Проектування архітектури ML-пайплайну

Проектування архітектури ML-пайплайну

ML-пайплайн — послідовність кроків, що відтворюються, від сирих даних до працюючої моделі в production. Без формальної архітектури ML-проект перетворюється на ноутбуки на ноутбуці data scientist'а, які «працюють у мене». Правильна архітектура робить моделі відтворюваними, версійними та масштабованими.

Компоненти Production ML-пайплайна

Кожен production ML-пайплайн складається з декількох етапів, що незалежно розгортаються:

Raw Data → [Data Ingestion] → [Feature Engineering] → [Training] → [Evaluation] → [Registry] → [Serving]
                                        ↑                                                           ↓
                              [Feature Store]                                          [Monitoring]

Data Ingestion Layer: отримання даних із джерел (S3, бази даних, стрімінг). Ідемопотентність — перезапуск не створює дублікати. Партиціонування за датою для інкрементальних перерахунків.

Feature Engineering Layer: трансформації відтворюються та протестовані. Поділ на online features (обчислюються в реальному часі) та batch features (передраховані). Feature store – єдине джерело правди.

Training Layer: гіперпараметричний пошук, крос-валідація, логування експериментів. Checkpoint'и для тривалих навчань.

Evaluation Layer: автоматичне порівняння з baseline та champion моделлю. Відмова у реєстрації при деградації метрик.

Model Registry: версіонування моделей, метадані, статуси (staging/production/archived).

Serving Layer: inference-сервіс з моніторингом latency, throughput, drift.

Вибір оркестратора

Типова реалізація із ZenML

from zenml import step, pipeline
from zenml.steps import Output

@step
def data_ingestion(
    source_path: str,
    start_date: str,
    end_date: str
) -> Output(data=pd.DataFrame):
    """Загрузка данных за период. Идемпотентно."""
    return load_from_s3(source_path, start_date, end_date)

@step
def feature_engineering(
    data: pd.DataFrame
) -> Output(features=pd.DataFrame, feature_metadata=dict):
    """Трансформации. Те же трансформации применяются при инференсе."""
    transformer = FeatureTransformer()
    features = transformer.fit_transform(data)
    # Сохраняем артефакт трансформера для serving
    return features, transformer.get_metadata()

@step
def model_training(
    features: pd.DataFrame,
    hyperparams: dict
) -> Output(model=Any, metrics=dict):
    model = XGBClassifier(**hyperparams)
    X, y = split_features_target(features)
    model.fit(X, y)
    metrics = evaluate_model(model, X, y)
    return model, metrics

@step
def model_evaluation(
    model: Any,
    metrics: dict,
    baseline_metrics: dict
) -> Output(passed=bool):
    """Не пропускаем модель в registry если хуже baseline."""
    return metrics["f1"] > baseline_metrics["f1"] * 0.99

@pipeline
def training_pipeline(source: str, start_date: str, end_date: str, hyperparams: dict):
    data = data_ingestion(source, start_date, end_date)
    features, feature_metadata = feature_engineering(data)
    model, metrics = model_training(features, hyperparams)
    passed = model_evaluation(model, metrics, load_baseline_metrics())
    if passed:
        register_model(model, metrics, feature_metadata)

Feature Store - запобігання Training-Serving Skew

Training-serving skew - основне джерело деградації ML-моделей в production. Причина: фічі вважаються по-різному під час навчання та інференсі. Feature store вирішує це: одна кодова база визначає фічу, вона використовується і під час навчання, і при сервінгу.

from feast import FeatureStore, Entity, FeatureView, Field
from feast.types import Float64, Int64

# Определение один раз
customer_stats = FeatureView(
    name="customer_stats",
    entities=["customer_id"],
    ttl=timedelta(days=1),
    schema=[
        Field(name="total_purchases_7d", dtype=Float64),
        Field(name="avg_order_value", dtype=Float64),
        Field(name="days_since_last_purchase", dtype=Int64),
    ],
    source=customer_stats_batch_source,
)

# При обучении
training_df = store.get_historical_features(
    entity_df=entity_df,
    features=["customer_stats:total_purchases_7d", "customer_stats:avg_order_value"]
).to_df()

# При инференсе — те же фичи, те же вычисления
online_features = store.get_online_features(
    features=["customer_stats:total_purchases_7d"],
    entity_rows=[{"customer_id": "12345"}]
).to_dict()

Data Versioning та відтворюваність

Кожен запуск пайплайну має бути відтворений через 6 місяців. Вимоги:

• Версіонування даних: DVC або Delta Lake (time travel)
• Версіонування коду: git commit hash у метаданих моделі
• Версіонування оточення: Docker image digest
• Версіонування конфігурації: параметри в YAML, не в коді

# experiment_config.yaml — все параметры в одном месте
data:
  source: s3://bucket/data/
  start_date: "2024-01-01"
  end_date: "2024-12-31"
  version: "v2.3"

features:
  categorical_encoding: "ordinal"
  numerical_scaling: "standard"
  handle_missing: "median"

model:
  type: "lgbm"
  n_estimators: 500
  learning_rate: 0.05
  max_depth: 6
  num_leaves: 31

CI/CD для ML-пайплайнів

# .github/workflows/ml-pipeline.yml
on:
  push:
    paths:
      - 'pipelines/**'
      - 'features/**'

jobs:
  test-and-train:
    steps:
      - name: Unit tests для feature engineering
        run: pytest tests/features/ -v

      - name: Integration test на subset данных
        run: python run_pipeline.py --mode=test --data-fraction=0.01

      - name: Full training run
        if: github.ref == 'refs/heads/main'
        run: python run_pipeline.py --mode=full

      - name: Model evaluation gate
        run: python evaluate_model.py --fail-on-degradation

Моніторинг пайплайну

Метрики, які слід відстежувати: час виконання кожного кроку, обсяг оброблених даних, distribution вхідних даних (data drift), метрики моделі на validation set. Алерти при: падінні кроку, аномальній зміні метрик даних, деградації model metrics нижче threshold.

Терміни проектування

Тиждень 1–2: Аудит існуючого ML-стеку, вибір інструментів, проектування архітектури

Тиждень 3–4: Реалізація базового пайплайну для однієї моделі

Місяць 2: Feature store, model registry, evaluation gate

Місяць 3: CI/CD, моніторинг, документація. Перенесення другої моделі на нову архітектуру