Донавчання LLM: як провести A/B-тест і не помилитися

Порівняння донавчених LLM: практика A/B експерименту

Припустимо, ви донавчили Llama 3.1 на 5000 демонстрацій саппорту. ROUGE зріс на 7%, perplexity впала. Запускаєте в прод — і escalation rate підскакує на 15%. Знайома ситуація. Лабораторні метрики не гарантують покращення в реальних умовах. Єдиний достовірний спосіб — провести A/B-тест: розділити трафік, показувати частину запитів baseline, частину — candidate, і порівняти бізнес-метрики.

Наш досвід підтверджує: без коректного A/B-експерименту донавчання часто обертається втратою часу та бюджету. Правильна методологія дозволяє за 2–5 тижнів отримати статистично значущу відповідь і прийняти рішення про rollout або відкат. Якщо ви хочете впровадити A/B-тестування у свій MLOps-пайплайн, отримайте консультацію — ми допоможемо налаштувати експеримент під ваш стек.

Наприклад, в одному з проєктів ми порівняли дві версії fine-tuned Mistral 7B: контрольна (v1) та експериментальна (v2). Результати показали покращення task completion rate на 7.6% при p-value < 0.01. Це дозволило обґрунтувати rollout та зекономити бюджет на подальше донавчання.

Як організувати експеримент?

Порівнюються дві версії: baseline (наприклад, вихідна GPT-4o) та candidate (fine-tuned на нових даних). Типові сценарії:

• базова модель проти fine-tuned на тому ж архітектурному ядрі;
• fine-tuned v1 проти v2 (ітерація датасету);
• дві різні моделі (Llama 3.1 8B vs Mistral 7B), обидві донавчені;
• один і той самий inference з різними промптами.

Ключ — детерміноване розділення трафіку. Реалізуємо через хеш від user_id:

import hashlib
import random
from typing import Literal

class ABRouter:
    """Детерминированная маршрутизация A/B по user_id"""

    def __init__(self, experiment_name: str, split: float = 0.5):
        self.experiment_name = experiment_name
        self.split = split  # Доля трафика для варианта B

    def assign(self, user_id: str) -> Literal["control", "treatment"]:
        """Один пользователь всегда попадает в одну группу"""
        hash_input = f"{self.experiment_name}:{user_id}"
        hash_value = int(hashlib.md5(hash_input.encode()).hexdigest(), 16)
        normalized = (hash_value % 10000) / 10000
        return "treatment" if normalized < self.split else "control"

router = ABRouter("fine-tuned-v2-test", split=0.2)  # 20% трафика на новую модель

# В обработчике запроса
def handle_request(user_id: str, prompt: str) -> str:
    variant = router.assign(user_id)

    if variant == "control":
        response = baseline_model.generate(prompt)
        model_version = "baseline"
    else:
        response = finetuned_model.generate(prompt)
        model_version = "v2-finetuned"

    log_event(user_id, variant, prompt, response, model_version)
    return response

Які метрики обрати?

• Task completion rate — частка діалогів, де користувач отримав відповідь без escalation. Первинна метрика, безпосередньо відображає бізнес-цінність.
• CSAT — оцінка користувачем якості відповіді (зірки, лайк/дизлайк).
• Escalation rate — відсоток звернень, переданих оператору.
• Time-to-value — кількість повідомлень до вирішення задачі.
• Latency (P50, P95, P99) — щоб не втратити у швидкості.

Вимірюйте їх на однаковому зрізі запитів, виключаючи сезонність. Якщо модель показує покращення за первинною метрикою, а latency зросла в межах допуску — рішення про rollout приймається.

Як визначити статистичну значущість?

