• Качество самих инструментов
• Внедрение статического анализа в старый проект — почти невозможно
• Игнорирование ошибок не позволяет сделать «как мне надо», а только как «как просит линтер»
• Восприятие статического анализа в сообществе: многие уверены, что им достаточно Black!
• Типизация сейчас является скорее сводным братом троюродной сестры вашей соседки, чем полноценным членом семьи статического анализа
• Исправление ошибок? Забудьте!

• Новый runtime, сделанный как надо
• Legacy-first
• Умное игнорирование ошибок
• Удобство использования и внедрения
• Типы (вау!)
• Исправление большинства ошибок без вашего участия

• Как еще можно решить проблему с GIL, если не хочется запускать несколько параллельных процессов, а asyncio уже не хватает.
• Чему многопоточность Python может поучиться у Go?
• Возможности интерпретатора которые существуют уже давно, но о которых никто не слышал.

FastAPI уже не первый год с нами.
Последние пару лет фреймворк явно на подъеме: количество звезд на гитхабе уже больше чем 50% от мастодонтов рынка — django, flask. В ds среде и в каждом туториале flask, в каждой второй вакансии суперсовременные горизонтально масштабируемые сервисы на… django.

Однако, про fastapi разговоров довольно немного и проникновение как в рынок, так и в публичное пространство у него не велико. И уж тем более, пока ещё про него не говорили с позиции продакшена (как минимум, на конференциях).

Так сложилось, что в банке мы сделали на нем несколько десятков сервисов и уже больше года активно эксплуатируем как раз в том самом продакшене, а так же рекомендуем его внутри, как основной, практически всем. За это время мы успели полюбить этот фреймворк, но при этом нашли его «зоны роста».

В своем докладе я постараюсь раскрыть три темы:

1. сделаю краткий обзор на сам фреймворк
2. поделюсь тем, чего ему не хватает для полноценной жизни в продакшене (с моей точки зрения)
3. подсвечу довольно очевидные потенциальные проблемы.

Мы много лет используем Sentry (28k звёзд, 3.2k форков на гитхабе) для мониторинга исключений на проектах, а так же мессенджер Telegram для общения. Когда я захотел получать уведомления об инцидентах из Sentry в Telegram, я не нашёл такой возможности, но что самое интересное — ни слова в официальной документации как добавить такой плагин.

Пройдя путь от негодования изучения устройства плагинов, поддерживаемых авторами Sentry и работы с ними в самом ядре Sentry, до создания своего плагина, используемого многими компаниями, я вижу, по поступающим вопросам, что интерес к теме не уменьшается со временем, а актуальной информации в сети всё так же нет.

Я вижу, что отдельные разработчики регулярно создают свои плагины для Sentry, но каждый из них вынужден проходить этот путь с нуля и самостоятельно, как это делал я.

Неплохо разобравшись в процессе с вопросом, я был бы рад поделиться знаниями с участниками PyCon.

Вместе со участниками мы пройдём по таким пунктам как:

• общее устройство плагина для Sentry: от простого к более сложному
• его место в общей архитектуре Sentry и как он запускается
• проблема с использованием популярных плагинов в cloud версии Sentry
• правильный способ установки плагинов в Sentry (грабли, по которым прошёл я, и провёл за собой N пользователей первых версий своего плагина)
• добавление своих интерфейсов настроек в интерфейс Sentry
• работа с сетью из вашего плагина: отправка запросов и получение их от внешних систем
• работа с базой данных и миграциями
• недокументированные, но вычленённые из исходников, best practice которые следует использовать при создании плагинов, чтобы не поотстреливать ноги себе и своему админу, который поддерживает Sentry

В рамках мастер-класса вы узнаете о современных языковых моделях — трансформерах.
Познакомитесь с моделью русского языка от SberDevices — SBERT.

Также мы рассмотрим классические кейсы NLP (Natural Language Proccesing) по решению таких задач классификации как:

• сентимент-анализ и поиск именованных сущностей;
• семантический поиск на основе работы с языковой моделью SBERT.