Розробка AI-системи моніторингу продуктивності AI-агентів

Уявіть: ваш AI-воркфорс обробляє 10 000 заявок на день, але раптово якість падає на 30% — користувачі скаржаться, SLA порушено. Без системи моніторингу ви дізнаєтеся про це через добу, втративши клієнтів та репутацію. Стандартні APM-інструменти не бачать семантичних помилок: latency стабільна, але агент почав галюцинувати після fine-tuning. Наша система моніторить і технічні, і якісні показники в реальному часі. Ми вирішуємо цю проблему. Наш досвід — 10+ років в MLOps, 50+ впроваджених систем моніторингу для AI-агентів на стеку Python + Grafana + LLM-eval. Згідно з документацією OpenAI з моніторингу LLM-застосунків, якісні метрики потребують окремої системи оцінки — саме її ми й будуємо.

Проблеми стандартного моніторингу для AI-агентів

На відміну від звичайних мікросервісів, AI-агенти мають якісні метрики (точність, галюцинації), які не ловляться CPU/memory. Latency може бути стабільною, але агент почав видавати безглуздя після fine-tuning. Наша система моніторить і технічні, і семантичні показники.

Які метрики ми відстежуємо?

Три групи метрик — кожна критична:

Як ми будуємо систему моніторингу: розгорнутий кейс

Клієнт — fintech-стартап з AI-агентом з обробки кредитних заявок. Агент генерував 500 відповідей/год, але quality score плавав без видимої причини. Ми впровадили:

• Збір технічних метрик через AgentTaskTracker (див. код нижче)
• Автооцінку кожної відповіді LLM-суддею з threshold <0.7 → на рев’ю людині
• Алерти при зростанні hallucination rate >10% або падінні accuracy >15% за 7 днів

Результат: human override rate знизився з 25% до 15%, latency p99 — з 2.5с до 1.7с, виявлено проблеми після оновлення моделі. Впровадження системи окупилося за 3 місяці: економія на human override склала 1,8 млн ₽ на рік, а простій агента обходиться в 20 000 руб./год.

Система збору метрик

from dataclasses import dataclass, field
from datetime import datetime
import uuid

@dataclass
class AgentTaskMetrics:
    task_id: str = field(default_factory=lambda: str(uuid.uuid4()))
    agent_id: str = ""
    task_type: str = ""
    started_at: datetime = field(default_factory=datetime.utcnow)
    completed_at: datetime | None = None

    # Технічні
    latency_ms: float | None = None
    input_tokens: int = 0
    output_tokens: int = 0
    cost_usd: float = 0.0
    retries: int = 0

    # Якісні (заповнюються post-hoc або авто-eval)
    task_completed: bool | None = None
    quality_score: float | None = None      # 0-1, авто-eval або human
    human_override: bool = False
    error_type: str | None = None

class AgentMonitor:
    def __init__(self, metrics_backend: MetricsBackend):
        self.backend = metrics_backend

    def track_task(self, agent_id: str, task_type: str):
        """Context manager для трекінгу задачі."""
        return AgentTaskTracker(agent_id, task_type, self.backend)

class AgentTaskTracker:
    def __enter__(self) -> AgentTaskMetrics:
        self.metrics = AgentTaskMetrics(agent_id=self.agent_id, task_type=self.task_type)
        return self.metrics

    def __exit__(self, exc_type, exc_val, exc_tb):
        self.metrics.completed_at = datetime.utcnow()
        self.metrics.latency_ms = (
            self.metrics.completed_at - self.metrics.started_at
        ).total_seconds() * 1000
        if exc_type:
            self.metrics.error_type = exc_type.__name__
        self.backend.record(self.metrics)

Автоматична оцінка якості

Для більшості агентів людська перевірка кожного результату неможлива. Використовуємо LLM-суддю:

def auto_evaluate_task(task: AgentTask, result: AgentResult) -> float:
    """Оцінка якості результату через LLM-суддю."""
    eval_prompt = f"""Оціни якість виконання задачі агентом.

