але саме велика відкрита китайська модель допомогла захиститися від атаки моделі «безпечної» лабораторії.

Моє бачення майбутнього значною мірою формує саме ця ситуація: незалежно від контексту — чи то дії спецслужб, чи приватне використання, — якщо станеться подібна хакерська атака за допомогою моделей, той, хто захищається, повинен мати можливість не лише простого захисту, а й наступальних дій на випередження.

Для цього потрібна експертиза в тому, як запускати такі моделі, і контроль над ними, щоб вони не відмовлялися працювати саме тоді, коли це найпотрібніше. Майбутнє виглядає непросто, бо доведеться виправляти багато вразливостей у софті, у чому знову ж таки допомагають моделі.

Загалом тема deftech мені цікава. Зокрема, до нас звертались щодо RAG (доповненого пошуком генерування) на внутрішніх документах у закритому контурі — це типовий корпоративний кейс.

Чи є бульбашка навколо LLM-інженерії

— Наскільки взагалі перспективною лишається тема навчання LLM-інженерів, чи її актуальність вже згасає? Бульбашка вже луснула чи ще ні?

Думаю, скоро вона таки лусне, якщо не станеться дуже великого фінансового прориву. Загалом є проблеми: кругове фінансування з боку Nvidia (йдеться про те, Nvidia інвестує кошти або надає кредит компаніям-розробникам ШІ, а ті на отримані гроші купують чипи в тієї ж Nvidia — ред.), великі капітальні інвестиції у відеокарти, які обʼєктивно застарівають за п’ять-десять років. Але «кругове фінансування» досі не окуповується.

Перші тривожні сигнали з’явились у березні цього року, коли API-провайдери різко підвищили ціни й зменшили ліміти використання. По суті всі провайдери підвищили ціни, і це перші ознаки пошуку прибутковості. Навряд чи бульбашка лусне до IPO Anthropic чи OpenAI, скоріше — після нього, залежно від того, як він відбудеться.

Це якщо говорити про фінансове майбутнє індустрії. А якщо про самих інженерів — від LLM ми нікуди не дінемось, вони будуть потрібні.

Практика показує, що з розвитком розуміння створення таких моделей стає дешевшим і швидшим. Наприклад, якщо тренування GPT-2 у 2019 році коштувало приблизно 100 тисяч доларів (точних цифр не пригадую), то натренувати модель такого самого типу й якості зараз можна за 120 секунд на восьми відеокартах H100 вартістю близько 2 доларів на годину за кожну. Але, як і з будь-якою технологією, здешевшання провокує більший попит.

Я не думаю, що робота ШІ-інженерів зникне: залишається багато нерозв’язаних проблем, наприклад, у робототехніці та автономній роботі. Ми не можемо просто поставити LLM на робота й сказати йому «йди склади мій одяг», бо не можемо натренувати модель на десятках тисяч демонстрацій складання речей. Ще багато цікавих технологій, і говорити про кінець цієї теми зарано.

— І фінальне питання: до чого Україна має дійти в розвитку LLM, що стає на заваді?

Як розробник я закликаю всіх спробувати тренувати власні мовні моделі, будувати їх з нуля. Думаю, це буде корисно і розробникам, і спільноті загалом.

Особисто я почав інакше дивитися на мовні моделі, коли спробував зробити чат-модель із нуля: повністю відновити інструкційний датасет і навчити модель слідувати інструкціям. Поки цього не зробиш, є ілюзія, що все автоматично узагальнюється, що модель «просто розумна».

У нашому датасеті була частина, де ми брали назву статті з Вікіпедії: якщо написати лише цю назву одним словом, модель мала видати перший абзац відповідної статті — це мало навчити її відповідати із загальних знань. Це було частиною більшого набору задач: питання-відповідь, самаризація, переклад тощо. Ми думали, що модель якось узагальниться, але коли я написав слово «Привіт», замість вітання модель почала розповідати, що «привіт» — це загальне вітання, яким люди вітаються, у вікіпедійному стилі.

