Дообучение LLM: как провести A/B-тест и не ошибиться

Сравнение дообученных LLM: практика A/B эксперимента

Допустим, вы дообучили Llama 3.1 на 5000 демонстраций саппорта. ROUGE вырос на 7%, perplexity упала. Запускаете в прод — и escalation rate подскакивает на 15%. Знакомая ситуация. Лабораторные метрики не гарантируют улучшения в реальных условиях. Единственный достоверный способ — провести A/B-тест: разделить трафик, показывать часть запросов baseline, часть — candidate, и сравнить бизнес-метрики.

Наш опыт подтверждает: без корректного A/B-эксперимента дообучение часто оборачивается потерей времени и бюджета. Правильная методология позволяет за 2–5 недель получить статистически значимый ответ и принять решение о rollout или откате. Если вы хотите внедрить A/B-тестирование в свой MLOps-пайплайн, получите консультацию — мы поможем настроить эксперимент под ваш стек.

Например, в одном из проектов мы сравнили две версии fine-tuned Mistral 7B: контрольная (v1) и экспериментальная (v2). Результаты показали улучшение task completion rate на 7.6% при p-value < 0.01. Это позволило обосновать rollout и сэкономить бюджет на дальнейшее дообучение.

Как организовать эксперимент?

Сравниваются две версии: baseline (например, исходная GPT-4o) и candidate (fine-tuned на новых данных). Типичные сценарии:

• базовая модель против fine-tuned на том же архитектурном ядре;
• fine-tuned v1 против v2 (итерация датасета);
• две разные модели (Llama 3.1 8B vs Mistral 7B), обе дообучены;
• один и тот же inference с разными промптами.

Ключ — детерминированное разделение трафика. Реализуем через хэш от user_id:

import hashlib
import random
from typing import Literal

class ABRouter:
    """Детерминированная маршрутизация A/B по user_id"""

    def __init__(self, experiment_name: str, split: float = 0.5):
        self.experiment_name = experiment_name
        self.split = split  # Доля трафика для варианта B

    def assign(self, user_id: str) -> Literal["control", "treatment"]:
        """Один пользователь всегда попадает в одну группу"""
        hash_input = f"{self.experiment_name}:{user_id}"
        hash_value = int(hashlib.md5(hash_input.encode()).hexdigest(), 16)
        normalized = (hash_value % 10000) / 10000
        return "treatment" if normalized < self.split else "control"

router = ABRouter("fine-tuned-v2-test", split=0.2)  # 20% трафика на новую модель

# В обработчике запроса
def handle_request(user_id: str, prompt: str) -> str:
    variant = router.assign(user_id)

    if variant == "control":
        response = baseline_model.generate(prompt)
        model_version = "baseline"
    else:
        response = finetuned_model.generate(prompt)
        model_version = "v2-finetuned"

    log_event(user_id, variant, prompt, response, model_version)
    return response

Какие метрики выбрать?

• Task completion rate — доля диалогов, где пользователь получил ответ без escalation. Первичная метрика, напрямую отражает бизнес-ценность.
• CSAT — оценка пользователем качества ответа (звёзды, лайк/дизлайк).
• Escalation rate — процент обращений, переданных оператору.
• Time-to-value — количество сообщений до решения задачи.
• Latency (P50, P95, P99) — чтобы не потерять в скорости.

Измеряйте их на одинаковом срезе запросов, исключая сезонность. Если модель показывает улучшение по первичной метрике, а latency выросла в пределах допуска — решение о rollout принимается.

Как определить статистическую значимость?

