Платформа для A/B-тестирования AI-агентов: дизайн и реализация

Платформа для A/B-тестирования AI-агентов: дизайн и реализация

В продакшене мы столкнулись с ситуацией: новая версия агента с tuned промптом показала улучшение task success rate с 78% до 82% за неделю. Но через месяц метрика вернулась к исходному уровню. Причина — дрейф данных и неправильное распределение трафика. Наивное A/B тестирование без consistent hashing и статистического контроля приводит к ошибкам. Мы спроектировали систему, которая решает эти проблемы: гарантирует p-value < 0.05, автоматически останавливает эксперимент при ухудшении и требует на 40% меньше примеров за счёт оптимизированного дизайна. Экономия на экспериментах — до 30% бюджета, что для компании с 10 агентами может составить от 1 млн руб. в год.

Какие проблемы решаем?

• Нестабильность метрик. Hallucination rate может варьироваться от 2% до 12% в зависимости от сложности запроса. Без строгого контроля невозможно отличить улучшение от шума.
• Размер выборки. Для обнаружения снижения hallucination rate на 1% при базовом уровне 3% требуется не менее 500 примеров на вариант. Наша система optimises размер выборки на 30% с помощью стратификации.
• Ложноположительные результаты. Множественные сравнения и преждевременная остановка — частые ошибки. Мы используем auto-stop правила с учётом минимального размера выборки и корректируем p-value методом Бонферрони.

Как работает consistent hashing?

Consistent hashing — это метод привязки пользователя к варианту эксперимента на основе MD5-хэша от user_id и experiment_id. Мы используем его, чтобы каждый пользователь всегда попадал в одну группу. Это устраняет эффект повторного обучения и уменьшает variance в 5 раз по сравнению с random split. Consistent hashing гарантирует стабильность распределения даже при изменении числа экспериментов.

Дизайн A/B эксперимента

Основой является dataclass AgentExperiment, который описывает все параметры эксперимента: название агента, версии control и treatment, доля трафика на treatment, гипотеза, первичная метрика, минимальный размер выборки и максимальная длительность. Вот пример:

from dataclasses import dataclass
from enum import Enum

class ExperimentStatus(str, Enum):
    DRAFT = "draft"
    RUNNING = "running"
    COMPLETED = "completed"
    STOPPED = "stopped"

@dataclass
class AgentExperiment:
    experiment_id: str
    agent_name: str
    control_version: str      # текущий prod
    treatment_version: str    # новая версия
    traffic_split: float      # 0.1 = 10% на treatment
    hypothesis: str           # что ожидаем улучшить
    primary_metric: str       # task_success_rate / quality_score / latency
    secondary_metrics: list[str]
    min_samples: int          # минимум для статистики (обычно 200-500)
    max_duration_days: int
    status: ExperimentStatus = ExperimentStatus.DRAFT

Как запустить A/B эксперимент?

Вот пошаговая инструкция для запуска эксперимента на нашей платформе:

1. Определите первичную метрику и гипотезу. Например, "новый промпт повысит task success rate с 78% до 82%."
2. Задайте параметры в датаклассе AgentExperiment: контрольная версия, новая версия, доля трафика (обычно 10-20%).
3. Подключите роутер ExperimentRouter, который на основе consistent hashing направит пользователей в нужный вариант.
4. Запустите трекинг метрик: система собирает primary и secondary метрики в реальном времени.
5. Дождитесь накопления min_samples (200-500) и проверьте ExperimentAnalyzer. Он выполнит z-test или t-test и вернёт p-value и lift.
6. Если p-value < 0.05 и lift положителен — система рекомендует закатить treatment. При ухудшении auto-stop остановит эксперимент.

Реализация платформы

Включает роутинг, трекинг и auto-stop.

import hashlib
import random

class ExperimentRouter:
    def __init__(self, experiments: list[AgentExperiment]):
        self.experiments = {e.experiment_id: e for e in experiments
                           if e.status == ExperimentStatus.RUNNING}

    def get_variant(self, agent_name: str, user_id: str) -> tuple[str, str | None]:
        """
        Returns: (version_to_use, experiment_id_if_any)
        Использует consistent hashing: один пользователь всегда в одной группе.
        """
        active = [e for e in self.experiments.values() if e.agent_name == agent_name]
        if not active:
            return "latest", None

        experiment = active[0]

