Доклады

В докладе я расскажу о текущем состоянии программы академических партнерств Postgres Pro. Вы узнаете о ключевых вузах-партнерах, форматах нашего взаимодействия и поддержке преподавателей. Отдельный блок будет посвящен программе конференции: что нового мы подготовили для участников. Также обсудим, как участие в программе помогает учебным заведениям готовить востребованных специалистов, и какие возможности открываются перед студентами.

Какие требования предъявляет индустрия к ИТ-специалистам в 2026 году, и каким компетенциям стоит уделить особое внимание при разработке учебных программ? Представляем результаты совместного исследования Postgres Professional и FutureToday о кадровом спросе в российской ИТ-индустрии. В фокусе доклада пять профилей: DBA-инженер, DevOps, Performance-инженер, QA-инженер и системный разработчик. Поделимся трендами, инсайтами и картами навыков по каждому из профилей. Результаты помогут преподавателям, методистам и разработчикам образовательных программ соотнести учебные треки с запросами работодателей.

В основе архитектуры данных лежит моделирование данных. На удивление большая доля учебных материалов, посвящённых моделированию данных, содержит серьёзные ошибки, причём многие из них с течением времени начинают считать «исторически сложившейся картиной мира». В прошлом году мы рассмотрели лакуны на стыке уровней абстракции и акцентировались на статическом моделировании данных в наиболее популярных парадигмах и нотациях. Пришло время открыть ящик Пандоры 2.0 и рассмотреть некоторые популярные ошибки и мифы различных типов (терминологические, методологические, системные и инструментальные) в «динамике», рассмотрев следующие вопросы:

• Как связаны динамические и статические модели?

• Почему в динамике царит ещё большая неразбериха?

• Какие онтологии позволяют успешно заниматься динамическим моделированием?

• Является ли процесс сущностью?

• В чём главная проблема логического уровня моделирования динамических моделей?

• Почему в университете практически не изучают темпоральные логики?

• Где обитают мифические события и при чём здесь отношение предшествования?

• Откуда так много различных вариантов DFD?

• Исчерпывается ли (с точки зрения архитектора данных) BPMN объектами данных и хранилищами данных?

• Почему версионирование должно быть одновременно умным и красивым, но не получается?

• В чём проблема выучить UML? И при чём здесь «выравнивание импеданса»?

• Как там в SQL?

• Осталась ли в нашем ящике надежда для джуна во всём этом системно разобраться?

Высшее образование формирует инженерное мышление: умение разбираться в сложных системах, работать с документацией, понимать фундаментальные принципы. Это ценность, которую сложно переоценить. Однако между учебным PostgreSQL и PostgreSQL в production существует заметный разрыв. Не в теории — в практике эксплуатации. Кластерные конфигурации, отказоустойчивость, резервное копирование, мониторинг производственных систем — всё это редко становится частью учебного процесса, хотя именно это составляет повседневную реальность инженера. В докладе рассмотрим этот разрыв и разберём конкретные технические компетенции, которые остаются за кадром учебных программ: управление кластером и обеспечение высокой доступности, организация резервного копирования и восстановления, мониторинг и диагностика производственных систем. Цель доклада — не критика существующих подходов, а разговор о том, каких практических компетенций не хватает выпускнику при встрече с реальным продом.

На практических занятиях по базам данных важно не только получить правильный ответ, но и иметь возможность проверить гипотезу, ошибиться и повторить эксперимент. Для этого студенту нужна изменяемая база с известным исходным состоянием, а преподавателю — возможность воспроизвести решение в тех же условиях. Рассмотрим организацию таких практикумов по PostgreSQL с помощью Taidon — открытого инструмента подготовки и повторного использования состояний баз данных. SQL-рецепт задаёт исходную схему и данные; подготовленное состояние используется для создания отдельных изменяемых экземпляров. Эксперименты не изменяют сохранённую исходную точку, поэтому новую попытку можно начать с неё, не повторяя уже выполненную подготовку при наличии состояния в кэше. На примере учебной базы покажем цикл лабораторной работы: подготовку задания, изменение данных и схемы, повторный запуск с исходного состояния и воспроизведение решения преподавателем. Обсудим разделение рецепта подготовки, студенческого решения и проверок, использование привычных PostgreSQL-клиентов, а также границы воспроизводимости и требования к локальному окружению. Основное внимание уделим методике организации эксперимента; устройство кэша и снимков рассмотрим лишь в объёме, необходимом для понимания возможностей и ограничений инструмента. Доклад адресован преподавателям баз данных и разработчикам практикумов, которым нужны повторяемые задания с полноценным PostgreSQL, включая изменение данных, схемы, функций и триггеров.

