Налаштування Cost Tracking для AI-запитів

Уявіть: у понеділок вранці ви бачите рахунок від OpenAI на $15 000, хоча планували $10 000 на місяць. Знайома ситуація? Без обліку вартості токенів за проєктами та користувачами такий перевитрати — питання часу. Cost tracking для LLM — не опція, а необхідність, якщо ви хочете керувати бюджетом AI-інфраструктури. Наш досвід показує: компанії втрачають до 40% бюджету на неконтрольованих запитах. Ми налаштуємо систему, яка в реальному часі рахує витрати за кожною моделлю, проєктом і фічею. У результаті ви зможете точно планувати витрати та вчасно помічати аномалії. Завдяки налаштуванню Cost Tracking компанії економлять в середньому $5,000 на місяць на AI-запитах.

Налаштування Cost Tracking: облік вартості AI-запитів — які проблеми вирішує?

Без системи обліку ви не побачите, який відділ чи функція генерує 80% витрат. Типова ситуація: RAG-фіча для підтримки клієнтів використовує довгі контексти — 50% усіх токенів іде на неї, але це непомітно до приходу рахунку. Інша проблема — безконтрольні тести в dev-середовищі: розробники запускають важкі промпти на GPT-4o, хоча для тестів достатньо gpt-4o-mini. Ще одна біль — відсутність алертів: якщо вартість зросте в 10 разів за добу через баг, ви дізнаєтеся про це лише в кінці місяця. Наше рішення дає прозорість: ви бачите вартість у реальному часі, а при перевищенні порогів — миттєве сповіщення.

Щоб зрозуміти корінь проблеми, розберемо типові помилки в налаштуванні обліку. По-перше, багато хто не логує кількість токенів на кожен запит — без цього не можна порахувати точну вартість. По-друге, ігнорують агрегацію за фічами: бачать лише загальний рахунок, не розуміючи, що саме дорого. По-третє, не виставляють бюджетні ліміти — тоді будь-яка помилка в коді (наприклад, безкінечний цикл з викликом LLM) може спалити місячний бюджет за годину.

Як ми налаштовуємо облік токенів?

Кожен запит до LLM генерує вхідні та вихідні токени. Вартість залежить від моделі та кількості токенів. Наприклад, для GPT-4o ціна за 1M вхідних токенів — $2.50, вихідних — $10.00. Для локальної LLaMA 3-8B витрати визначаються лише GPU-ресурсами. Джерело: OpenAI Pricing

# Example pricing (update periodically via API)
MODEL_PRICING = {
    "gpt-4o": {"input": 2.50, "output": 10.00},
    "gpt-4o-mini": {"input": 0.15, "output": 0.60},
    "claude-3-5-sonnet-20241022": {"input": 3.00, "output": 15.00},
    "claude-3-haiku-20240307": {"input": 0.25, "output": 1.25},
    "llama-3-8b-local": {"input": 0.0, "output": 0.0},
}

def calculate_cost(model: str, prompt_tokens: int, completion_tokens: int) -> float:
    if model not in MODEL_PRICING:
        return 0.0
    pricing = MODEL_PRICING[model]
    return (prompt_tokens * pricing["input"] + completion_tokens * pricing["output"]) / 1_000_000

Агрегація за вимірами

Для аналізу ми агрегуємо вартість за кількома вимірами: проєкт, користувач, feature-тег (chat, RAG, classification), часовий інтервал. Це дозволяє відповісти на питання: «Чому рахунок за AI виріс на 30% за тиждень?»

class CostTracker:
    def record(self, request: LLMRequest, cost_usd: float):
        self.db.insert({
            "timestamp": request.timestamp,
            "cost_usd": cost_usd,
            "model": request.model,
            "project_id": request.project_id,
            "user_id": request.user_id,
            "feature": request.feature_tag,
            "prompt_tokens": request.prompt_tokens,
            "completion_tokens": request.completion_tokens,
        })

    def get_daily_by_project(self, days: int = 30) -> dict:
        return self.db.query("""
            SELECT project_id, DATE(timestamp) as date,
                   SUM(cost_usd) as total_cost,
                   SUM(prompt_tokens) as total_tokens
            FROM llm_costs
            WHERE timestamp > NOW() - INTERVAL %s DAY
            GROUP BY project_id, date
            ORDER BY date, total_cost DESC
        """, (days,))

Які алерти допомагають не перевищити бюджет?