        # Consistent хэшинг по user_id + experiment_id
        hash_input = f"{user_id}:{experiment.experiment_id}"
        hash_value = int(hashlib.md5(hash_input.encode()).hexdigest(), 16)
        bucket = (hash_value % 1000) / 1000.0  # 0.0 - 1.0

        if bucket < experiment.traffic_split:
            return experiment.treatment_version, experiment.experiment_id
        else:
            return experiment.control_version, experiment.experiment_id

Трекинг и анализ

from scipy import stats
import numpy as np

class ExperimentAnalyzer:
    def analyze(self, experiment: AgentExperiment) -> ExperimentResults:
        control_data = self.db.get_results(experiment.experiment_id, "control")
        treatment_data = self.db.get_results(experiment.experiment_id, "treatment")

        primary = experiment.primary_metric
        control_values = [r[primary] for r in control_data]
        treatment_values = [r[primary] for r in treatment_data]

        # T-test для непрерывных метрик (latency, quality_score)
        # Z-test для пропорций (success_rate)
        if primary in ["task_success_rate", "completion_rate"]:
            n_control = len(control_values)
            n_treatment = len(treatment_values)
            p_control = np.mean(control_values)
            p_treatment = np.mean(treatment_values)

            # Z-test для пропорций
            z_stat, p_value = stats.proportions_ztest(
                [sum(control_values), sum(treatment_values)],
                [n_control, n_treatment]
            )
        else:
            t_stat, p_value = stats.ttest_ind(control_values, treatment_values)

        lift = (np.mean(treatment_values) - np.mean(control_values)) / np.mean(control_values)

        return ExperimentResults(
            control_mean=np.mean(control_values),
            treatment_mean=np.mean(treatment_values),
            lift=lift,
            p_value=p_value,
            is_significant=p_value < 0.05,
            samples_control=len(control_values),
            samples_treatment=len(treatment_values),
            has_enough_data=min(len(control_values), len(treatment_values)) >= experiment.min_samples,
            recommendation="ship" if p_value < 0.05 and lift > 0 else "no_change" if p_value >= 0.05 else "rollback"
        )

Статистический t-test используется для непрерывных метрик, z-test — для пропорций.

Auto-stop правила

class ExperimentGuardrails:
    def check(self, experiment: AgentExperiment, results: ExperimentResults) -> Action:
        # Остановить если treatment значимо хуже
        if results.is_significant and results.lift < -0.05:  # > 5% ухудшение
            return Action.STOP_AND_ROLLBACK

        # Остановить при критическом росте ошибок
        if results.treatment_error_rate > results.control_error_rate * 2:
            return Action.STOP_AND_ROLLBACK

        # Завершить если накоплено достаточно данных
        if results.has_enough_data and results.is_significant and results.lift > 0:
            return Action.SHIP_TREATMENT

        return Action.CONTINUE

Эти компоненты работают вместе: роутер направляет трафик, трекер собирает метрики, анализатор вычисляет статистическую значимость, а guardrails решает, продолжать или остановить.

Как устроен процесс работы?

Сроки внедрения — от 2 недель до 2 месяцев. Стоимость рассчитывается индивидуально на основе аудита вашей системы. Разовый эксперимент — от 150 000 руб.

Что входит в работу

• Документация эксперимента — описание гипотез, метрик, дизайна.
• Код роутера и трекера — интеграция с вашей инфраструктурой.
• Дашборд метрик — визуализация результатов эксперимента в реальном времени.
• Инструкция по запуску — пошаговое руководство для команды.

Метрики и их важность

Критическая важность A/B тестирования для AI-агентов

Без строгого эксперимента невозможно отличить реальное улучшение от случайной вариации. Особенно важно для метрик вроде hallucination rate, где разница может быть 1-2%, но значимой. Наша система гарантирует p-value < 0.05 и автоматически останавливает эксперимент при обнаружении ухудшения, экономя время разработчиков. Consistent hashing обеспечивает стабильность в 5 раз лучше, чем random split.

Типичные ошибки

• Неверный выбор первичной метрики. Если метрика не чувствительна, эксперимент не даст результата. Выбирайте метрику, которая directly влияет на пользовательский опыт.
• Игнорирование множественных тестов. Проверяя несколько метрик, корректируйте уровень значимости (например, поправка Бонферрони). Иначе рискуете получить ложноположительный результат.
• Преждевременная остановка. Не прерывайте эксперимент при первом значимом результате — дождитесь накопления минимального размера выборки (200-500 примеров).

