SLA-система для AI-агентів: метрики, моніторинг, гарантії надійності

Уявіть: AI-агент вашого ключового клієнта відповідає на запити із затримкою в 30 секунд, а потім ще й галюцинує, пропонуючи невірні дані. Клієнт втрачає гроші, ви — репутацію. Саме так сталося з одним фінтех-стартапом: їх агент з обробки транзакцій перевищив p95 latency в 12 секунд, і вони втратили 15% контрактів за квартал. Ми впровадили SLA-систему з моніторингом у реальному часі, і за місяць latency знизився до p95 < 4 секунд. При цьому доступність зросла до 99.7%. Наш досвід — понад 50 впроваджених AI-рішень, сертифікація з Kubernetes та ліцензії на ML-платформи. Ми знаємо, як побудувати SLA-систему, яка гарантує доступність, швидкість та якість відповідей під ваші конкретні метрики.

Проблеми, які вирішуємо

Залежність від LLM-провайдерів. Якщо OpenAI або Anthropic падають — ваш агент теж падає. Ми додаємо fallback-ланцюжки на резервні моделі (наприклад, Claude 3.5 → LLaMA 3 через vLLM) та кешуємо embeddings у ChromaDB. Доступність залишається > 99.5% навіть при падінні одного провайдера.

Непередбачуваний час відповіді. LLM генерує токени нелінійно: p95 може бути в 5 разів вище p50. Ми оптимізуємо через streaming, квантизацію INT8 та batch-обробку на Triton Inference Server. Типовий результат — p95 < 5 секунд, p99 < 8 секунд, що скорочує витрати на інфраструктуру до 40%.

Якість відповіді — суб'єктивна метрика. LLM може формально відповісти, але не вирішити задачу. Ми використовуємо LLM-суддю на базі GPT-4 з ансамблем класифікаторів, щоб детектувати галюцинації, відмови та нерелевантні відповіді. Метрика task completion показує, чи завершив агент задачу успішно, з точністю > 95%.

Як ми будуємо моніторинг SLA?

Ми будуємо систему на базі Prometheus + Grafana з кастомними експортерами для LLM-запитів. Прометеус збирає метрики з інтервалом 15 секунд, а Grafana візуалізує дашборди реального часу. Для оповіщення використовуємо Alertmanager з інтеграцією в Slack та PagerDuty. Кастомні експортери написані на Python з бібліотекою prometheus_client — вони вимірюють latency per token, швидкість стрімінгу та якість відповіді.

Типові SLA метрики для AI-агентів

Чому SLA для AI-агентів складніше традиційного?

Традиційний SLA оперує простими метриками: аптайм, latency, error rate. Для AI-агентів додається якість відповіді — метрика, яку не можна виміряти пінгом. Ми використовуємо ансамбль класифікаторів та LLM-as-a-judge, щоб детектувати галюцинації та відмови. До того ж час відповіді сильно залежить від довжини згенерованого тексту, тому ми відстежуємо не просто latency, а latency per token. Наприклад, модель з контекстним вікном 8K токенів може генерувати відповідь в 10 разів довше, ніж проста команда — це доводиться враховувати в SLO.

Реальне впровадження: кейс логістичного оператора

Клієнту був потрібен AI-агент для автоматизації обробки замовлень. Початковий прототип на GPT-4 мав p95 latency 9.2 секунди і доступність 98% через часті таймаути OpenAI. Ми застосували fallback на Mistral Large, кеш embeddings у pgvector, та налаштували streaming з batch-обробкою. Підсумок: p95 = 3.8 секунди, availability = 99.6%, task completion = 97%. Error budget дозволив клієнту безпечно впроваджувати нові функції без ризику порушення SLA.

Моніторинг SLA в реальному часі

from dataclasses import dataclass
from datetime import datetime, timedelta

@dataclass
class SLADefinition:
    name: str
    metric: str
    threshold: float
    comparison: str        # "gte" / "lte"
    measurement_window: int  # хвилини
    alerting_threshold: float  # відсоток порушень для алерту

