Розробка AI-рішень на замовлення

Рітейлер витратив три місяці на налаштування готового AI-сервісу прогнозу попиту — точність не перевищувала 60%, а p99 latency зашкалювала за 500 мс. Асортимент з 10 000 SKU з сезонними піками не вкладався у стандартні моделі. Довелося будувати кастомне рішення з нуля, що враховує специфіку товарних груп та промоакцій. Ми спроектували пайплайн на основі градієнтного бустингу (CatBoost) з ручними фічами, що дало приріст F1 до 0.85. Наш досвід — 10+ років у промисловому ML, понад 50 проєктів у рітейлі, фінансах, логістиці та медицині. Гарантуємо прозорість: кожен етап розробки узгоджується з вашою командою, а підсумкова модель супроводжується повною документацією та кодом. Окупність інвестицій у кастомне AI-рішення становить у середньому 6–12 місяців. Застосовуємо RAG, fine-tuning та LoRA залежно від завдання.

Навіщо потрібна кастомна розробка?

Готові API (OpenAI, Google Vision) закривають 80% типових сценаріїв. Залишаються завдання, що потребують власної AI архітектури:

• Унікальні дані — ваша база містить proprietary інформацію або рідкісні формати, яких немає у публічних датасетах.
• Приватність — не можна відправляти дані у хмарні моделі (GDPR, корпоративна політика).
• Вимоги до latency — онлайн-інференс з p99 < 100 мс потребує тонкої оптимізації з Triton Inference Server.
• Специфічні архітектури — наприклад, графові нейронні мережі (GNN) для аналізу ланцюжків постачання або multimodal fusion для відеоаналітики.

Як fine-tuning з LoRA знижує витрати?

Fine-tuning з LoRA знижує витрати GPU в 10 разів порівняно з повним навчанням моделі. Ми донавчаємо LLaMA 3 або Mistral на ваших даних: досягаємо 90% якості без розробки з нуля. На discovery-фазі будуємо baseline — якщо rule-based або fine-tuning дає метрики, близькі до цільових, відмовляємося від кастомної архітектури. Економія бюджету при такому підході сягає 60%.

Чому PoC обов'язковий?

Без швидкого прототипу ризики колосальні. Один проєкт з churn'у здавався простим — baseline від готового рішення давав AUC=0.72. Замовник хотів >0.9. Після двотижневого PoC з'ясувалося, що дані містять систематичні пропуски, і без їх відновлення AUC не підняти вище 0.8. Клієнт заощадив бюджет, переключившись на покращення збору даних. Ми не починаємо повну розробку без PoC, що підтверджує досяжність цільових метрик. Таким чином, аутсорсинг машинного навчання з PoC мінімізує фінансові ризики.

Що входить у розробку

Кожен проєкт включає:

• Документацію: model card, звіт за експериментами, посібник з експлуатації.
• Доступи до репозиторію, датасетів, зареєстрованих моделей у MLflow.
• Навчання вашої команди (2-3 сесії по 2 години).
• Постпродакшн підтримку на 3 місяці: моніторинг дрейфу, багфікси, оновлення залежностей.
• ML консалтинг та аудит даних на старті.

Як проходить розробка: покроковий план

1. Discovery (1–2 тижні). Аудит даних — обсяг, якість, наявність розмітки. Оцінка реалістичності цільових показників: наприклад, якщо baseline дає F1=0.6, а цільовий 0.95, потрібно з'ясувати, чи досяжно це теоретично. Використовуємо uncertainty estimation. На цьому етапі ми також визначаємо оптимальну AI архітектуру.
2. Proof of Concept (2–4 тижні). Макет моделі на реальних даних. Швидкий експеримент з мінімальним набором фіч. Якщо PoC показує якість нижче порогу, не переходимо до повної розробки — шукаємо альтернативи або змінюємо постановку.
3. Розробка моделі. Вибір архітектури: трансформери (BERT, GPT, T5) для NLP, CNN/ResNet для CV, рекурентні для часових рядів, GNN для графів. Якщо дані табличні — XGBoost та CatBoost часто дають кращий результат при менших витратах. Fine-tuning pretrained моделей з LoRA для економії GPU-годин. Застосовуємо production ML практики для забезпечення відтворюваності.
4. MLOps pipeline. Data versioning (DVC), experiment tracking (MLflow/W&B), CI/CD для ML (GitHub Actions + model registry). У продакшені — моніторинг дрейфу даних та концепту (Evidently AI, WhyLabs). Алгоритми автоматичного перенавчання при просіданні метрик.
5. Production deployment. FastAPI для сервіровки, Triton Inference Server для високонавантажених сценаріїв, ONNX Runtime для оптимізації. Docker + Kubernetes — auto-scaling по навантаженню. A/B-тестування нових версій моделі.

Порівняння: кастомне рішення vs готовий API

Кастомне рішення дає в 3 рази вищу точність на специфічних даних, а p99 latency знижується в 5 разів порівняно з API-рішеннями. Наприклад, для задачі розпізнавання дефектів на виробництві F1 зріс з 0.45 (хмарний API) до 0.92 після fine-tuning ResNet. Окупність інвестицій — в середньому 6–12 місяців. Для мережі гіпермаркетів ми побудували кастомну модель на базі CatBoost для прогнозу попиту. Результат: точність прогнозу на 30% вища, ніж у готового рішення, latency знижена з 500 мс до 80 мс, скорочення списань товарів на 25%. Повний цикл зайняв 14 тижнів.

Технологічний стек

Типові терміни

Що ми не робимо

• Не обіцяємо точність заздалегідь без аналізу даних.
• Не починаємо розробку без PoC.
• Не передаємо black-box модель без документації та тестів.
• Кожен проєкт завершується передачею вихідників, звіту та навчанням вашої команди.

Отримайте консультацію — ми оцінимо feasibility вашого проєкту і запропонуємо оптимальне рішення. Замовте попередній аналіз даних — це безкоштовно і ні до чого не зобов'язує.

Докладніше про методологію MLOps читайте на Wikipedia.