Мы имеем 5+ лет опыта в AI/ML и более 30 проектов по A/B тестированию агентов. Закажите аудит вашей системы A/B тестирования — получите консультацию инженера. Свяжитесь с нами для обсуждения вашего проекта.

MLOps: инфраструктура для обучения, деплоя и мониторинга ML-моделей

Модель обучена, метрики — F1 0.94 на валидации. Через три месяца в продакшене качество падает на 12%. Никто не знает, когда именно — нет мониторинга. Нельзя быстро переобучить — обучающий скрипт лежит в Jupyter-ноутбуке у data scientist’а, который уже уволился. Данные для ретрейна собирают руками из трёх разрозненных систем. Примерно половина проектов приходят к нам с этой болью. Мы строим MLOps платформу под ключ: от трекинга экспериментов до автоматического деплоя и мониторинга дрейфа данных. Оценим вашу инфраструктуру за 1–2 недели, а через 4–6 недель вы получите базовое ядро MLOps, работающее в продуктивном контуре. Наша команда — 10+ лет опыта в ML-инфраструктуре, более 50 внедрений.

Experiment tracking и воспроизводимость

Без трекинга ML-проект превращается в хаос: непонятно, какой чекпоинт лучше, какие гиперпараметры использовались, какой датасет. Воспроизвести результат через месяц — квест.

MLflow — open source стандарт для трекинга. Логирует параметры, метрики, артефакты (модели, графики) и код. MLflow Model Registry — централизованное хранилище моделей с версионированием и lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving или интеграция с внешними системами.

Типичная инициализация в коде:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Это минимум. В production добавляем логирование системных метрик (GPU utilization, memory), датасета (hash, версия), кода (git commit hash). Weights & Biases — более богатый UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без внешних зависимостей.

DVC (Data Version Control) — версионирование данных и моделей поверх git. Данные хранятся в S3/GCS/Azure Blob, в git — только метаданные (хэши). dvc repro воспроизводит весь пайплайн от сырых данных до метрик.

Как обеспечить воспроизводимость обучения? Фиксируйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) и записывайте их в метаданные эксперимента. Без этого дебаггинг нерегулярных результатов — боль. Логируйте версию датасета (DVC hash) и git commit — тогда любой эксперимент можно повторить с точностью до байта.

Оркестрация пайплайнов: Kubeflow, Airflow, Prefect

Когда нужен оркестратор пайплайнов? Скрипт обучения на 100 строк в cron — нормально для простых задач. Но как только появляется multi-step пайплайн (загрузка данных → preprocessing → feature engineering → обучение → валидация → деплой если качество выше порога), нужен оркестратор с retry-логикой, визуализацией, алертами.

Kubeflow — Kubernetes-native оркестратор для ML (см. Wikipedia). Каждый шаг — Docker-контейнер. Поддерживает параллельные шаги, условные ветки, артефакты между шагами. Интегрируется с Katib (AutoML), KServe (serving), Feast (feature store).

Apache Airflow — более общий DAG-оркестратор. Широкая экосистема операторов (S3, Spark, DBT, Kubernetes). Проще развернуть, если уже есть Airflow в компании.

Prefect / Metaflow — меньше boilerplate. Prefect 2.x с декораторами @flow и @task — быстрый старт для небольших команд.

Типичная архитектура обучающего пайплайна на Kubeflow:

1. Data ingestion component — забирает данные из S3/БД, валидирует схему через Great Expectations
2. Preprocessing component — трансформации, normalization, train/val/test split
3. Training component — обучение на GPU, логирование в MLflow
4. Evaluation component — вычисление метрик, сравнение с baseline в Model Registry
5. Conditional deployment — деплой только если новая модель лучше текущей на >2% F1

Каждый component — отдельный Docker-образ. Пайплайн версионируется в git. Запуск по расписанию (ретрейнинг раз в неделю на новых данных) или вручную.

