Коли Vertex AI стає вузьким місцем

Ми займаємося деплоєм LLM на Vertex AI вже 5+ років і знаємо, чому стандартний Model Garden не справляється з високонавантаженими системами. На практиці ви стикаєтеся з холодним стартом ендпоінту, неефективним автоскейлінгом і неконтрольованим зростанням білінгу за GPU. Для SaaS-продукту з p99 latency менше 500 мс потрібен кастомний образ з vLLM, TGI або Triton. Ми використовуємо vLLM з --enable-prefix-caching і --block-size=16 — це дає до 3x приросту throughput на повторюваних промптах.

За 50+ проєктів ми накопичили практику, як перетворити Vertex із чорної скриньки на передбачувану платформу. На одному проєкті для фінансового трейдингу ми знизили холодний старт з 12 секунд до 300 мс, утримуючи одну репліку активною. Економія на GPU за рахунок правильної квантизації склала 35%.

Чому стандартний Model Garden не підходить для високонавантажених систем?

Готові моделі з Model Garden розгортаються однією командою, але ви втрачаєте контроль над розміром батча, max-model-len, квантизацією та вибором скедулера. Для високих навантажень потрібен кастомний образ з TGI або Triton. vLLM з --enable-prefix-caching дає до 3x приросту throughput на повторюваних промптах.

Як ми розгортаємо LLM: покроковий процес

1. Аудит моделі та інфраструктури. Оцінюємо вимоги до latency, throughput, підбираємо GPU/TPU та тип квантизації (INT4 vs FP16).
2. Контейнеризація з vLLM/TGI. Збираємо Docker-образ з optimised параметрами — health check, predict route, env vars для Vertex AI Endpoints.
3. Налаштування ендпоінту та автоскейлінгу. Задаємо min_replica_count, max_replica_count, кастомні метрики custom.googleapis.com|model/requests_per_replica.
4. Моніторинг та алертинг. Дашборд Cloud Monitoring: latency p50/p95/p99, GPU utilization, кількість токенів, error rate.
5. Документація та навчання. Runbook для розробників, terraform-конфігурація для повторюваного деплою.

Орієнтовні терміни: від 7 до 14 днів. Вартість розраховується індивідуально.

Мінімізація холодного старту

Холодний старт виникає, коли ендпоінт масштабується до нуля або при першому виклику після простою. Vertex AI не вміє попередньо завантажувати модель у пам'ять. Ми обходимо це двома способами: налаштовуємо min_replica_count=1 для критичних сервісів (невелика додаткова вартість) або використовуємо warm-up запити через Cloud Scheduler.

# Прогрів ендпоінту кожні 30 секунд
from google.cloud import aiplatform
import requests

def warm_endpoint(endpoint_name: str):
    warm_payload = {"prompt": "ping", "max_tokens": 1}
    # виклик rawPredict
    response = requests.post(
        endpoint_name,
        json=warm_payload,
        headers={"Authorization": f"Bearer {token}"}
    )

В одному проєкті для фінансового трейдингу ми знизили холодний старт з 12 секунд до 300 мс — просто тримали одну репліку активною та додали keep-alive на стороні клієнта. Зв'яжіться з нами, щоб обговорити ваш сценарій.

Що обрати для інференсу: Cloud TPU чи GPU?

Tensor Processing Unit — спеціалізований чип Google. Внутрішні тести на Llama 3 8B з batch=64.

TPU v5e дає приблизно в 2 рази більше throughput на долар для великих батчів, але прив'язує до зони us-central2-b. Для production з мультирегіональною HA рекомендуємо GPU або гібрид: TPU для пакетної обробки, GPU для онлайн-інференсу.

Як налаштувати автоскейлінг та моніторинг?

Vertex AI автоматично публікує метрики в Cloud Monitoring, але їх недостатньо. Ми додаємо кастомні метрики: кількість згенерованих токенів, відсоток кешованих звернень (prefix_cache_hit_rate), час першого токена (TTFT). Це дозволяє швидко виявляти деградацію моделі після оновлення.

# Кастомна метрика в Cloud Monitoring
from google.cloud import monitoring_v3

client = monitoring_v3.MetricServiceClient()
series = monitoring_v3.TimeSeries(
    metric={"type": "custom.googleapis.com/model/tokens_per_second"},
    resource={"type": "global"},
    points=[{
        "interval": {"end_time": {"seconds": now}},
        "value": {"double_value": tokens_per_sec}
    }]
)
client.create_time_series(name=project_name, time_series=[series])

machine_type: g2-standard-24
accelerator_type: NVIDIA_A100_80G
accelerator_count: 4

Порівняння vLLM та TGI для інференсу

vLLM краще TGI в 1.2 раза по throughput для одиночних запитів і має більш просунуте кешування.

Що входить в роботу

• Аудит моделі та інфраструктури — аналіз вимог, підбір GPU/TPU, рекомендації щодо квантизації.
• Контейнеризація — збірка Docker-образу з vLLM/TGI, налаштування health check та predict route.
• Деплой на Vertex AI Endpoints — налаштування автоскейлінгу, кастомних метрик та моніторингу.
• Документація — runbook для розробників, terraform-конфігурація для повторюваного деплою.
• Навчання команди — передача знань з експлуатації та алертингу.
• Технічна підтримка — 2 тижні пост-деплойного супроводу, гарантія стабільної роботи під навантаженням.

Чому варто обрати нас

• 5+ років досвіду в MLOps та деплої LLM
• 50+ розгорнутих моделей, включаючи Llama 3, Mistral, Gemma, Qwen
• Сертифіковані спеціалісти Google Cloud (Professional ML Engineer)
• Повний супровід: від вибору моделі до експлуатації, гарантуємо стабільну роботу

Ви можете заощадити до 40% витрат на GPU при правильній конфігурації автоскейлінгу та квантизації. Отримайте консультацію щодо вашого проєкту — ми оцінимо оптимальну архітектуру деплою та розрахуємо бюджет.

Приклад деплою через Vertex AI Endpoints

from google.cloud import aiplatform

aiplatform.init(project="my-project", location="us-central1")

# Завантаження моделі з GCS
model = aiplatform.Model.upload(
    display_name="llama3-8b-vllm",
    artifact_uri="gs://my-bucket/models/llama3-8b/",
    serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/pytorch-gpu.2-2:latest",
    serving_container_command=[
        "python", "-m", "vllm.entrypoints.openai.api_server",
        "--model=/gcs/models/llama3-8b/",
        "--tensor-parallel-size=1",
        "--max-model-len=8192",
        "--host=0.0.0.0",
        "--port=8080"
    ],
    serving_container_ports=[{"containerPort": 8080}],
    serving_container_health_route="/health",
    serving_container_predict_route="/v1/completions",
    serving_container_environment_variables={
        "TRANSFORMERS_CACHE": "/gcs/hf_cache/",
    }
)

# Деплой endpoint
endpoint = aiplatform.Endpoint.create(display_name="llama3-8b-endpoint")
model.deploy(
    endpoint=endpoint,
    deployed_model_display_name="llama3-8b-v1",
    machine_type="g2-standard-12",     # 1x L4 GPU
    accelerator_type="NVIDIA_L4",
    accelerator_count=1,
    min_replica_count=1,
    max_replica_count=10,             # автоскейлінг
    traffic_percentage=100,
)

Замовте консультацію — ми підберемо оптимальну конфігурацію під ваше навантаження.

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.