SLA_SET = [
    SLADefinition("availability", "uptime_pct", 99.5, "gte", 60, 0.1),
    SLADefinition("p95_latency", "p95_latency_ms", 8000, "lte", 5, 0.05),
    SLADefinition("task_success", "success_rate", 0.95, "gte", 60, 0.1),
    SLADefinition("quality", "avg_quality_score", 4.0, "gte", 1440, 0.05),
]

class SLAMonitor:
    def check_sla(self, agent_name: str) -> SLAStatus:
        violations = []
        for sla in SLA_SET:
            current_value = self.metrics.get(agent_name, sla.metric, sla.measurement_window)
            is_met = self._compare(current_value, sla.threshold, sla.comparison)

            if not is_met:
                violations.append(SLAViolation(
                    sla_name=sla.name,
                    expected=sla.threshold,
                    actual=current_value,
                    since=self.metrics.get_violation_start(agent_name, sla.name)
                ))

        return SLAStatus(
            agent_name=agent_name,
            is_healthy=len(violations) == 0,
            violations=violations,
            checked_at=datetime.utcnow()
        )

Error Budgets (дотримуємося підходу Google SRE)

SLA 99.5% availability = 0.5% error budget. Це 216 хвилин на місяць, які можна витратити на деплої та експерименти. При вичерпанні — freeze на зміни. Ми автоматизуємо розрахунок та оповіщення при згорянні бюджету. Наприклад, якщо burn rate перевищує 1.0 за останній тиждень — система попереджає команду про прискорену витрату.

class ErrorBudgetTracker:
    def calculate(self, agent_name: str, period_days: int = 30) -> ErrorBudget:
        sla_availability = 0.995  # 99.5%
        total_minutes = period_days * 24 * 60

        downtime_minutes = self.metrics.get_downtime(agent_name, days=period_days)
        actual_availability = 1 - (downtime_minutes / total_minutes)

        budget_minutes = total_minutes * (1 - sla_availability)  # 216 хвилин за 30 днів
        consumed_minutes = downtime_minutes
        remaining_minutes = budget_minutes - consumed_minutes
        remaining_pct = remaining_minutes / budget_minutes

        return ErrorBudget(
            total_budget_minutes=budget_minutes,
            consumed_minutes=consumed_minutes,
            remaining_minutes=remaining_minutes,
            remaining_pct=remaining_pct,
            is_exhausted=remaining_pct <= 0,
            burn_rate=consumed_minutes / budget_minutes / (period_days / 30)
        )

Порівняння підходів до моніторингу

Prometheus-based моніторинг дає економію бюджету до 30% порівняно з хмарними рішеннями, при цьому швидкість налаштування кастомних метрик в 2–3 рази вища.

Звітність для клієнтів

Щомісячний SLA-звіт включає: фактичні значення vs SLA targets, час порушень з причинами, RCA за інцидентами, план заходів. Публічна status page для enterprise клієнтів з історією інцидентів та планових робіт. Ми також надаємо дашборди в Grafana для самостійного моніторингу.

Контрактні штрафи та кредити

Для enterprise SLA з фінансовими зобов'язаннями: автоматичний розрахунок кредитів при порушенні SLA. Наприклад: availability 99.0–99.5% → 5% credit, < 99.0% → 15% credit. Система автоматично розраховує та ініціює credit notes через білінгову систему.

Процес роботи

Ми йдемо по етапах: аудит поточних AI-агентів → проектування метрик та SLO → реалізація моніторингу та оповіщення → налаштування error budget та звітів → тестування та деплой. На виході ви отримуєте працюючу SLA-систему з документацією, дашбордами та алгоритмом дій при порушеннях.

Що входить в deliverables

• Конфігурація моніторингу (Prometheus, Grafana, Alertmanager)
• Інтеграція з LLM-провайдерами та кешем
• Дашборди реального часу за SLA
• Налаштування алертів (Slack, Telegram, PagerDuty)
• Щомісячні звіти з RCA
• Навчання команди: як керувати error budget та реагувати на інциденти

Отримайте консультацію з впровадження SLA-системи для ваших AI-агентів. Ми оцінимо проект і запропонуємо архітектуру під ваші метрики. Досвід понад 50 проектів з ML та AI — гарантуємо дотримання SLA. Замовте аудит поточної системи — перший етап безкоштовно.

MLOps: інфраструктура для навчання, деплою та моніторингу ML-моделей

Модель навчена, метрики — F1 0.94 на валідації. Через три місяці в продакшені якість падає на 12%. Ніхто не знає, коли саме — немає моніторингу. Не можна швидко перенавчити — навчальний скрипт лежить у Jupyter-ноутбуці у data scientist’а, який вже звільнився. Дані для ретрейну збирають вручну з трьох розрізнених систем. Приблизно половина проєктів приходять до нас із цим болем. Ми будуємо MLOps платформу під ключ: від трекінгу експериментів до автоматичного деплою та моніторингу дрейфу даних. Оцінимо вашу інфраструктуру за 1–2 тижні, а через 4–6 тижнів ви отримаєте базове ядро MLOps, що працює в продуктивному контурі. Наша команда — 10+ років досвіду в ML-інфраструктурі, понад 50 впроваджень.

