Разработка платформы синтетических данных под ключ

Реальные данные часто недоступны из-за жёстких регуляций в медицине и финансах, высокой стоимости разметки или дефицита редких сценариев. Например, страховой компании требовалось сгенерировать 1 млн синтетических полисов, сохранив корреляции между возрастом и риском. После внедрения платформы время тестирования новых моделей сократилось с двух недель до двух дней. Мы интегрируем и кастомизируем платформы синтетических данных, которые генерируют искусственные выборки, сохраняющие статистические свойства оригинала, но не содержащие конфиденциальной информации. Наш опыт — более пяти лет в MLOps и генеративных моделях, более 50 внедрённых решений.

Синтетические данные решают три ключевые задачи: соблюдение приватности (GDPR, HIPAA без изменения процессов), расширение редких классов (аугментация датасетов для Computer Vision или NLP) и тестирование систем под нагрузкой (генерация миллионов записей с контролируемым распределением). Мы не просто генерируем — мы верифицируем каждую выборку через статистические тесты и ML Utility gap, который в 97% проектов не превышает 2%.

Почему синтетические данные, а не реальные?

Синтетические данные дают контролируемое распределение, которого не достичь на реальных выборках. В страховании мы генерировали 10% редких убытков, которых в исходных данных было меньше 0.1%, — F1-score ML-модели вырос на 15%. Это невозможно при простой аугментации.

Как строить платформу синтетических данных?

Архитектура типового решения включает слои приёма, генерации, валидации и доставки. Мы используем современный стек: FastAPI для API, React для интерфейса, PostgreSQL для метаданных, S3/MinIO для хранения, PyTorch и Hugging Face для моделей.

┌─────────────────────────────────────────────────────────┐
│                   Data Ingestion Layer                    │
│  [Real Data] → [Privacy Scan] → [Statistical Profiling]  │
└─────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────┐
│                  Generation Engine                        │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐  │
│  │ Tabular (GAN)│  │  Text (LLM)  │  │ Image (Diff) │  │
│  └──────────────┘  └──────────────┘  └──────────────┘  │
└─────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────┐
│                  Quality Validation                       │
│  [Statistical Fidelity] [Privacy Audit] [ML Utility]    │
└─────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────┐
│                   Delivery Layer                          │
│  [API] → [Data Catalog] → [Access Control] → [Audit]   │
└─────────────────────────────────────────────────────────┘

Генерация табличных данных

Для структурированных таблиц используем CTGAN (Conditional Tabular GAN) или Gaussian Copula — выбор зависит от размера датасета и требуемой скорости. CTGAN обеспечивает на 5–10% более высокую статистическую точность за счёт сложной архитектуры, но работает медленнее.

from sdv.single_table import CTGANSynthesizer, GaussianCopulaSynthesizer
from sdv.metadata import SingleTableMetadata

metadata = SingleTableMetadata()
metadata.detect_from_dataframe(real_df)

# CTGAN — высокое качество, 500 эпох
ctgan = CTGANSynthesizer(metadata, epochs=500, batch_size=500,
                         generator_dim=(256,256), discriminator_dim=(256,256))
ctgan.fit(real_df)
synthetic_df_ctgan = ctgan.sample(100_000)

# Gaussian Copula — быстрее в 10 раз, лучше сохраняет корреляции
copula = GaussianCopulaSynthesizer(metadata)
copula.fit(real_df)
synthetic_df_copula = copula.sample(100_000)

Генерация связанных таблиц

Отметим: когда данные нормализованы (пациенты → диагнозы → назначения), применяем HMA Synthesizer, который моделирует иерархию связей.

from sdv.multi_table import HMASynthesizer
from sdv.metadata import MultiTableMetadata

metadata = MultiTableMetadata()
metadata.detect_from_dataframes({
    'patients': patients_df, 'diagnoses': diagnoses_df, 'prescriptions': prescriptions_df
})
metadata.add_relationship('patients', 'patient_id', 'diagnoses', 'patient_id')
metadata.add_relationship('patients', 'patient_id', 'prescriptions', 'patient_id')

synthesizer = HMASynthesizer(metadata)
synthesizer.fit({'patients': patients_df, 'diagnoses': diagnoses_df, 'prescriptions': prescriptions_df})
synthetic_data = synthesizer.sample(scale=1.5)

Как оценить качество и приватность?

Мы не отдаём клиенту «чёрный ящик». Каждая сгенерированная выборка проходит три проверки:

• Statistical Fidelity — Column Shapes и Column Pair Trends (score ≥ 0.9)
• Privacy Audit — Membership Inference Attack (new row score > 0.9)
• ML Utility — Train on Synthetic, Test on Real (разница AUC < 2%)

Пример кода для аудита приватности (TSTR — Train on Synthetic, Test on Real):

from sdmetrics.single_table import NewRowSynthesis

new_row_score = NewRowSynthesis.compute(
    real_data=real_df, synthetic_data=synthetic_df,
    metadata=metadata, numerical_match_tolerance=0.01
)
# Цель: score > 0.9 — синтетические данные не воспроизводят реальные записи

А ML Utility тест показывает, пригодны ли данные для обучения модели:

model_real = train_classifier(real_train, real_val)
model_syn = train_classifier(synthetic_train, real_val)
print(f"ML Utility gap: {(model_real.auc - model_syn.auc):.4f}")
# Допустимо < 0.02

Сравнение методов генерации

Когда нужна платформа синтетических данных?

Основной сценарий — нехватка данных для обучения или тестирования. В банковском секторе мы заменили 70% реальных транзакций синтетическими для стресс-тестирования: p99 latency снизились на 30%, а покрытие аномалий выросло вдвое. Получите консультацию — оценим, подходит ли ваш случай.

Процесс работы над проектом

Что входит в результат

• Полнофункциональная платформа с web-интерфейсом и REST API на FastAPI и React.
• Интеграция с вашим Data Catalog и системами хранения (S3, PostgreSQL).
• Автоматический privacy audit и ML utility отчёт для каждого датасета.
• Документация по API, архитектуре, эксплуатации.
• Обучение команды (2–3 дня).
• Гарантийная поддержка 3 месяца.

Сроки реализации

Типовой проект занимает от 3 до 4 месяцев. Срок может варьироваться в зависимости от количества типов данных, источника и требований к UI. Свяжитесь с нами для консультации — мы подготовим коммерческое предложение с учётом вашей специфики и на следующий день покажем демо генератора на ваших метаданных.

Консультация и коммерческое предложение

Если остались вопросы по архитектуре или стоимости — напишите нам. Мы подготовим коммерческое предложение с учётом вашей специфики и покажем демо генератора на ваших метаданных.

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.