SLA-система для AI-агентов: метрики, мониторинг, гарантии надежности

Представьте: AI-агент вашего ключевого клиента отвечает на запросы с задержкой в 30 секунд, а потом еще и галлюцинирует, предлагая неверные данные. Клиент теряет деньги, вы — репутацию. Именно так произошло с одним финтех-стартапом: их агент по обработке транзакций превысил p95 latency в 12 секунд, и они потеряли 15% контрактов за квартал. Мы внедрили SLA-систему с мониторингом в реальном времени, и за месяц latency упал до p95 < 4 секунд. При этом доступность выросла до 99.7%. Наш опыт — более 50 внедрённых AI-решений, сертификация по Kubernetes и лицензии на ML-платформы. Мы знаем, как построить SLA-систему, которая гарантирует доступность, скорость и качество ответов под ваши конкретные метрики.

Проблемы, которые решаем

Зависимость от LLM-провайдеров. Если OpenAI или Anthropic падают — ваш агент тоже падает. Мы добавляем fallback-цепочки на резервные модели (например, Claude 3.5 → LLaMA 3 через vLLM) и кэшируем embeddings в ChromaDB. Доступность остаётся > 99.5% даже при падении одного провайдера.

Непредсказуемое время ответа. LLM генерирует токены нелинейно: p95 может быть в 5 раз выше p50. Мы оптимизируем через streaming, квантизацию INT8 и batch-обработку на Triton Inference Server. Типичный результат — p95 < 5 секунд, p99 < 8 секунд, что сокращает затраты на инфраструктуру до 40%.

Качество ответа — субъективная метрика. LLM может формально ответить, но не решить задачу. Мы используем LLM-судью на базе GPT-4 с ансамблем классификаторов, чтобы детектировать галлюцинации, отказы и нерелевантные ответы. Метрика task completion показывает, завершил ли агент задачу успешно, с точностью > 95%.

Как мы строим мониторинг SLA?

Мы строим систему на базе Prometheus + Grafana с кастомными экспортёрами для LLM-запросов. Прометеус собирает метрики с интервалом 15 секунд, а Grafana визуализирует дашборды реального времени. Для алертинга используем Alertmanager с интеграцией в Slack и PagerDuty. Кастомные экспортёры написаны на Python с библиотекой prometheus_client — они измеряют latency per token, скорость стриминга и качество ответа.

Типовые SLA метрики для AI-агентов

Почему SLA для AI-агентов сложнее традиционного?

Традиционный SLA оперирует простыми метриками: аптайм, latency, error rate. Для AI-агентов добавляется качество ответа — метрика, которую нельзя измерить пингом. Мы используем ансамбль классификаторов и LLM-as-a-judge, чтобы детектировать галлюцинации и отказы. К тому же время ответа сильно зависит от длины генерируемого текста, поэтому мы отслеживаем не просто latency, а latency per token. Например, модель с контекстным окном 8K токенов может генерировать ответ в 10 раз длиннее, чем простая команда — это приходится учитывать в SLO.

Реальное внедрение: кейс логистического оператора

Клиенту требовался AI-агент для автоматизации обработки заказов. Первоначальный прототип на GPT-4 имел p95 latency 9.2 секунды и доступность 98% из-за частых таймаутов OpenAI. Мы применили fallback на Mistral Large, кэш embeddings в pgvector, и настроисли streaming с batch-обработкой. Итог: p95 = 3.8 секунды, availability = 99.6%, task completion = 97%. Error budget позволил клиенту безопасно внедрять новые функции без риска нарушения SLA.