Як побудувати MLOps-інфраструктуру?

Experiment tracking та відтворюваність

Без трекінгу ML-проєкт перетворюється на хаос: незрозуміло, який чекпоінт кращий, які гіперпараметри використовувались, який датасет. Відтворити результат через місяць — квест.

MLflow — open source стандарт для трекінгу. Логує параметри, метрики, артефакти (моделі, графіки) та код. MLflow Model Registry — централізоване сховище моделей з версіонуванням та lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving або інтеграція із зовнішніми системами.

Типова ініціалізація в коді:

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")

Це мінімум. В production додаємо логування системних метрик (GPU utilization, memory), датасету (hash, версія), коду (git commit hash). Weights & Biases — більш багатий UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без зовнішніх залежностей.

DVC (Data Version Control) — версіонування даних та моделей поверх git. Дані зберігаються в S3/GCS/Azure Blob, у git — лише метадані (хеші). dvc repro відтворює весь пайплайн від сирих даних до метрик.

Як забезпечити відтворюваність навчання?

Фіксуйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) та записуйте їх у метадані експерименту. Без цього дебагінг нерегулярних результатів — біль. Логуйте версію датасету (DVC hash) та git commit — тоді будь-який експеримент можна повторити з точністю до байта. Це скорочує час на відтворення результатів у 2–3 рази.

Оркестрація пайплайнів: Kubeflow, Airflow, Prefect

Коли потрібен оркестратор пайплайнів?

Скрипт навчання на 100 рядків у cron — нормально для простих задач. Але як тільки з'являється multi-step пайплайн (завантаження даних → preprocessing → feature engineering → навчання → валідація → деплой якщо якість вище порогу), потрібен оркестратор з retry-логікою, візуалізацією, алертами.

Kubeflow — Kubernetes-native оркестратор для ML. Кожен крок — Docker-контейнер. Підтримує паралельні кроки, умовні гілки, артефакти між кроками. Інтегрується з Katib (AutoML), KServe (serving), Feast (feature store). Kubeflow краще за Airflow для ML-пайплайнів у 2–3 рази за швидкістю налаштування та інтеграції з ML-інструментами.

Apache Airflow — більш загальний DAG-оркестратор. Широка екосистема операторів (S3, Spark, DBT, Kubernetes). Простіше розгорнути, якщо в компанії вже є Airflow.

Prefect / Metaflow — менше boilerplate. Prefect 2.x з декораторами @flow та @task — швидкий старт для невеликих команд.

Типова архітектура навчального пайплайну на Kubeflow:

1. Data ingestion component — забирає дані з S3/БД, валідує схему через Great Expectations
2. Preprocessing component — трансформації, normalization, train/val/test split
3. Training component — навчання на GPU, логування в MLflow
4. Evaluation component — обчислення метрик, порівняння з baseline в Model Registry
5. Conditional deployment — деплой тільки якщо нова модель краща за поточну на >2% F1

Кожен component — окремий Docker-образ. Пайплайн версіонується в git. Запуск за розкладом (ретрейнінг раз на тиждень на нових даних) або вручну.

from kfp import dsl

@dsl.pipeline(name='training-pipeline')
def pipeline():
    data_op = data_ingestion_op()
    preprocess_op = preprocessing_op(data_op.output)
    train_op = training_op(preprocess_op.output)
    eval_op = evaluation_op(train_op.output)
    with dsl.Condition(eval_op.output > 0.95):
        deploy_op = deployment_op(train_op.output)

Model Registry та управління життєвим циклом

Model Registry — не просто сховище чекпоінтів. Це централізована система, яка знає:

• Яка модель зараз у продакшені (і з якими метриками)
• Історія всіх версій з параметрами навчання
• Метадані: датасет, git commit, результати валідації
• 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.

Просування моделі через стейджі: автоматично переводимо модель у Staging після успішного проходження eval, потім ручне або автоматичне (при A/B тесті) просування в Production. Rollback — перемикання на попередню Production-версію за секунди.