Це наочно показує: модель узагальнюється через інтерполяцію, а не екстраполяцію. Потрібно дуже багато прикладів «усередині домену», щоб вона працювала правильно. Саме тому великі лабораторії — OpenAI, Anthropic, DeepMind, який розробляє моделі Google, — витрачають величезні ресурси на розмітку даних і отримання якісних датасетів. Що більше людей це зрозуміє, то менше буде хайпу і то тверезішим стане погляд на ситуацію: штучний інтелект не замінить усіх завтра, хоч це і вражаюча технологія, яка суттєво спростила конкретні види розробки й вплинула на суспільство.

В компанії HOLYWATER TECH скорочення. Що відомо

Yaroslav Zhakhalov — Thu, 24 Sep 2026 18:30:30 +0300

Українська продуктова компанія HOLYWATER TECH скорочує 37 співробітників — це близько 12% команди. У компанії пояснюють це реорганізацією та перерозподілом ресурсів на ключові бізнес-юніти.

Про це повідомляє dev.ua з посиланням на коментар компанії.

У HOLYWATER TECH зазначили, що переглядають структуру команд, щоб зосередити ресурси на пріоритетних продуктових напрямах. Яких саме команд і спеціалістів стосуються скорочення, поки не уточнюють.

Співробітникам, які залишають компанію, виплатять компенсацію та збережуть медичне страхування до середини грудня. Також їм запропонують кар’єрні консультації, допомогу рекрутингової команди з пошуком роботи та рекомендаційні листи. Кандидатури фахівців також планують передавати компаніям-партнерам, які зараз наймають.

DOU звернувся до HOLYWATER TECH по деталі, доповнимо новину після відповіді.

Контекст

У березні DOU писав, що HOLYWATER TECH вийшла з екосистеми Genesis і отримала незалежне управління. Тоді в компанії повідомляли DOU, що її глобальна команда налічує понад 200 спеціалістів, з яких понад 70% працюють в Україні.

На початку 2026 року HOLYWATER TECH залучила $22 млн інвестицій від Horizon Capital за участі Endeavor Catalyst та Wheelhouse. Компанія планувала спрямувати кошти на подальше масштабування. Раніше інвестором HOLYWATER також стала FOX Entertainment.

У лютому компанія придбала українську ШІ-студію Jeynix та змінила назву з HOLYWATER на HOLYWATER TECH. Тоді до компанії приєдналася ключова технічна команда Jeynix.

Станом на 24 вересня на DOU у HOLYWATER TECH відкрито 10 вакансій. Зокрема компанія шукає AI Engineer, IAM Engineer, AI Filmmaker та інших фахівців.

Офіс EPAM у Києві пошкодило під час атаки. Його тимчасово закрили

Yaroslav Zhakhalov — Thu, 24 Sep 2026 16:13:39 +0300

23 вересня внаслідок російської атаки на Київ зазнала пошкоджень будівля, де розташований офіс EPAM у бізнес-парку «Європасаж». Ніхто з команди не постраждав. Про це DOU повідомили в EPAM.

У компанії зазначили, що відповідні служби оцінюють ситуацію.

«З міркувань безпеки офіс тимчасово не працює, а команда продовжує роботу дистанційно», — повідомили в EPAM.

Фото бізнес-центру, де розташований офіс EPAM. Сама компанія утримується від поширення подробиць з міркувань безпеки

У «Європасажі» також постраждали офіси Suziria Group і MasterZoo. За повідомленням групи, четверо її співробітників дістали поранення під час переходу до укриття. Їм надали медичну допомогу.

Команда Kantar Ukraine, офіс якої розташований у сусідній будівлі, також перейшла на дистанційну роботу. Як пише Forbes із посиланням на заяву компанії, її співробітники не постраждали. На момент повідомлення стан власного офісу в Kantar ще мали оцінити.

Того ж дня російська атака пошкодила інфраструктуру провайдерів у Києві. Про перебої повідомили UTELS і «Павутина», а також сервіс зберігання та передавання файлів FEX.NET.