Мониторинг SLA в реальном времени

from dataclasses import dataclass
from datetime import datetime, timedelta

@dataclass
class SLADefinition:
    name: str
    metric: str
    threshold: float
    comparison: str        # "gte" / "lte"
    measurement_window: int  # минуты
    alerting_threshold: float  # процент нарушений для алерта

SLA_SET = [
    SLADefinition("availability", "uptime_pct", 99.5, "gte", 60, 0.1),
    SLADefinition("p95_latency", "p95_latency_ms", 8000, "lte", 5, 0.05),
    SLADefinition("task_success", "success_rate", 0.95, "gte", 60, 0.1),
    SLADefinition("quality", "avg_quality_score", 4.0, "gte", 1440, 0.05),
]

class SLAMonitor:
    def check_sla(self, agent_name: str) -> SLAStatus:
        violations = []
        for sla in SLA_SET:
            current_value = self.metrics.get(agent_name, sla.metric, sla.measurement_window)
            is_met = self._compare(current_value, sla.threshold, sla.comparison)

            if not is_met:
                violations.append(SLAViolation(
                    sla_name=sla.name,
                    expected=sla.threshold,
                    actual=current_value,
                    since=self.metrics.get_violation_start(agent_name, sla.name)
                ))

        return SLAStatus(
            agent_name=agent_name,
            is_healthy=len(violations) == 0,
            violations=violations,
            checked_at=datetime.utcnow()
        )

Error Budgets (следуем подходу Google SRE)

SLA 99.5% availability = 0.5% error budget. Это 216 минут в месяц, которые можно потратить на деплои и эксперименты. При исчерпании — freeze на изменения. Мы автоматизируем расчёт и алертинг при сгорании бюджета. Например, если burn rate превышает 1.0 за последнюю неделю — система предупреждает команду об ускоренном расходе.

class ErrorBudgetTracker:
    def calculate(self, agent_name: str, period_days: int = 30) -> ErrorBudget:
        sla_availability = 0.995  # 99.5%
        total_minutes = period_days * 24 * 60

        # Суммарное время недоступности за период
        downtime_minutes = self.metrics.get_downtime(agent_name, days=period_days)
        actual_availability = 1 - (downtime_minutes / total_minutes)

        budget_minutes = total_minutes * (1 - sla_availability)  # 216 минут за 30 дней
        consumed_minutes = downtime_minutes
        remaining_minutes = budget_minutes - consumed_minutes
        remaining_pct = remaining_minutes / budget_minutes

        return ErrorBudget(
            total_budget_minutes=budget_minutes,
            consumed_minutes=consumed_minutes,
            remaining_minutes=remaining_minutes,
            remaining_pct=remaining_pct,
            is_exhausted=remaining_pct <= 0,
            burn_rate=consumed_minutes / budget_minutes / (period_days / 30)
        )

Сравнение подходов к мониторингу

Prometheus-based мониторинг даёт экономию бюджета до 30% по сравнению с облачными решениями, при этом скорость настройки кастомных метрик в 2–3 раза выше.

Отчётность для клиентов

Ежемесячный SLA-отчёт включает: фактические значения vs SLA targets, время нарушений с причинами, RCA по инцидентам, план мероприятий. Публичный status page для enterprise клиентов с историей инцидентов и плановых работ. Мы также предоставляем дашборды в Grafana для самостоятельного мониторинга.

Контрактные штрафы и кредиты

Для enterprise SLA с финансовыми обязательствами: автоматический расчёт кредитов при нарушении SLA. Например: availability 99.0–99.5% → 5% credit, < 99.0% → 15% credit. Система автоматически рассчитывает и инициирует credit notes через биллинговую систему.

Процесс работы

Мы идём по этапам: аудит текущих AI-агентов → проектирование метрик и SLO → реализация мониторинга и алертинга → настройка error budget и отчётов → тестирование и деплой. На выходе вы получаете работающую SLA-систему с документацией, дашбордами и алгоритмом действий при нарушениях.

Что входит в deliverables

• Конфигурация мониторинга (Prometheus, Grafana, Alertmanager)
• Интеграция с LLM-провайдерами и кэшем
• Дашборды реального времени по SLA
• Настройка алертов (Slack, Telegram, PagerDuty)
• Ежемесячные отчёты с RCA
• Обучение команды: как управлять error budget и реагировать на инциденты

Получите консультацию по внедрению SLA-системы для ваших AI-агентов. Мы оценим проект и предложим архитектуру под ваши метрики. Опыт более 50 проектов по ML и AI — гарантируем соблюдение SLA. Закажите аудит текущей системы — первый этап бесплатно.

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.