В докладе рассматриваются содержание курсов по базам данных и методика их преподавания при подготовке ИТ-специалистов на кафедре систем обработки информации и управления в МГТУ им. Н.Э. Баумана. Курсы, входящие в бакалавриат, ориентированы в основном на традиционные реляционные и объектно-реляционные БД и изучаются на примере PostgreSQL. Это создание БД и ее объектов, составление запросов, транзакции, программирование на стороне сервера и управление доступом. Также изучается архитектура сервера и вопросы администрирования. В смежных дисциплинах и проектных работах студенты осваивают создание приложений и сервисов, использующих PostgreSQL. В магистратуре работа с БД проводится на углубленном уровне. Здесь изучается работа со сложными типами данных, создание и подключение собственных типов, работа с XML и JSON, расширенные возможности программирования на стороне сервера. В научных работах студенты исследуют методы оптимизации, в том числе с применением индексов; пишут свои расширения PostgreSQL; применяют расширения PostgreSQL для решения научных и исследовательских задач. С 2025 года МГТУ им. Н.Э. Баумана участвует в федеральных образовательных проектах «ТОП-ИТ» и «ТОП-ИТ ПРО», в рамках которых реализует образовательные программы по подготовке ИТ-специалистов топ-уровня. Эти образовательные программы разрабатываются совместно с индустриальными партнерами и учитывают их пожелания, а также пожелания крупнейших ИТ-компаний и форсайты по развитию ИТ-отрасли. Ключевым вызовом является активное внедрение ИИ, как основного инструмента разработчика. В докладе рассматриваются решения по включению ИИ в учебный процесс и обсуждается обновление курсов по базам данных для подготовки ИТ-специалистов топ-уровня в соответствии с требованиями федерального проекта.

Атрибуция почерков писцов — одна из центральных и наиболее трудоёмких задач палеографии. Рост объёмов оцифрованных рукописных коллекций делает актуальным вопрос о вычислительных методах, способных поддержать экспертизу, не заменяя её. В докладе представлен опыт междисциплинарного студенческого проекта, в котором задача сравнения почерков формализована как поиск ближайших соседей в пространстве векторных представлений изображений письма. Эмбеддинги фрагментов рукописей, полученные методами компьютерного зрения, хранятся и обрабатываются в PostgreSQL с расширением pgvector, что позволяет объединить данные, метаданные и векторный поиск в единой среде. Рассматриваются построение корпуса и разметка, получение эмбеддингов и выбор метрики сходства, а также организация гибридного поиска, сочетающего векторное сходство с палеографическими фильтрами. Отдельное внимание уделяется методам оценки качества, кластеризации и визуализации эмбеддингов и процедуре экспертной валидации результатов палеографами. Обсуждаются ограничения подхода — зависимость от качества оцифровки, дисбаланс классов, трудность интерпретации эмбеддингов — и принципы воспроизводимости исследования. Делается вывод о том, что pgvector превращает PostgreSQL из пассивного хранилища в полноценный исследовательский инструмент, а сам проект демонстрирует образовательную ценность интеграции гуманитарных, аналитических и инженерных компетенций.

В докладе рассматривается применение генеративного ИИ для создания вариативных практических заданий по МДК 11.01, аналогичных модулям демо-экзамена по специальности 09.02.07. Представлены подходы к генерации заданий по нормализации, SQL-запросам, триггерам и хранимым функциям на основе демонстрационных баз Postgres Pro. Приведены результаты апробации, демонстрирующие сокращение времени разработки заданий в 10 раз при сохранении высокого качества обучения и успеваемости студентов (95.2% правильных ответов). Даны практические рекомендации по внедрению ИИ-инструментов в учебный процесс.

В работе представлен опыт трансформации дисциплины «СУБД» с внедрением модуля продвинутой SQL-аналитики на базе PostgreSQL. Описана методика перехода от базовых запросов к решению сложных аналитических задач: выявлению аномалий, анализу временных рядов и когортному анализу. Показано, как интеграция аналитических практик и требований профильных чемпионатов профессионального мастерства в учебный процесс повышает вовлеченность студентов и формирует навыки, необходимые современному BI-аналитику.

В докладе речь пойдёт об изучении устройства PostgreSQL. Не SQL, не администрировании и не написании запросов, а о самой СУБД: её процессах, памяти, страницах, журнале, многоверсионности, планировщике и расширениях. Наши студенты только закончили второй курс и ещё не проходили базы данных, но уже понимают устройство Linux, разрабатывают на C, владеют основными алгоритмами и структурами данных и разбираются в устройстве ЭВМ. Мы сознательно опираемся на этот системный бэкграунд, и цель курса — не Linux и не системное программирование само по себе. Цель — научить смотреть на PostgreSQL как на понятную, читаемую и изменяемую систему. Я расскажу о нашем опыте организации таких погружений в PostgreSQL, которые мы проводим в рамках Летней школы ФИТ НГУ и Postgres Professional.