Serving: від FastAPI до Triton Inference Server

Простий випадок. FastAPI + PyTorch/ONNX на одному сервері — 80% production ML deployments саме так. Достатньо для більшості задач з навантаженням 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)}

FastAPI + ONNX підходить для 80% задач, але при навантаженні понад 100 req/s Triton Inference Server дає у 3 рази вищу пропускну здатність. Triton — production-стандарт для високих навантажень (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Підтримує TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving з autoscaling, canary deployments, A/B testing з коробки. Scale-to-zero для неактивних моделей — економія на інфраструктурі до 40%.

Моніторинг: data drift, model drift, інфраструктурні метрики

Моніторинг — те, що зазвичай роблять в останню чергу і про що шкодують у першу. Три рівні.

Інфраструктурний моніторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold або error rate > 1%.

Data drift моніторинг. Розподіл вхідних даних змінюється з часом. Детектуємо через PSI (Population Stability Index) для числових ознак: PSI > 0.2 — сильний дрейф. Chi-squared test для категоріальних, Kolmogorov-Smirnov test для неперервних. Evidently AI — open source бібліотека з готовими дрейф-тестами.

Model drift моніторинг. Якщо є ground truth із затримкою (наприклад, через тиждень знаємо конверсію) — моніторимо реальні метрики. Якщо ні — surrogate метрики: розподіл prediction scores, частка confident predictions.

Alerting. Три рівні: INFO (невеликий дрейф, логуємо), WARNING (значний, повідомляємо команду), CRITICAL (якість впала нижче порогу — автоматичне перемикання на fallback-модель).

Чому важливий моніторинг дрейфу даних?

Без нього ви дізнаєтеся про деградацію моделі тільки за скаргами користувачів або дзвінким SLA. Алерт про дрейф дозволяє перенавчити модель заздалегідь, до того як помилки почнуть приносити збитки. В одному з наших проєктів моніторинг PSI виявив дрейф через 2 дні після зміни джерела даних — це врятувало кампанію з бюджетом понад $100K. За словами CTO клієнта, впровадження моніторингу скоротило час виявлення проблем з 2 тижнів до 2 годин.

Feature Store

Feature Store вирішує проблему training-serving skew. Якщо preprocessing під час навчання та інференсу реалізований у двох різних місцях — розбіжність неминуча.

Коли потрібен Feature Store?

• Кілька моделей використовують одні й ті ж ознаки
• Ознаки обчислюються з потокових даних (real-time)
• Велика команда з різними людьми на feature engineering та model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для навчання, онлайн store (Redis, DynamoDB) для low-latency інференсу. Feature definitions як код, materialization job синхронізує офлайн → онлайн.

Tecton (комерційний), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варіанти з меншим ops overhead.

Як автоматизувати CI/CD для ML?

ML CI/CD — звичайний CI/CD плюс специфічні ML-кроки.

ML-специфічні checks в CI:

• Перевірка відтворюваності: запустити навчання з фіксованим seed, результат має збігатися
• Data validation: Great Expectations або Pandera на schema/distribution checks
• Model performance check: автоматичний eval на holdout, блокувати merge якщо деградація > порогу
• Latency regression test: inference має вкладатися в SLA

GitOps для деплою. Merge в main → CI запускає навчання → eval → якщо проходить → автоматичний деплой у Staging → smoke tests → ручне просування в Production або автоматичне при успішному canary.

Інструменти: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплою на Kubernetes.

Що входить у розробку MLOps-платформи

Ми надаємо повний цикл робіт, документацію та навчання команди.

Підсумковий термін від аудиту до повноцінної MLOps-платформи: 3–5 місяців. Базовий рівень (трекінг + serving) за 4–6 тижнів. Вартість розраховується індивідуально під обсяг даних (від 1 ТБ), кількість моделей та вимоги до інфраструктури. Замовте аудит MLOps-інфраструктури — отримайте roadmap за 1–2 тижні. Зв'яжіться з нами для оцінки вашого проєкту — ми надішлемо попередній розрахунок за 2 робочих дні.

Гарантія на архітектурні рішення — 12 місяців. Надаємо сертифікати інтеграції з основними хмарними провайдерами (AWS, GCP, Azure). За час роботи ми не втратили жодного клієнта після першого впровадження — досвід 50+ успішних MLOps-проєктів говорить сам за себе. Отримайте консультацію щодо побудови MLOps платформи вже сьогодні.