Разработка мультитенантной AI-платформы (SaaS) для B2B-клиентов

Разработка мультитенантной AI-платформы (SaaS) для B2B-клиентов

Мы проектируем и реализуем мультитенантную AI-инфраструктуру, которая выдерживает нагрузку от 10 до 1000+ B2B-клиентов, сохраняя изоляцию данных, производительность и гибкость кастомизации. За 3–5 месяцев мы строим платформу с нуля или мигрируем существующую — под ключ, с документацией и обучением команды.

Какие типичные боли возникают при создании AI SaaS?

Изоляция данных — основная головная боль. Если один тенант случайно получит доступ к модели другого — это потеря репутации и юридические риски. Row-Level Security в PostgreSQL решает проблему на уровне БД, но не защищает от утечек через ML-артефакты. Мы используем S3 prefixes + IAM-политики для каждого тенанта.

Второй блок — performance при росте. Shared schema дешевле, но при 100+ тенантах query latency растёт. Без правильной индексации по tenant_id запросы тормозят. Мы заранее проектируем шардинг и используем пулы соединений с tenant-aware routing.

Третий — кастомизация AI под каждого клиента. Тенанты хотят свои промпты, модели, лимиты. Без TenantAwareInferenceService администрирование превращается в хаос. Закажите консультацию — мы поможем выстроить правильную архитектуру.

Сравнение моделей и методов изоляции

Для AI-нагрузок оптимален второй вариант: Shared DB + Separate Schema для транзакций + отдельные S3 prefixes для ML-моделей. Это даёт баланс между стоимостью и гибкостью.

Как обеспечить изоляцию данных между тенантами?

Мы используем Row-Level Security в PostgreSQL. Каждый запрос автоматически фильтруется по tenant_id. Пример политики:

-- Включение RLS для изоляции данных тенантов
ALTER TABLE predictions ENABLE ROW LEVEL SECURITY;

-- Политика: каждый тенант видит только свои данные
CREATE POLICY tenant_isolation ON predictions
    USING (tenant_id = current_setting('app.current_tenant_id')::UUID);

Middleware на FastAPI устанавливает tenant context для каждого запроса (см. код ниже). Это гарантирует, что ни один запрос не «утечёт» между тенантами.

# FastAPI middleware для установки tenant context
@app.middleware("http")
async def tenant_context_middleware(request: Request, call_next):
    tenant_id = await resolve_tenant(request)
    request.state.tenant_id = tenant_id

    async with db.acquire() as conn:
        await conn.execute(
            f"SET LOCAL app.current_tenant_id = '{tenant_id}'"
        )
        request.state.db_conn = conn
        response = await call_next(request)

    return response

Tenant-specific AI конфигурация

@dataclass
class TenantAIConfig:
    tenant_id: str
    allowed_models: list[str]
    system_prompt_override: str = None
    monthly_token_limit: int = 1_000_000
    concurrent_request_limit: int = 10
    custom_models: list[str] = None
    prediction_log_retention_days: int = 90
    pii_detection_enabled: bool = True
    audit_log_enabled: bool = True

class TenantAwareInferenceService:
    async def predict(self, tenant_id: str, model_name: str,
                       inputs: dict) -> dict:
        config = await self.get_tenant_config(tenant_id)

        if model_name not in config.allowed_models:
            raise PermissionError(f"Model '{model_name}' not allowed")

        if not await self.rate_limiter.check(tenant_id, config.concurrent_request_limit):
            raise RateLimitError("Concurrent request limit exceeded")

        if config.system_prompt_override and 'system' in inputs:
            inputs['system'] = config.system_prompt_override + "\n\n" + inputs['system']

        if config.pii_detection_enabled:
            inputs = await self.pii_detector.redact(inputs)

        result = await self.inference_engine.run(model_name, inputs)

        await self.audit_log.record(tenant_id, model_name, inputs, result)

        return result

Процесс и объем работ

1. Аналитика — аудит текущей инфраструктуры, определение требований к изоляции и масштабу.
2. Проектирование — схема БД, API-контракты, выбор стека (PyTorch, LangChain, PostgreSQL, S3).
3. Реализация — написание кода, настройка RLS, создание TenantAwareInferenceService, интеграция LLM (GPT-4, Claude, LLaMA), fine-tuning, векторные БД (ChromaDB, pgvector).
4. Тестирование — нагрузочные тесты, пентест на изоляцию данных.
5. Деплой — CI/CD, мониторинг (Grafana + Prometheus), документация.
6. Сопровождение — SLA, доработки под новые требования.

Наши инженеры имеют 5+ лет опыта в MLOps и 20+ реализованных AI-платформ. Мы используем проверенные решения: PostgreSQL RLS, Kubernetes, vLLM для инференса. Гарантируем соответствие GDPR и 152-ФЗ.

class TenantOnboardingService:
    async def provision_tenant(self, signup_data: dict) -> Tenant:
        tenant = await self.db.create_tenant(signup_data)
        await self.db_manager.create_schema(tenant.id)
        await self.db_manager.run_migrations(tenant.id)
        await self.storage.create_tenant_prefix(tenant.id)
        await self.config_store.create_default_config(tenant.id)
        api_key = await self.auth.create_api_key(tenant.id, scope="all")
        await self.email.send_welcome(tenant, api_key)
        return tenant, api_key

Типичные ошибки при реализации мультитенантности

1. Отсутствие tenant-aware кеширования — кеш одного тенанта может отдавать данные другому. Используйте tenant_id как часть ключа кеша.
2. Слабая изоляция на уровне приложения — фильтрация по tenant_id в коде, а не на уровне БД — риск случайной утечки. Всегда комбинируйте RLS с проверками в middleware.
3. Неправильный выбор модели мультитенантности — для небольшого числа тенантов подходит shared schema, но при росте latency взлетает. Закладывайте возможность перехода на separate schema без даунтайма.

Почему наша архитектура выгоднее?

Сравните: Shared DB + Separate Schema в 3–5 раз дешевле отдельной базы на тенант при 50+ клиентах. Экономия на инфраструктуре составляет до $10 000 в месяц для 50+ тенантов. А производительность — p99 latency < 200 мс даже при 1000 одновременных запросов (за счёт connection pooling и per-tenant индексов). Окупаемость инвестиций наступает уже через 6 месяцев после запуска.

Сроки и стоимость

Разработка занимает от 3 до 5 месяцев в зависимости от сложности AI-модулей и числа тенантов. Типовая стоимость проекта — от $50 000 до $150 000. Точную сумму оцениваем после аудита — свяжитесь с нами для консультации. Получите предварительную оценку вашего проекта уже сегодня.

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.