Несколько лет преподаватели спорили, можно ли студентам пользоваться ChatGPT при выполнении домашних заданий. Сейчас этот спор в значительной степени потерял смысл: студенты все равно пользуются LLM, а отличить самостоятельно написанный SQL от хорошо сгенерированного становится все труднее. В курсе «Конструирование баз данных» я попробовал пойти в другую сторону и сделал использование AI обязательной частью заданий. В групповом проекте студенты должны не только спроектировать реляционную базу данных и написать SQL, но и показать содержательные фрагменты работы с LLM, отметить ее ошибки, а затем передать проект другой модели на независимое техническое ревью. В отдельном задании по PostgreSQL студент сначала с помощью AI строит сильную аргументацию в пользу UUID, затем разбирает ее, проектирует эксперимент UUID против BIGSERIAL и снова отдаёт свои выводы второй модели на критику. Именно такие механики заложены в текущие задания курса: AI используется как инструмент анализа и верификации, а студент должен отдельно объяснять, какие замечания модели он принял и какие отверг. Но довольно быстро обнаружилась следующая проблема. Современной фронтирной модели можно отдать целиком само задание и попросить изготовить все: проект, SQL, первый диалог, критические уточнения, независимую проверку второй моделью, рефлексию студента и даже правдоподобные результаты несуществующего бенчмарка. Получается, что журнал работы с AI больше нельзя считать надежным свидетельством процесса решения. В докладе я расскажу, как это меняет устройство заданий и оценивания примерно для 250 студентов. Покажу, почему имеет смысл оставить AI обязательным учебным инструментом, но перестать использовать его логи как доказательство авторства. Вместо этого мы переносим проверку на защиту инженерного результата: короткие изменения требований, объяснение собственных SQL-решений, воспроизводимые эксперименты на PostgreSQL и способность принять или отвергнуть совет модели. Главный вопрос доклада: чему именно мы теперь должны учить и что должны проверять, если первый правдоподобный вариант схемы, SQL и даже рассуждения студент получает за несколько секунд.

Статья посвящена разработке учебного практикума по диагностике блокировочной деградации в PostgreSQL 18. Его цель — дополнить изучение механизма транзакций наблюдением за поведением СУБД при конкурентной нагрузке. В практикуме воспроизводятся четыре типа конфликтов: конкуренция за «горячую» запись, широкий UPDATE с вложенным SELECT, DDL-блокировка и взаимоблокировка. Для локализации используются pg_stat_activity, pg_locks и pg_blocking_pids(), а влияние оценивается по TPS, p99, p99,9 и динамике очереди ожиданий. Техническая воспроизводимость проверена в 75 прогонах — по 15 для baseline и каждого конфликтного режима. Среднее парное отношение TPS сценария к TPS baseline составило 0,066 для hotspot, 0,243 для широкого UPDATE и 0,221 для DDL. В сценарии широкого UPDATE средняя p99,9 достигла 817 мс против 23 мс в baseline, а очередь наблюдалась в 77,8% снимков. Результаты подтверждают пригодность сценариев для воспроизводимой демонстрации связи между блокировками и деградацией производительности; оценка образовательного эффекта требует отдельного исследования.

В докладе представлен практический опыт автоматизации создания оценочных средств по дисциплинам «Разработка баз данных» и «Проектирование баз данных» с помощью искусственного интеллекта. Доклад охватывает полный цикл разработки тестов: от генерации вопросов на основе учебных материалов (презентаций) с использованием LLM-моделей до их глубокой перепроверки с помощью нейросетей. Приведены промпты и конкретные рекомендации по разработке подобных материалов. Демонстрируется интерфейс созданного веб-приложения — «Банка тестов», который позволяет импортировать вопросы (в том числе из CSV), проводить ручной контроль их качества и экспортировать готовые наборы в форматы Moodle XML, PDF и Excel для прямой интеграции в образовательный процесс.

В докладе представляется SQL-тренажёр для практической подготовки студентов: от базовых запросов до работы с данными с помощью DML-операций. Платформа является авторской разработкой и позволяет создавать структуру и содержание учебных курсов, включающих как теоретический материал, так и практические задания с их автоматической проверкой. Платформа так же предоставляет возможность администрировать процесс обучения, позволяя формировать группы, разграничивать права пользователей от студента до методиста, назначать контрольные мероприятия и проводить мониторинг уровня подготовки и степени освоения материала студентами. Тренажер может предоставляться другим учебным заведениям как сервис с возможностью как создавать свои курсы, так и пользоваться уже разработанными, и может стать основой для межвузовской образовательной платформы. Авторы делятся опытом развития системы, такими как: выделения фоновых задач в очереди, внедрения Redis для ускорения работы и постепенного перехода от монолитной архитектуры к микросервисной.