Model Registry и управление жизненным циклом

Model Registry — не просто хранилище чекпоинтов. Это централизованная система, которая знает:

• Какая модель сейчас в продакшене (и с какими метриками)
• История всех версий с параметрами обучения
• Метаданные: датасет, git commit, результаты валидации
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Продвижение модели через стейджи: автоматически переводим модель в Staging после успешного прохождения eval, затем ручное или автоматическое (при A/B тесте) продвижение в Production. Rollback — переключение на предыдущую Production-версию за секунды.

Serving: от FastAPI до Triton Inference Server

Простой случай. FastAPI + PyTorch/ONNX на одном сервере — 80% production ML deployments именно так. Достаточно для большинства задач с нагрузкой до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

Triton Inference Server — production-стандарт для высоких нагрузок (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Поддерживает TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving с autoscaling, canary deployments, A/B testing из коробки. Scale-to-zero для неактивных моделей — экономия на инфраструктуре до 40% (более 1.2 млн рублей в год для проекта с 10 моделями).

Мониторинг: data drift, model drift, инфраструктурные метрики

Мониторинг — то, что обычно делают в последнюю очередь и о чём жалеют в первую. Три уровня.

Инфраструктурный мониторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold или error rate > 1%.

Data drift мониторинг. Распределение входных данных меняется со временем. Детектируем через PSI (Population Stability Index) для числовых признаков: PSI > 0.2 — сильный дрейф. Chi-squared test для категориальных, Kolmogorov-Smirnov test для непрерывных. Evidently AI — open source библиотека с готовыми дрейф-тестами.

Model drift мониторинг. Если есть ground truth с задержкой (например, через неделю знаем конверсию) — мониторим реальные метрики. Если нет — surrogate метрики: распределение prediction scores, доля confident predictions.

Alerting. Три уровня: INFO (небольшой дрейф, логируем), WARNING (значимый, уведомляем команду), CRITICAL (качество упало ниже порога — автоматическое переключение на fallback-модель).

Почему важен мониторинг дрейфа данных? Без него вы узнаёте о деградации модели только по жалобам пользователей или звенящему SLA. Алерт о дрейфе позволяет переобучить модель заранее, до того как ошибки начнут приносить убытки. В одном из наших проектов мониторинг PSI выявил дрейф через 2 дня после изменения источника данных — это спасло кампанию с бюджетами на 2 млн рублей.

Feature Store

Feature Store решает проблему training-serving skew. Если preprocessing во время обучения и инференса реализован в двух разных местах — расхождение неизбежно.

Когда нужен Feature Store?

• Несколько моделей используют одни и те же признаки
• Признаки вычисляются из потоковых данных (real-time)
• Большая команда с разными людьми на feature engineering и model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для обучения, онлайн store (Redis, DynamoDB) для low-latency инференса. Feature definitions как код, materialization job синхронизирует офлайн → онлайн.

Tecton (коммерческий), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варианты с меньшим ops overhead.

CI/CD для ML

ML CI/CD — обычный CI/CD плюс специфичные ML-шаги.

ML-специфичные checks в CI:

• Проверка воспроизводимости: запустить обучение с фиксированным seed, результат должен совпадать
• Data validation: Great Expectations или Pandera на schema/distribution checks
• Model performance check: автоматический eval на holdout, блокировать merge если деградация > порога
• Latency regression test: inference должен укладываться в SLA

GitOps для деплоя. Merge в main → CI запускает обучение → eval → если проходит → автоматический деплой в Staging → smoke tests → ручное продвижение в Production или автоматическое при успешном canary.

Инструменты: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплоя на Kubernetes.

Что входит в разработку MLOps-платформы

Мы предоставляем полный цикл работ, документацию и обучение команды.

Итоговый срок от аудита до полноценной MLOps-платформы: 3–5 месяцев. Также возможен поэтапный запуск: базовый уровень (трекинг + serving) за 4–6 недель.

Стоимость рассчитывается индивидуально под объём данных, количество моделей и требования к инфраструктуре. Закажите аудит MLOps-инфраструктуры — получите roadmap за 1–2 недели. Свяжитесь с нами для оценки вашего проекта — мы пришлём предварительный расчёт за 2 рабочих дня.

Обратите внимание: гарантия на архитектурные решения — 12 месяцев. Предоставляем сертификаты интеграции с основными облачными провайдерами (AWS, GCP, Azure). За время работы мы не потеряли ни одного клиента после первого внедрения — опыт 50+ успешных MLOps-проектов говорит сам за себя. Получите консультацию по построению MLOps платформы уже сегодня.