Інтеграція Braintrust для автоматичної оцінки якості LLM

Інтеграція Braintrust для оцінки якості LLM

Ваш RAG-пайплайн почав видавати дивні відповіді після зміни ембедера? Виявити регресію до продакшену — завдання, яке без інструментарію вирішити майже неможливо. Ми допомагаємо командам впровадити Braintrust — платформу для автоматичного evaluation та CI/CD тестування LLM-додатків. За 5–10 робочих днів налаштовуємо пайплайни, які прогоняють сотні тестових кейсів при кожній зміні промпту або моделі та сигналізують про падіння метрик. Наш досвід — понад 5 років у ML та 30+ успішних проєктів. Економія на ручному тестуванні сягає $5000 на місяць для команди з 5 інженерів, а інвестиція окупається за 2 місяці. Ми гарантуємо якість впровадження, маємо сертифікованих інженерів з досвідом побудови промпт-пайплайнів та налаштування CI/CD. Гарантія на інтеграцію — 6 місяців.

Чому автоматична оцінка критична?

Ручне тестування LLM — ілюзія контролю. Неможливо перевірити всі можливі запити, а суб'єктивне сприйняття не дає об'єктивної картини. Braintrust вирішує це: ви створюєте репрезентативний датасет, задаєте метрики (exact match, LLM-as-judge, семантична близькість через embeddings) та запускаєте eval при кожному коміті. Регресія в 2% точності? Пайплайн фейлиться — ви дізнаєтеся про це за хвилини, а не через тиждень. Детальніше про методи оцінки LLM можна прочитати в відповідній статті Wikipedia.

Які проблеми вирішує Braintrust?

• Дрейф якості — нові версії моделей (GPT-4o, Claude 3.5) або промптів можуть непомітно погіршити відповіді, викликаючи галюцинації та втрату grounding. Braintrust автоматично порівнює з baseline та фіксує відхилення в 1–2%.
• Складність порівняння моделей — потрібно вибрати між LLaMA 3 та Mistral під ваше завдання. Ми налаштовуємо A/B-тести з єдиними метриками: accuracy, F1, latency p99.
• Відсутність CI/CD для промптів — у вас може бути десяток промптів і кілька моделей. Помилка в промпті може коштувати тисяч звернень. Braintrust вбудовується в GitHub Actions, GitLab CI або Jenkins. Кожен коміт запускає регресійне тестування LLM.

Як ми налаштували Braintrust у фінтехі?

Нещодавно клієнт із фінтеху хотів перейти з GPT-4 на LLaMA 3 для класифікації звернень. Ми налаштували Braintrust з датасетом із 500 реальних запитів та метриками: accuracy (exact match), LLM-as-judge (GPT-4o оцінює якість) та F1 по сутностях. У CI/CD додали крок, який прогоняв eval та порівнював з baseline. З'ясувалося, що LLaMA 3 програє 12% за точністю, але на 40% швидше. Клієнт усвідомлено обрав гібридну схему. Без Braintrust це відкриття зайняло б тижні. Порівняно з самописним рішенням, Braintrust швидше в 5 разів за часом впровадження та має 20+ вбудованих метрик.

import braintrust
from braintrust import Eval

braintrust.login(api_key="...")

def accuracy_scorer(output, expected):
    return 1.0 if output.strip().lower() == expected.strip().lower() else 0.0

def llm_judge_scorer(input, output):
    from openai import OpenAI
    client = OpenAI()
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": f"""Rate this response quality from 0 to 1.
Query: {input}
Response: {output}
Return only a decimal number."""
        }]
    )
    return float(response.choices[0].message.content.strip())

Eval(
    "customer-support-bot",
    data=lambda: [{"input": q, "expected": a} for q, a in test_dataset],
    task=lambda input: call_customer_support_bot(input),
    scores=[accuracy_scorer, llm_judge_scorer],
    experiment_name="prompt-v3-gpt4o"
)

Інтеграція в CI/CD

# GitHub Actions
- name: Run LLM Evaluation
  run: |
    pip install braintrust
    python eval/run_evals.py
  env:
    BRAINTRUST_API_KEY: ${{ secrets.BRAINTRUST_API_KEY }}
    OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}

- name: Check for regressions
  run: |
    braintrust eval --project customer-support \
      --compare-to baseline \
      --fail-on-regression 0.05

Braintrust автоматично порівнює результати поточного експерименту з попереднім, виділяє регресії та покращення. Це робить його особливо цінним для команд із швидким циклом розробки промптів.

Як впровадження Braintrust знижує витрати?

Середній час на ручну перевірку однієї моделі — 2-3 години. Після автоматизації — 5 хвилин. Економія на команді з 5 інженерів — до 40 годин на тиждень, що становить $5000 економії щомісяця. Зв'яжіться з нами для оцінки вашого пайплайну — ми підготуємо дашборд із попередніми метриками.

Процес роботи

1. Аналітика — знайомимося з вашими даними, промптами та метриками якості.
2. Проєктування — визначаємо набір тестових кейсів та scorer'и.
3. Реалізація — пишемо інтеграційний код, налаштовуємо CI/CD.
4. Тестування — прогоняємо baseline, порівнюємо з поточними результатами.
5. Деплой — передаємо документацію, доступи та навчання команди.

Що входить у результат

• Налаштований проект Braintrust з вашими датасетами та метриками.
• Інтеграція з вашим CI/CD (GitHub Actions, GitLab CI, Jenkins).
• Автоматичне сповіщення про регресії.
• Документація з додавання нових кейсів та метрик.
• Навчання команди (2–3 години).

Таблиця: Braintrust vs самописне рішення

Таблиця: Етапи впровадження

Для кастомних метрик ви можете написати свої scorer'и — ми допомагаємо з типовими випадками.

Поширені питання

Що таке Braintrust?

Braintrust — платформа для автоматичного evaluation та CI/CD тестування LLM-додатків. Дозволяє створювати набори тестових кейсів, задавати метрики та запускати eval при кожній зміні промпту або моделі.

Як Braintrust допомагає в CI/CD?

Ви інтегруєте Braintrust у пайплайн збірки — наприклад, у GitHub Actions. При кожному коміті запускаються eval, порівнюються з baseline, і якщо метрики впали більше ніж на заданий поріг, пайплайн фейлится. Це запобігає регресіям до деплою.

Які метрики підтримує Braintrust?

Можна використовувати будь-які scorer: точний збіг, LLM-as-judge, семантичну близькість через embeddings, BLEU, ROUGE та кастомні функції. Ми допомагаємо вибрати та налаштувати релевантні метрики під ваше завдання.

Чи складно інтегрувати Braintrust у існуючий проект?

Інтеграція проста — достатньо встановити Python-пакет і викликати Eval. Ми виконуємо інтеграцію під ключ за 5-10 робочих днів, включаючи налаштування датасетів, метрик і CI/CD.

Які результати ви гарантуєте?

Після впровадження ви отримуєте об'єктивну картину якості моделі кожні 10 хвилин замість тижня ручних тестів. Ми гарантуємо зниження часу на виявлення регресій на 80% та документуємо процес. Гарантія на інтеграцію — 6 місяців.

Залиште заявку — ми зв'яжемося протягом дня, щоб обговорити ваш проект. Надішлемо приклади дашбордів і розповімо, як Braintrust заощадить вашій команді десятки годин на місяць. Отримайте консультацію інженера з 5-річним досвідом у ML — оцінимо ваш пайплайн і запропонуємо оптимальне рішення.

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.