Бюджетні алерти — ключовий елемент моніторингу витрат. Ми налаштовуємо два пороги: daily та hourly. При досягненні 80% ліміту надсилається попередження в Slack або Telegram, а при 100% — автоматичне троттлювання запитів.

class BudgetGuard:
    def __init__(self, limits: dict):
        self.daily_limit_usd = limits["daily"]
        self.hourly_limit_usd = limits["hourly"]

    def check_budget(self, project_id: str) -> BudgetStatus:
        daily_spend = self.tracker.get_spend(project_id, hours=24)
        hourly_spend = self.tracker.get_spend(project_id, hours=1)

        alerts = []
        if daily_spend > self.daily_limit_usd * 0.8:
            alerts.append(f"80% of daily budget consumed: ${daily_spend:.2f}/${self.daily_limit_usd:.2f}")
        if daily_spend > self.daily_limit_usd:
            alerts.append("DAILY BUDGET EXCEEDED — throttling enabled")

        return BudgetStatus(daily_spend=daily_spend, alerts=alerts,
                           throttle_enabled=daily_spend > self.daily_limit_usd)

Чому облік вартості в реальному часі кращий?

Затримка в моніторингу навіть на годину може призвести до перевитрати. Наприклад, при запуску нової функції без обмежень вартість може злетіти в 10 разів за добу. Система з алертами реагує за хвилини, а не дні. Наше рішення дає економію до 30% бюджету за рахунок раннього виявлення аномалій. Крім того, ми враховуємо такі показники, як пропускна здатність (RPS — request per second) та сукупна вартість володіння (TCO — Total Cost of Ownership), що дозволяє більш точно оцінювати ефективність.

Що входить у налаштування Cost Tracking?

Ми надаємо:

• Інтеграцію з логами провайдерів (OpenAI, Anthropic, локальні моделі)
• Дашборд з графіками (денна вартість, топ фіч, вартість на запит)
• Налаштування алертів у месенджери
• Документацію з додавання нових моделей
• Підтримку протягом місяця після впровадження

Терміни реалізації: від 5 до 15 днів залежно від складності інфраструктури. Вартість розраховується індивідуально — пишіть, оцінимо ваш проєкт. Типова вартість впровадження — від $2,000 до $5,000. Отримайте консультацію з оптимізації витрат AI.

Порівняння: саморобний трекер vs наше рішення

Наше рішення швидше в 2–4 рази за впровадженням порівняно з саморобним трекером. Досвід нашої команди — понад 5 років у ML-інфраструктурі та 50+ впроваджень Cost Tracking для AI-продуктів. Звертайтеся за консультацією.

Типові помилки при налаштуванні

• Не логувати кількість токенів на кожен запит.
• Ігнорувати агрегацію за фічами.
• Не виставляти бюджетні ліміти.
• Використовувати застарілий прайс-лист моделей.
• Не тестувати алерти на реальних сценаріях.

Для обліку потрібні логи кожного запиту: модель, кількість вхідних та вихідних токенів, ідентифікатори проєкту та користувача, мітка функціональності. Бажано зберігати сирі логи та агрегувати їх у вітрині.

Визначте денні та годинні пороги для кожного проєкту. У коді перевіряйте поточні витрати та при перевищенні 80% надсилайте попередження, а при перевищенні ліміту — вмикайте троттлінг або припиняйте обробку.

Без моніторингу легко перевищити бюджет через неоптимальні промпти або баги. Cost Tracking дозволяє вчасно помітити аномалії (зростання вартості >50% за день) та оптимізувати використання моделі.

Ключові метрики: денна вартість за проєктами, топ дорогих функцій, вартість одного запиту в розрізі моделей, тренд місяць-до-місяця. Також корисне співвідношення вхідних та вихідних токенів.

Прайс-листи змінюються кілька разів на рік. Рекомендується завантажувати їх з API провайдерів або оновлювати в коді при кожному релізі. Застарілі ціни призведуть до неточних розрахунків.

Покрокова інструкція з налаштування Cost Tracking

1. Інтегруйте логування запитів: у коді обробника LLM-запитів додайте запис у таблицю з полями: timestamp, model, prompt_tokens, completion_tokens, project_id, user_id, feature_tag.
2. Налаштуйте агрегацію: створіть вітрину даних, яка щоденно підсумовує вартість за проєктами, фічами та користувачами.
3. Додайте систему алертів: налаштуйте перевірку бюджетних лімітів (наприклад, 80% та 100%) зі сповіщеннями в Slack або Telegram.
4. Розгорніть дашборд: виведіть графіки денної вартості, топу дорогих фіч та вартості на запит.
5. Тестуйте на реальних даних: змоделюйте сценарій перевищення бюджету та переконайтеся, що алерти спрацьовують.
6. Автоматизуйте оновлення прайс-листу: підключіть API провайдерів для автоматичного отримання актуальних цін на моделі.

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.