Раніше російські удари пошкодили й офіси інших компаній. Зокрема, 11 вересня 2026 року постраждав офіс інженерної команди «Київстар» у Києві, а в липні 2025-го — офіс N-iX у Львові.

Headway Inc скорочує 16% команди. Що відомо

Yaroslav Zhakhalov — Thu, 24 Sep 2026 13:45:30 +0300

У Headway Inc скорочують 16% команди — 85 людей. Зміни стосуються, зокрема, R&D-напрямів, команд продуктового портфеля та головного офісу компанії.

Про це DOU повідомили в Headway Inc.

У компанії пояснили, що переглянули продуктовий портфель і майбутню структуру. За словами Headway Inc, останніми роками компанія активно інвестувала в нові напрями, однак не всі з них дали очікуваний результат.

«Компанія переглянула продуктовий портфель і майбутню структуру та ухвалила найважче за весь час існування рішення — скоротити окремі напрями та ролі», — повідомили DOU в Headway Inc.

Частині співробітників запропонували перейти на інші позиції всередині компанії. У Headway Inc зазначають, що з новою структурою планують зосередитися на продуктах і напрямах із найбільшим довгостроковим потенціалом.

Працівники, які залишають компанію, отримають компенсаційний пакет. Він передбачає виплату за один місяць, додатковий бонус залежно від часу роботи в компанії, медичне страхування ще на три місяці, компенсацію невикористаних днів відпочинку та можливість залишити робочу техніку. Також компанія обіцяє допомагати з пошуком нової роботи та надавати рекомендації.

Що відомо про команду Headway Inc

У квітні 2026 року Headway Inc розповідала DOU, що глобально в компанії працює понад 500 фахівців. Упродовж 2025 року до команди приєдналися близько 150 людей, а у 2026-му компанія планувала найняти ще приблизно стільки ж.

У липні Headway Inc повідомляла, що в компанії працює понад 120 розробників. Тоді ж вона розповіла про зміну підходу до роботи інженерів із використанням ШІ.

Зокрема, у команді застосунку Nibble всі вісім розробників перейшли на роль Product Engineer. Замість поділу на backend, frontend, iOS та Android вони почали виконувати завдання в суміжних напрямах за допомогою ШІ-інструментів.

Тоді в Headway Inc наголошували, що ці зміни не призвели до скорочень і компанія продовжує наймати розробників. У нинішньому коментарі компанія пов’язує скорочення з переглядом продуктового портфеля та структури.

15 українських СТО, яких вам варто знати

Редакція DOU — Thu, 24 Sep 2026 10:00:26 +0300

Ми зібрали список технічних керівників, про роботу яких, на нашу думку, варто розповісти. Тут зібрані CTO і керівники технічних команд із сервісного та продуктового ІТ, а також з оборонного сектора. Уточнимо, що не розставляли CTO по місцях — усі учасники цього списку впорядковані за абеткою.

Безумовно, в оборонці і війську зараз працює багато сильних фахівців, про яких не варто згадувати зараз з міркувань безпеки. Фахівці, згадані в нашому матеріалі, вже достатньо публічні й самі погодилися розповісти про свою роботу.

Звісно, список не вичерпний і для цивільного ІТ. Є багато сильних CTO, які роблять класні продукти, будують команди й вирішують складні технічні задачі й не увійшли до цього матеріалу. Тож запрошуємо всіх охочих доповнювати його і розповідати про таких фахівців у коментарях.

Як ми відбирали учасників

Основою списку стали анкети, які CTO та керівники технічних команд подали після відкритого заклику редакції. Також ми самі зверталися до публічних техлідів і CTO, які помітні в індустрії, та пропонували їм розповісти про свою роботу. Загалом ми розглянули біля ста людей.

Під час відбору редакція дивилася на результати кандидатів і радилася з експертами — зокрема Тарасом Кльобою, Chief Partner Architect Microsoft, і Євгеном Ковалевським, VP of Engineering «Четвертого Закону».