Задача: {task.description}
Очікуваний результат: {task.expected_outcome}
Фактичний результат: {result.output}

Оціни від 0 до 1, де:
1.0 — задача виконана повністю та коректно
0.5 — часткове виконання або незначні помилки
0.0 — задача не виконана або критичні помилки

Відповідай лише числом."""

    score = float(eval_llm.generate(eval_prompt, max_tokens=10).strip())
    return min(max(score, 0.0), 1.0)

Що дає наша система: порівняння підходів

Дашборд моніторингу агентів

Ключові панелі:

• SLA compliance (% задач у рамках SLA)
• Якість за типами задач (теплова карта)
• Вартість у динаміці (зростання ціни = зростання токенів або зростання помилок з retry)
• Human override rate (тренд: якщо зростає — агент деградує)
• Error taxonomy (класифікація помилок)

groups:
  - name: agent_alerts
    rules:
      - alert: HighErrorRate
        expr: rate(agent_errors_total[5m]) / rate(agent_tasks_total[5m]) > 0.1
        for: 5m
        labels:
          severity: critical
        annotations:
          summary: "Error rate > 10% for agent {{ $labels.agent_id }}"

Як ми детектуємо деградацію?

Деградація AI-агента — поступове погіршення якості, яке не видно на окремих метриках. Ми використовуємо ковзні вікна: порівнюємо метрики за останні 7 та 30 днів. Якщо error rate зріс у 1.5 раза, quality score впав на 0.1, або human override rate перевищив 15% — система генерує алерт. Для якісних метрик застосовуємо LLM-суддю в режимі реального часу. Додатково ми впровадили детектор аномалій на основі isolation forest: він відстежує багатовимірні метрики та виявляє викиди, які можуть сигналізувати про дрейф даних або концепт-дрейф.

Реалізація детектора:

class DegradationDetector:
    def check(self, metrics: AgentMetricsSummary) -> list[Alert]:
        alerts = []

        if metrics.error_rate_7d > metrics.error_rate_30d * 1.5:
            alerts.append(Alert(
                severity="warning",
                message=f"Error rate grew by {metrics.error_rate_7d/metrics.error_rate_30d:.1f}x over 7 days"
            ))

        if metrics.avg_quality_score_7d < metrics.avg_quality_score_30d - 0.1:
            alerts.append(Alert(
                severity="warning",
                message=f"Quality score dropped from {metrics.avg_quality_score_30d:.2f} to {metrics.avg_quality_score_7d:.2f}"
            ))

        if metrics.human_override_rate_7d > 0.15:  # > 15% задач переробляються
            alerts.append(Alert(
                severity="critical",
                message=f"Human override rate too high: {metrics.human_override_rate_7d:.1%}"
            ))

        return alerts

Процес роботи

1. Аналітика: аудит поточного AI-воркфорсу, збір вимог за метриками.
2. Проектування: архітектура збору, зберігання, візуалізації; вибір моделей для авто-eval.
3. Реалізація: інтеграція AgentTaskTracker, налаштування Prometheus/VictoriaMetrics, розробка дашбордів.
4. Тест: навантажувальне тестування, порівняння з baseline, коригування порогів алертів.
5. Деплой: контейнеризація, CI/CD, документація, навчання команди.

Терміни та що входить

• Терміни: від 4 до 8 тижнів залежно від складності.
• Склад робіт:
  • Архітектурна схема збору метрик
  • Дашборди Grafana (SLA, якість, вартість)
  • Code моніторингового агента на Python
  • Pipeline авто-eval на LLM
  • Документація щодо інцидентів та runbook
  • Навчання команди (2–3 години)
  • Підтримка 2 тижні після здачі

Отримайте консультацію — оцінимо ваш проект за 2 дні. Наші інженери сертифіковані в AWS та GCP, гарантуємо SLA 99,9% для системи моніторингу. Замовте аудит вашого AI-воркфорсу вже сьогодні, щоб обговорити деталі.

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.