Образовательная настольная игра (card game) «Манчкин SQL-квест. Изучение PostgreSQL через настольную карточную игру». 

Проект представляет собой образовательную настольную карточную игру, разработанную в стиле популярной настольной игры Munchkin, адаптированную для изучения PostgreSQL. Игра сочетает в себе развлекательный и образовательный компоненты, позволяя студентам в игровой форме осваивать ключевые концепции работы с СУБД, изучать типичные ошибки разработчиков и запоминать практические команды psql.

В докладе рассматривается междисциплинарный подход к преподаванию SQL, в котором операции реляционной алгебры сопоставляются с реальными нейронными контурами на примере коннектома MaleCNS v1.0 (166 700 нейронов, 25,6 млн синаптических связей самца Drosophila melanogaster). Показано, что SQL-операции — SELECT, WHERE, JOIN, GROUP BY, HAVING, ORDER BY, INSERT, UPDATE, DELETE — имеют структурные аналоги в нервной системе: фильтрацию через дофаминовую пластичность в грибовидном теле, конъюнктивное кодирование при мультимодальной интеграции, категоризацию через sparse-кодирование в компартментах Кеньона, навигацию через кольцевой аттрактор центрального комплекса. На основе прототипа FlyBrainSQL демонстрируется дообучение коннектома через трёхфакторное правило Δw=η×D×aKCΔw=η×D×aKC. В финальной части обсуждаются перспективы нейроинтерфейсов (Neuralink, Merge Labs, Umwelt) и проектов оцифровки мозга человека (Human Connectome Project, MICrONS) как основа для будущих систем, где SQL может стать языком прямого взаимодействия с мозгом.

В учебном проекте студенты с помощью генеративных ИИ-инструментов создавали комплексные мультимедийные проекты — визуальные новеллы со сценариями и ветвлениями, изображениями персонажей и фонов, музыкой и подключаемыми HTML-играми. Работа велась по заданным требованиям и спецификациям. Сценарная часть имела сравнительно простую структуру и не вызвала заметных повторяющихся ошибок. Системная техническая проблема возникла в программной части проектов: спецификация игр задавала интеграцию с новеллой и масштабирование для смартфона, компьютера и вертикального интерактивного экрана. Игры запускались, но некоторые не соблюдали требование масштабирования, а повторные попытки студентов исправить его в своих ИИ-чатах не дали устойчивого результата. Для быстрой проверки всего корпуса преподаватель передал ИИ-агенту спецификацию и каталоги с работами пяти студентов, ограничив изменения масштабированием и связанными визуальными параметрами. В одном агентном процессе были проверены 37 одностраничных веб-игр: изменения внесены в 35 файлов, две игры оставлены без правок. По каждому студенческому каталогу агент подготовил отдельный отчёт о найденных проблемах и изменениях. Такой отчёт можно использовать для самостоятельного повторного исправления со своим ИИ или как ориентир, если ошибка снова появится после доработки игры. Доклад покажет, чем отдельные запросы в ИИ-чат отличаются от агентной работы с корпусом файлов, как подготовить спецификацию и материалы, ограничить область вмешательства, проверить результат и вернуть студенту адресную обратную связь, не снимая с него ответственности за решение.

Мир изменился - СУБД и инструментов управления данными стало много и разных. Сегодня студент, хороший студент, приходит на курс с запросом на новое и модными словами с Highload-а: NoSQL! Clickhouse! Vector&RAG! Kafka! Bigdata! S3! Data vault!... ... и встречает на этом курсе реляционную модель данных (сетевую, иерархическую...), нормализацию, реляционную алгебру и прочие "скучные" вещи. Что случилось? Устарел курс? Может абитуриент стал жертвой рекламы? Как (и нужно ли) искать баланс между знанием основ и готовности выйти в отрасль?

Null и его роль в реляционной модели данных – предмет старой дискуссии. Несмотря на стремление к стандартизации правил обработки null разными СУБД, этот компонент данных остается источником сложности и аномалий, прежде всего при аналитической работе с данными. Справочная и популярная литература по вопросам null выглядит по большей части описательной. Фактом является концептуальный и логический разрыв в функционировании null внутри всех СУБД и SQL-стандарта – как «неопределенности» (unknown) тернарной логики и как бинарного значения null / not null. В связи с этим остается актуальным вопрос о специфике самого null и допустимости понимать его как специальное псевдо-значение. В докладе представлены результаты разностороннего анализа null, объяснены его стандартные особенности и намечены контуры металогики правил его обработки. Также разобраны некоторые примеры и даны рекомендации к интеграции задач с null в учебные курсы.