Ми враховували проєкти, над якими працюють фахівці, дивилися на плинність кадрів у командах, частоту релізів, DORA-метрики та внесок у професійну спільноту — наприклад, участь в open-source, публічні виступи й обмін досвідом. Ми не публікуємо усю цю інформацію частково з міркувань безпеки чи на прохання самих учасників, частково заради легшого сприйняття матеріалу.

Дмитро Волошин, СТО та співзасновник Preply

38 років
Закінчив факультет кібернетики Київського національного університету імені Тараса Шевченка, пізніше продовжив навчання в аспірантурі за напрямами машинного навчання та ШІ
18 років в індустрії, з них 13 на керівних посадах
219 фахівців у команді

Дмитро розпочав кар’єру як розробник програмного забезпечення, а згодом перейшов у підприємництво. У 2012 році разом із партнерами (Кирилом Бігаєм і Сергієм Лукʼяновим) заснував Preply. Дмитро відповідає за технологічну стратегію компанії, інженерію і розвиток ШІ. Станом на сьогодні Preply є компанією з оцінкою понад $1 млрд і залученими понад $170 млн інвестицій. Також Дмитро є членом ШІ-комітету при Мінцифри.

Як технічний директор, Дмитро відповідає за впровадження внутрішніх інструментів машинного навчання та ШІ в Preply.

Ключові релізи команди Дмитра за останній рік

Портфель навчальних інструментів на основі ШІ: підсумки уроку, відстеження прогресу, вправи для самостійного навчання, практичні сценарії із 3D-аватарами, а також інтеграція Canvas в Preply Classroom.
Покращення досвіду учнів і репетиторів завдяки персоналізованому підбору.
Міграція платформи на Amazon Aurora.

Команда втілює 69 релізів у продакшн на день. Lead Time: 22 години. CFR: 1,61%. Time to Restore (MTTR): близько 1,4 години (медіанний час) для інцидентів, що впливають на користувачів.

Серж Газієв, CTO напряму Advanced Technologies у SoftServe

48 років
Закінчив Львівський національний університет імені Івана Франка, факультет радіофізики та електроніки
Понад 25 років досвіду в ІТ. З них 17 років — на керівних технічних посадах, майже 19 років — у SoftServe
Формує технологічну стратегію та підходи для 5000+ технічних фахівців SoftServe в Україні, а також керує напрямом Advanced Technologies

Серж став CTO напряму Advanced Technologies у 2022 році. Нині відповідає за ключові наукоємні сфери компанії: AI/Data Science, Big Data, Robotics, Digital Twins, IoT, XR та R&D.

Він є співавтором методології Smart Decisions (Architectural Poker Game), яку використовують у Software Engineering Institute при Carnegie Mellon University (SEI CMU) для навчання проєктуванню рішень у сферах Big Data, ML та IoT.

Ключові досягнення та ініціативи Сержа за останні роки

Створення AI Lab. Заснував у 2023 році Gen AI Lab для практичного впровадження генеративного ШІ. У 2026 році лабораторія розширила фокус до AI Lab.
Глобальні технологічні партнерства з NVIDIA, Microsoft, Google, AWS, Anthropic та OpenAI.
Запустив масштабну внутрішню комунікацію та екосистему навчання/перенавчання інженерів. У 2026 році ініціював спільне масштабне дослідження з MIT Technology Review щодо використання ШІ програмістами.
325+ реалізованих і поточних ШІ-проєктів для клієнтів SoftServe.
18 запущених програм досліджень та інновацій.

Ігор Дрозд, CTO напряму e-commerce «Сільпо»

40 років
Закінчив Київський політехнічний інститут, факультет інформатики та обчислювальної техніки
Працює в ІТ понад 18 років, з них 8 на керівних посадах.
Зараз у підпорядкуванні Ігоря 550 технічних спеціалістів і 50 команд

Ключові релізи команди Ігоря за останній рік

Омніканальна Data Platform для «Сільпо», яка об’єднує дані з різних каналів і бізнес-систем для аналітики, персоналізації, операційних рішень та майбутніх AI/ML-сценаріїв.
PCI DSS сертифікація продукту Payments, який відповідає за онлайн-оплати.
Запуск AI-помічника «Сільпо» для гостей.
Розвиток QualitySpy — внутрішньої системи удля вимірювання технічної, процесної та операційної якості інженерних команд.