Недостаточно просто сравнить средние — нужен t-тест. Реализация на Python:

from scipy import stats
import numpy as np

def ab_significance_test(
    control_outcomes: list[float],
    treatment_outcomes: list[float],
    alpha: float = 0.05
) -> dict:
    """
    Двусторонний t-тест для проверки значимости разницы в метриках
    control_outcomes: метрики группы A (например, task_completion = [1,0,1,1,...])
    """
    t_stat, p_value = stats.ttest_ind(control_outcomes, treatment_outcomes)

    control_mean = np.mean(control_outcomes)
    treatment_mean = np.mean(treatment_outcomes)
    relative_lift = (treatment_mean - control_mean) / control_mean * 100

    return {
        "control_mean": control_mean,
        "treatment_mean": treatment_mean,
        "relative_lift_pct": relative_lift,
        "p_value": p_value,
        "significant": p_value < alpha,
        "sample_sizes": {"control": len(control_outcomes), "treatment": len(treatment_outcomes)}
    }

# Расчёт необходимого размера выборки
def required_sample_size(
    baseline_rate: float,   # Текущая метрика (например, 0.75)
    min_detectable_effect: float,  # Минимальное значимое улучшение (например, 0.05)
    alpha: float = 0.05,
    power: float = 0.80
) -> int:
    from statsmodels.stats.power import TTestIndPower
    analysis = TTestIndPower()
    effect_size = min_detectable_effect / (baseline_rate * (1 - baseline_rate)) ** 0.5
    n = analysis.solve_power(effect_size=effect_size, alpha=alpha, power=power)
    return int(np.ceil(n))

# Пример: baseline task_completion = 75%, хотим зафиксировать улучшение на 5%
n = required_sample_size(0.75, 0.05)
print(f"Нужно {n} запросов на каждую группу")  # ~500–1000

Почему t-тест, а не только доверительные интервалы?

Традиционный подход с доверительными интервалами (check overlap) может вводить в заблуждение при малых выборках. t-тест даёт точный p-value, а при нормально распределённых метриках (task completion — бинарная, но для больших n t-тест робастен) он статистически корректен. В случае бинарных метрик можно дополнительно использовать z-тест для пропорций — мы в работе используем оба метода для перекрёстной проверки.

Кейс: A/B-тест саппорт-бота (из нашей практики)

Контекст: customer support бот на базе Llama 3.1 8B fine-tuned v1. Подготовлена версия v2 с улучшенным датасетом (+800 примеров, исправлены failure cases v1).

Эксперимент:

• Контроль (80% трафика): v1
• Тест (20% трафика): v2
• Длительность: 14 дней
• Размер выборки: 6200 диалогов на контрольную группу, 1550 на тестовую

Первичная метрика: task_completion_rate (пользователь решил вопрос без escalation). Вторичные: CSAT, escalation_rate, avg_turns_to_resolution.

Результаты:

v2 статистически значимо лучше по трём из четырёх метрик. Рост латентности P95 (+10%) приемлем. Принято решение о полном rollout.

Пошаговый план внедрения A/B-тестирования

Чтобы вы не упустили детали, вот чеклист этапов:

1. Определите бизнес-метрику (например, task completion). Выберите одну первичную.
2. Рассчитайте размер выборки с помощью power analysis (как в коде выше).
3. Реализуйте маршрутизацию с детерминированным хэшем по user_id.
4. Запустите эксперимент — не менее 1-2 недель, чтобы покрыть недельные циклы.
5. Соберите данные — логируйте метрики в единую систему (MLflow, Weights & Biases).
6. Проведите t-тест — проверьте p-value < 0.05.
7. Примите решение: rollout, доработка или откат.

Что входит в нашу работу по A/B-тестированию?

• Разработка схемы эксперимента и выбор метрик.
• Реализация модуля маршрутизации с логированием.
• Интеграция с вашим MLOps-стеком (MLflow, LangSmith, Weights & Biases).
• Расчёт необходимого размера выборки и длительности теста.
• Анализ результатов и подготовка отчёта с рекомендациями.
• Пост-rollout мониторинг и, при необходимости, корректировка.

Мы также обучаем вашу команду самостоятельно запускать A/B-тесты в будущем.

Сравнение популярных инструментов

Выбор зависит от текущего стека. Мы помогаем настроить оптимальную связку.

Сроки и экономия бюджета

• Настройка A/B инфраструктуры: 3–7 дней
• Эксперимент (достижение необходимого n): 1–4 недели
• Анализ результатов и принятие решения: 2–3 дня
• Итого: 2–5 недель

Сократите затраты на дообучение: закажите внедрение A/B-тестирования под ключ — мы настроим эксперимент, интегрируем с вашим MLOps-стеком и поможем интерпретировать результаты.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.