Недостатньо просто порівняти середні — потрібен t-тест. Реалізація на Python:

from scipy import stats
import numpy as np

def ab_significance_test(
    control_outcomes: list[float],
    treatment_outcomes: list[float],
    alpha: float = 0.05
) -> dict:
    """
    Двусторонний t-тест для проверки значимости разницы в метриках
    control_outcomes: метрики группы A (например, task_completion = [1,0,1,1,...])
    """
    t_stat, p_value = stats.ttest_ind(control_outcomes, treatment_outcomes)

    control_mean = np.mean(control_outcomes)
    treatment_mean = np.mean(treatment_outcomes)
    relative_lift = (treatment_mean - control_mean) / control_mean * 100

    return {
        "control_mean": control_mean,
        "treatment_mean": treatment_mean,
        "relative_lift_pct": relative_lift,
        "p_value": p_value,
        "significant": p_value < alpha,
        "sample_sizes": {"control": len(control_outcomes), "treatment": len(treatment_outcomes)}
    }

# Расчёт необходимого размера выборки
def required_sample_size(
    baseline_rate: float,   # Текущая метрика (например, 0.75)
    min_detectable_effect: float,  # Минимальное значимое улучшение (например, 0.05)
    alpha: float = 0.05,
    power: float = 0.80
) -> int:
    from statsmodels.stats.power import TTestIndPower
    analysis = TTestIndPower()
    effect_size = min_detectable_effect / (baseline_rate * (1 - baseline_rate)) ** 0.5
    n = analysis.solve_power(effect_size=effect_size, alpha=alpha, power=power)
    return int(np.ceil(n))

# Пример: baseline task_completion = 75%, хотим зафиксировать улучшение на 5%
n = required_sample_size(0.75, 0.05)
print(f"Нужно {n} запросов на каждую группу")  # ~500–1000

Чому t-тест, а не лише довірчі інтервали?

Традиційний підхід із довірчими інтервалами (check overlap) може вводити в оману при малих вибірках. t-тест дає точний p-value, а при нормально розподілених метриках (task completion — бінарна, але для великих n t-тест робастен) він статистично коректний. У випадку бінарних метрик можна додатково використовувати z-тест для пропорцій — ми в роботі використовуємо обидва методи для перехресної перевірки.

Кейс: A/B-тест саппорт-бота (з нашої практики)

Контекст: customer support бот на базі Llama 3.1 8B fine-tuned v1. Підготовлено версію v2 з покращеним датасетом (+800 прикладів, виправлено failure cases v1).

Експеримент:

• Контроль (80% трафіку): v1
• Тест (20% трафіку): v2
• Тривалість: 14 днів
• Розмір вибірки: 6200 діалогів на контрольну групу, 1550 на тестову

Первинна метрика: task_completion_rate (користувач вирішив питання без escalation). Вторинні: CSAT, escalation_rate, avg_turns_to_resolution.

Результати:

v2 статистично значуще краща за трьома з чотирьох метрик. Зростання латентності P95 (+10%) прийнятне. Прийнято рішення про повний rollout.

Покроковий план впровадження A/B-тестування

Щоб ви не пропустили деталі, ось чеклист етапів:

1. Визначте бізнес-метрику (наприклад, task completion). Оберіть одну первинну.
2. Розрахуйте розмір вибірки за допомогою power analysis (як у коді вище).
3. Реалізуйте маршрутизацію з детермінованим хешем по user_id.
4. Запустіть експеримент — не менше 1-2 тижнів, щоб покрити тижневі цикли.
5. Зберіть дані — логуйте метрики в єдину систему (MLflow, Weights & Biases).
6. Проведіть t-тест — перевірте p-value < 0.05.
7. Прийміть рішення: rollout, доопрацювання або відкат.

Що входить у нашу роботу з A/B-тестування?

• Розробка схеми експерименту та вибір метрик.
• Реалізація модуля маршрутизації з логуванням.
• Інтеграція з вашим MLOps-стеком (MLflow, LangSmith, Weights & Biases).
• Розрахунок необхідного розміру вибірки та тривалості тесту.
• Аналіз результатів і підготовка звіту з рекомендаціями.
• Пост-rollout моніторинг і, при необхідності, коригування.

Ми також навчаємо вашу команду самостійно запускати A/B-тести в майбутньому.

Порівняння популярних інструментів

Вибір залежить від поточного стеку. Ми допомагаємо налаштувати оптимальну зв'язку.

Строки та економія бюджету

• Налаштування A/B інфраструктури: 3–7 днів
• Експеримент (досягнення необхідного n): 1–4 тижні
• Аналіз результатів і прийняття рішення: 2–3 дні
• Разом: 2–5 тижнів

Скоротіть витрати на донавчання: замовте впровадження A/B-тестування під ключ — ми налаштуємо експеримент, інтегруємо з вашим MLOps-стеком і допоможемо інтерпретувати результати.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.