З погляду DORA та операційної ефективності відстежуються такі показники:

Deployment Frequency: десятки релізів на день для основних продуктів і сервісів.
Lead Time / User Story Resolution Time: 9,92 дня
MTTR: 1 година 48 хвилин.
MTTA: 1 хвилина 59 секунд
Change Failure Rate: контролюється через інциденти, rollback-и, production defects та bug leak rate.
Bug Leak Rate: менше 20%

Олександр Житинський, CTO Vyriy Industries

22 роки
Закінчив Київський авіаційний інститут
4 роки досвіду в індустрії

Очолює технічний департамент Vyriy Industries, який об’єднує понад кілька сотень фахівців. Очолював розробку всіх FPV-виробів компанії, локальних українських компонентів, засобів ретрансляції та наземних станцій управління.

Серед ключових релізів:

Плата ініціації POPCORN 2
Розвідувальний дрон коптерного типу SLAVIK та інші дронові проєкти команди

Окрім технічного менеджменту, є співавтором навчальних модулів для базового та поглибленого курсів «Народний FPV». Також системно взаємодіє з КАІ, залучаючи талановитих студентів до Defense Tech.

Павло Косолапкін, СТО Frontline Robotics

30 років
Закінчив Київський політехнічний інститут (КПІ) на базі механіко-машинобудівного інституту
12 років досвіду у створенні БПЛА

Павло почав займатися розробкою дронів ще на другому курсі університету як волонтер в «Армії СОС». Після двох років перейшов у комерційну розробку. Був Lead Engineer у закордонній компанії, CTO у комерційній структурі, створеній при ГО «Аеророзвідка».

Компанію Frontline Robotics створив з колегами в середині 2023 року. Загалом брав участь у понад 10 проєктах з розробки дронів.

Ключові проєкти

«Катана» — автоматичний літак-розвідник для виконання розвідки місцевості та дешифрування даних.
Бензинові гібридні коптери — зокрема, розробка дрона для дослідження закинутих нафтових свердловин, який був проданий університету в США.
Літак-розвідник вертикального зльоту — успішно розроблений та виготовлений під час роботи за кордоном.
R18 та R34 — підготовка до масового виробництва та покращення великих дронів-бомберів в «Аеророзвідці».
«Лінза» та «Зум» — тактичні універсальні дрони (бомбер та розвідник) із власною системою зв’язку та оптичної стабілізації (Frontline Robotics).

Ключові релізи команди Павла за останній рік

Власна система оптичної навігації, що підвищує автономність та ефективність роботи виробів.
Власна система гіростабілізації камери, яка забезпечує стабільне зображення в складних умовах експлуатації.
Власна система відеопередачі та керування, розроблена з акцентом на високу стійкість до засобів радіоелектронної боротьби.
Оновлене покоління безпілотної платформи, що інтегрує нові технології та покращені характеристики.
Нове покоління наземної станції керування, створене з урахуванням зворотного зв’язку від військових та нових сценаріїв використання.

Євген Моспан, СТО mono

42 роки (12 грудня 1983 року)
Закінчив Харківський національний університет радіоелектроніки
В ІТ працює понад 20 років, 4,5 року на керівних посадах
399 фахівців у команді

У 2015–2017 роках Євген був головним архітектором рішення для глобальної системи mydhl.express.dhl, а у 2019–2020 роках — архітектором рішень у волонтерській команді, що створювала першу версію «Дії». У 2020–2023 роках очолював підрозділ Solution Architecture та Java Competency Center в EPAM, а у 2023–2024 роках був CTO EPAM Ukraine, де активно розвивав напрям застосування ШІ.

