Внедрение MLOps-платформы под ключ: полный цикл ML-моделей

Внедрение MLOps-платформы под ключ: полный цикл ML-моделей

Дата-сайентист обучил градиентный бустинг с ROC-AUC 0.97, precision 0.92, recall 0.88 на локальном Jupyter. Через неделю в production precision упал до 0.65, recall до 0.55 — данные изменились, а модель не переобучалась. Training-serving skew, дрейф данных, ручной деплой без версионирования — типичные симптомы отсутствия MLOps. За 5 лет мы внедрили MLOps-платформы для 15+ команд и гарантируем, что модель будет работать в production так же, как на ноутбуке. Платформа решает три ключевые задачи: воспроизводимость экспериментов, консистентность фичей и автоматический мониторинг.

Как MLOps-платформа устраняет разрыв между разработкой и production?

Ключевая проблема — Model Registry и Feature Store. Без них data scientist теряет эксперименты, а инженеры — контроль над версиями. MLOps-платформа навязывает дисциплину: каждый эксперимент логируется, каждая модель версионируется, каждый признак вычисляется один раз. MLOps-платформа интегрирует стек инструментов для всего цикла: данные → эксперименты → обучение → деплой → мониторинг.

• Feature Store (Feast) — фичи вычисляются один раз для обучения и инференса, исключая training-serving skew.
• Model Registry (MLflow) — версионирование моделей, promotion workflow (Staging → Production), автоматический откат при падении метрик.
• Автоматические пайплайны (Kubeflow) — перезапуск обучения при появлении новых данных без ручного вмешательства.
• Мониторинг (Evidently + Prometheus) — alert при дрейфе данных или падении точности.

Без этих компонентов каждая модель рискует стать legacy за неделю.

Какие компоненты входят в базовый стек MLOps?

Мы начинаем с минимально жизнеспособного набора: MLflow для tracking и registry, S3 для артефактов, PostgreSQL для метаданных. Затем подключаем Feast для Feature Store и Kubeflow для оркестрации. Ниже — детальная настройка каждого компонента.

MLflow: настройка Tracking Server и Model Registry

Ставим MLflow Tracking Server с S3 artifact store и PostgreSQL backend. Эта занимает 1–2 недели и даёт: логирование экспериментов, model registry, promotion workflow.

import mlflow
import mlflow.sklearn
from mlflow.models import infer_signature

mlflow.set_tracking_uri("http://mlflow.mlops.svc.cluster.local:5000")
mlflow.set_experiment("fraud-detection-v2")

with mlflow.start_run(run_name="lgbm-baseline") as run:
    mlflow.log_params({"n_estimators": 500, "learning_rate": 0.05, "max_depth": 6})
    model = LGBMClassifier(**params)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    mlflow.log_metrics({
        "precision": precision_score(y_test, y_pred),
        "recall": recall_score(y_test, y_pred),
        "f1": f1_score(y_test, y_pred),
        "roc_auc": roc_auc_score(y_test, model.predict_proba(X_test)[:, 1])
    })
    signature = infer_signature(X_train, model.predict(X_train))
    mlflow.sklearn.log_model(model, artifact_path="model", signature=signature, registered_model_name="fraud-detection")
    mlflow.log_figure(plot_feature_importance(model), "feature_importance.png")
    mlflow.log_artifact("shap_values.html")

print(f"Run ID: {run.info.run_id}")

from mlflow.tracking import MlflowClient
client = MlflowClient()
best_run = client.search_runs(experiment_ids=[experiment.experiment_id], order_by=["metrics.f1 DESC"], max_results=1)[0]
model_version = mlflow.register_model(f"runs:/{best_run.info.run_id}/model", name="fraud-detection")
client.transition_model_version_stage(name="fraud-detection", version=model_version.version, stage="Staging", archive_existing_versions=False)
client.transition_model_version_stage(name="fraud-detection", version=model_version.version, stage="Production", archive_existing_versions=True)

Feature Store: устранение training-serving skew с Feast

Добавляем Feast с онлайн-стораджем на Redis/Hazelcast. Теперь исторические фичи для тренировки и те же фичи через REST API для инференса — без skew.

from feast import FeatureStore

store = FeatureStore(repo_path="./feature_repo")

training_df = store.get_historical_features(
    entity_df=entity_df_with_timestamps,
    features=["customer_stats:transaction_count_7d", "customer_stats:avg_amount_30d", "merchant_stats:fraud_rate_90d"]
).to_df()

online_features = store.get_online_features(
    features=["customer_stats:transaction_count_7d", "customer_stats:avg_amount_30d"],
    entity_rows=[{"customer_id": "12345", "merchant_id": "MCC001"}]
).to_dict()

Kubeflow: автоматизация пайплайнов

Разворачиваем Kubeflow Pipelines для автоматического retrain по триггеру (новый файл в S3) или по расписанию. Обучение в GPU-пулах с виртуализацией.

Мониторинг с Evidently и Prometheus

Интегрируем Prometheus и Grafana для сбора метрик latency, throughput, GPU utilization. Для data drift используем Evidently.

import evidently
from evidently.report import Report
from evidently.metric_preset import DataDriftPreset, ClassificationPreset

report = Report(metrics=[DataDriftPreset(), ClassificationPreset()])
report.run(reference_data=training_data, current_data=production_data_last_week)
report.save_html("drift_report.html")

data_drift_score = report.as_dict()["metrics"][0]["result"]["dataset_drift"]
if data_drift_score:
    alerts.send("Data drift detected", severity="warning")

Почему мы выбираем self-hosted стек на Kubernetes?

Self-hosted даёт полный контроль над данными и конфигурацией, а на масштабе 5+ моделей обходится значительно дешевле managed-решений. Ниже — сравнение:

Важно: мониторинг нужно внедрять с первого дня, а не после инцидента.

Что входит в deliverables?

Мы передаём:

• Документацию: архитектурную схему, инструкции по развёртыванию, API-спецификации.
• Доступы: настроенный MLflow, Feast, Grafana, kubectl-контекст.
• Обучение: 2–3 воркшопа по работе с MLflow и Feast.
• Поддержку: 2 недели сопровождения после ввода в эксплуатацию.

Сроки и стоимость

Стоимость рассчитывается индивидуально — зависит от сложности интеграций и объёма данных. Ориентировочные сроки:

Типичные ошибки и как их избежать

• Пропуск Feature Store — начинают с пайплайнов, а training-serving skew убивает accuracy. Мы всегда стартуем с MLflow + Feast.
• Отсутствие версионирования моделей — ручной деплой model.pkl приводит к хаосу. Model Registry обязателен.
• Игнорирование мониторинга — дрейф данных обнаруживают через жалобы клиентов. Evidently должен работать с первого дня.

Получите консультацию по внедрению MLOps — мы подберём оптимальный стек под ваш проект. Оценим ваш проект и предложим архитектуру MLOps-платформы под ваши задачи. Свяжитесь с нами — мы подготовим смету и roadmap.

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.