З грудня 2024 року — Chief Information Officer у mono, де відповідає за архітектуру, delivery та розвиток АІ в компанії.

Ключові релізи команди Євгена за останній рік

Автоінвестування у валютні ОВДП: функція автоматичного інвестування залишків на валютних «Банках» у державні облігації (ОВДП).
Спільні картки в monobank.
Технічна реалізація інтерактивної гри «Полювання на лимони».
Єдина картка для всіх держвиплат «Дія.Картка».
Розбудова банківських сервісів для e-commerce продуктів: monoмаркет і monoбазар.

Дмитро Овчаренко, CTO Defense AI Center «A1» при Міноборони

39 років
Закінчив Національну академію публічного управління, спеціальність «Менеджмент»
Понад 16 років досвіду в ІТ, 10 років на керівних посадах
20 людей у команді

За свою карʼєру Дмитро реалізував понад 100 проєктів. З березня 2026 року керує розробкою оборонних AI-рішень у Центрі штучного інтелекту «A1» при Міноборони.

До цього обіймав посаду AI CTO у Мінцифрі й очолював розробку AI-помічника Дія.AI, національної LLM та запуск першої державної AI-інфраструктури AI Factory. Колишній технічний директор у N-iX і директор практики GenAI у SoftServe.

Ключові релізи команди Дмитра за останній рік

ШІ-помічники Дія.AI на порталі та в застосунку «Дія».
AI Factory — державна інфраструктура для ШІ на базі обчислювальних систем NVIDIA.
Апгрейд ШІ-асистента у підтримці «Дії»: тепер він самостійно закриває 90% запитів громадян.

Після переходу в центр A1 при Міноборони Дмитро та команда розробляють AI-рішення для Сил оборони: систему для аналізу бойових даних, інструменти типу «burocrasy killers» та інші рішення для фронту (проєкти поки що не публічні).

Богдан Погасій, Head of Experience Engineering Ciklum

33 роки
закінчив КНУ ім. Шевченка, факультет компʼютерних наук
11 років в індустрії, з яких понад 5 років — на керівних технічних посадах
Керує командою з 1800 інженерів у межах українського інженерного центру

У Ciklum Богдан відповідає за розвиток інженерної функції, впровадження AI-трансформації, технічні практики та підвищення інженерної ефективності у масштабах компанії. Зокрема, впровадив у ній AI-first Software Development Lifecycle.

Ключові релізи команди Богдана за останній рік

AI-Augmented SDLC (Agentic Framework) — новий підхід до розробки ПЗ із застосуванням AI на всіх етапах життєвого циклу.
Knowledge Engine — корпоративний knowledge layer для пошуку, повторного використання знань та прискорення розробки.
Agent Kit — приватна AI Agent Platform для створення та оркестрації корпоративних агентів із дотриманням вимог безпеки.
MCP Accelerator — набір готових інтеграцій та шаблонів для швидкого підключення enterprise-систем через Model Context Protocol.

Олександр Савченко, CTO Мінцифри

39 років
Закінчив Факультет інформатики та обчислювальної техніки в КПІ
18 років досвіду в ІТ, з яких понад 10 років — на позиціях Senior Leadership
200+ техспеціалістів у команді

Олександр відповідає за технологічний напрям у Мінцифри. Ключові проєкти: «Дія», «Мрія», WinWin AI Center of Excellence. До переходу в публічний сектор Олександр працював у Ciklum і GlobalLogic. Відповідав за створення та розвиток рішень для Metro, Adidas, Saab, Stena Line, Avaloq, Airbyte, IBS та інші.

Ключові релізи команди Олександра за останній рік

Дія АІ Voice — голосовий ШІ-асистент на вебпорталі «Дія», створений у партнерстві з ElevenLabs.
Система L1 підтримки «Дія» — перехід на Agentic RAG-архітектуру для ШІ-асистента і перехід на Envoy Proxy.
United24 mobile app — special events — це механіка короткотривалих кампаній (limited-time campaigns).
«Дія Портал» — реліз електронної послуги за три дні.

Володимир Січка, CTO у Kitsoft

39 років
Закінчив Львівський національний університет імені Івана Франка, факультет прикладної математики та інформатики
16 років в ІТ, 6 років на посаді СТО у Kitsoft
31 людина в команді

Володимир починав свій шлях як Software Engineer в МТСБУ. З 2015 року долучився до Kitsoft, де дійшов від Back-end Software Engineer до CTO.

Нині Володимир керує розробкою ключового продукту компанії — Liquio. Це українська open-source GovTech-платформа з AI та Low-code підходом для цифровізації публічних послуг. На Liquio створювалися портал «Дія» та його сервіси (єМалятко, е-Підприємець, єВідновлення), портал е-Ветеран, сервіси для подання заяв до міжнародного Реєстру збитків для України, послуги «Київ Цифровий» та інші.

Ключові релізи команди Володимира за останній рік

Портал «Дія». Запустили нові послуги та оновили наявні — від бронювання й реєстрації Starlink до міжнародного Реєстру збитків та сервісів для бізнесу.
Голосовий режим Дія.АІ. Додали можливість спілкуватися з Дія.АІ голосом.
Реєстр та цифрові сервіси для ветеранів (ЄДРВВ).
AI Assistant та вбудована аналітика в Liquio.
Verifiable Credentials та євроінтеграція Liquio. Додали підтримку OpenID4VCI, Verifiable Credentials і мультимовність (включно з німецькою локалізацією).

Ірина Терех, CEO & CTO Fire Point

34 роки (17 травня 1992)
Освіта: КНУБА (залишила на 3-му курсі заради бізнесу)
У бізнесі понад 18 років
Понад 1700 людей в R&D-команді

Першим великим проєктом Ірини Терех стала компанія TEREKH.group, де випускали архітектурний бетон і вуличі меблі, шукаючи перших клієнтів через Instagram.

Після повномасштабного вторгнення Терех перепрофілювала цехи на випуск протитанкових габіонів. У 2023 році вона увійшла в оборонний сектор, очоливши компанію Fire Point у ролі CEO та CTO. Терех зібрала команду інженерів і розгорнула масштабне виробництво БПЛА, систем РЕБ та ракетного озброєння, зокрема ракет «Фламінго».

За цей час компанія вийшла на прибуток у понад 600 млн грн на рік. Також Fire Point розпочала проєкт із будівництва заводу твердого ракетного палива в Данії з розрахованою потужністю виробництва компонентів для 4000 ракет щорічно.

Віра Ткаченко, CTO в MacPaw

39 років
Закінчила КПІ, Master Of Computer Science
В ІТ понад 18 років, 7 років на посаді СTO
200+ фахівців у команді

Віра є однією з перших інженерок флагманського продукту MacPaw — CleanMyMac. Очолює напрями інжинірингу, інновацій, AI, внутрішнього IT та інфраструктури. Ключовим напрямом стало створення та розвиток Eney — нативного AI-асистента для macOS, побудованого на гібридній архітектурі on-device/cloud inference.

Підтримує розвиток жінок у технологіях через менторство та у таких програмах, як Divchata STEM, конференціях Woman Career Day.

Ключові релізи команди Віри за останній рік

Eney — AI-асистент для macOS.
Mnemos — контекстна система для Eney.
Eney SDK / Vendor Extension Kit для партнерів-розробників.
Партнерство та інтеграція з Liquid AI для on-device моделей.
Оновлення флагманського CleanMyMac.

Deployment Frequency — 23,62 релізів на день.

Олег Цаль-Цалько, СТО ЕРАМ

39 років
Здобув ступінь магістра на факультеті інформатики та обчислювальної техніки Київський політехнічний інститут імені Ігоря Сікорського«
Понад 15 років досвіду в ІТ
24 фахівці в команді

Олег розвиває напрям GovTech / Public Sector, де EPAM допомагає державним організаціям та міністерствам здійснювати цифрову трансформацію та впроваджувати AI-інновації для покращення якості суспільного життя. Як CTO, Олег запускає AI-рішення для внутрішньої роботи EPAM та розвиває їх для державних і глобальних клієнтів компанії.

Ключові релізи команди Олега за останній рік

цифрова трансформація Держстату України (оновлений портал з AI-асистентом).
AI Adoption project для IDDA.
5 ШІ-асистентів для Diia.Business.
бізнес-портал для уряду Азербайджану.

Ініціативи:

очолює архітектурну спільноту в EPAM Ukraine, є тренером і ментором у внутрішній школі архітекторів.
як AWS Certified Solution Architect Professional та AWS Authorized Instructor проводить численні тренінги з роботи з AWS Cloud.
драйвить цифровізацію публічного сектору та впровадження AI-інструментів для трансформації державних послуг.

Олександр Чумак, CTO Uklon

40 років
Закінчив Національний технічний університет «Київський політехнічний інститут»
15+ років досвіду, з них 5 на керівних посадах
керує чотирма департаментами — Development, Data and AI Transformation, Information Systems та Information Security — загалом приблизно 230 спеціалістів

Олександр Чумак працює в Uklon від початку заснування компанії — він був третьою людиною в технічній команді. Починав карʼєру як Software Engineer, згодом став Tech Lead, а пізніше — Solutions Architect. У 2023 році він очолив став Chief Technology Officer.

У ролі CTO Олександр формує технологічну стратегію Uklon — відповідає за еволюцію платформної архітектури, масштабування distributed-систем, інженерну культуру, інформаційну безпеку та внутрішні корпоративні системи. Також займається AI-трансформацією компанії: впровадженням AI у продукт, в інженерні практики та операційні процеси. Очолює напрям автономного транспорту — оцінку технологій, партнерств і моделей інтеграції AV у платформу.

Ключові проєкти:

Пілот Remote Driving — першого в Україні проєкту дистанційного керування автомобілем.
Запуск сервісу для продажу автобусних квитків Uklon Travel.
Запуск маркетплейсу Uklon Store для продажу квітів із платформою інтеграції партнерів, управління каталогами, оформлення замовлень, оплат та доставки.
Старт ERP-трансформації компанії: команда переглянула архітектуру корпоративних сервісів, стандартизувала інтеграції та заклала основу для цифрової трансформації фінансових, HR та операційних процесів.
AI-трансформація внутрішніх процесів компанії: AI-агенти для роботи з knowledge base, автоматизації корпоративних процесів, підтримки розробки та масштабування AI-інструментів серед інженерів.

В’ячеслав Шелестовський («БІТ»), СТО у «Хартія»

38 років
Закінчив Київський національний університет технологій і дизайну
10 років в ІТ

Вʼячеслав Шелестовський — офіцер Національної гвардії України, командир розвідувального інформаційно-аналітичного центру 2-го корпусу НГУ «Хартія». Ідеолог розвитку системи ISTAR в «Хартії».

До військової служби понад 10 років працював у сфері Software Engineering на посадах Senior Product Engineer, Solutions Architect над продуктами TransferWise/Wise, StockX, Toyota, Mazda, AppearHere.

У «Хартії» В’ячеслав відповідає за розробку екосистеми програмних інструментів, серед яких:

Ситуаційна обізнаність і розвідка — збір, інтеграція, візуалізація й аналіз інформації про оперативну обстановку та противника.
Аналітика та робота з даними — BI-дашборди, єдині масиви структурованих даних, аналітика результативності та динаміки подій.
Геоінформаційні рішення — картографування, просторовий аналіз і робота з аерофотоматеріалами.
Автоматизація обробки інформації — структурування документів і звітів, автоматичне вилучення даних, інтеграція різних джерел та інформаційних систем.
Цифрове планування та управління — планування завдань, звітність, управління екіпажами та ресурсами.
Логістика та облік — цифровізація заявок, управління майном, контроль ресурсів і супровід логістичних процесів.