Розробка платформи синтетичних даних під ключ

Реальні дані часто недоступні через жорсткі регуляції в медицині та фінансах, високу вартість розмітки або дефіцит рідкісних сценаріїв. Наприклад, страховій компанії потрібно було згенерувати 1 млн синтетичних полісів, зберігши кореляції між віком і ризиком. Після впровадження платформи час тестування нових моделей скоротився з двох тижнів до двох днів. Ми інтегруємо та кастомізуємо платформи синтетичних даних, які генерують штучні вибірки, що зберігають статистичні властивості оригіналу, але не містять конфіденційної інформації. Наш досвід — понад п'ять років у MLOps та генеративних моделях, понад 50 впроваджених рішень.

Синтетичні дані вирішують три ключові задачі: дотримання приватності (GDPR, HIPAA без зміни процесів), розширення рідкісних класів (аугментація датасетів для Computer Vision або NLP) і тестування систем під навантаженням (генерація мільйонів записів з контрольованим розподілом). Ми не просто генеруємо — ми верифікуємо кожну вибірку через статистичні тести та ML Utility gap, який у 97% проєктів не перевищує 2%.

Чому синтетичні дані, а не реальні?

Синтетичні дані дають контрольований розподіл, якого не досягти на реальних вибірках. У страхуванні ми генерували 10% рідкісних збитків, яких у вихідних даних було менше 0.1%, — F1-score ML-моделі зріс на 15%. Це неможливо при простій аугментації.

Як будувати платформу синтетичних даних?

Архітектура типового рішення включає шари прийому, генерації, валідації та доставки. Ми використовуємо сучасний стек: FastAPI для API, React для інтерфейсу, PostgreSQL для метаданих, S3/MinIO для зберігання, PyTorch і Hugging Face для моделей.

┌─────────────────────────────────────────────────────────┐
│                   Data Ingestion Layer                    │
│  [Real Data] → [Privacy Scan] → [Statistical Profiling]  │
└─────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────┐
│                  Generation Engine                        │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐  │
│  │ Tabular (GAN)│  │  Text (LLM)  │  │ Image (Diff) │  │
│  └──────────────┘  └──────────────┘  └──────────────┘  │
└─────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────┐
│                  Quality Validation                       │
│  [Statistical Fidelity] [Privacy Audit] [ML Utility]    │
└─────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────┐
│                   Delivery Layer                          │
│  [API] → [Data Catalog] → [Access Control] → [Audit]   │
└─────────────────────────────────────────────────────────┘

Генерація табличних даних

Для структурованих таблиць використовуємо CTGAN (Conditional Tabular GAN) або Gaussian Copula — вибір залежить від розміру датасету та необхідної швидкості. CTGAN забезпечує на 5–10% вищу статистичну точність за рахунок складної архітектури, але працює повільніше.

from sdv.single_table import CTGANSynthesizer, GaussianCopulaSynthesizer
from sdv.metadata import SingleTableMetadata

metadata = SingleTableMetadata()
metadata.detect_from_dataframe(real_df)

# CTGAN — висока якість, 500 епох
ctgan = CTGANSynthesizer(metadata, epochs=500, batch_size=500,
                         generator_dim=(256,256), discriminator_dim=(256,256))
ctgan.fit(real_df)
synthetic_df_ctgan = ctgan.sample(100_000)

# Gaussian Copula — швидше в 10 разів, краще зберігає кореляції
copula = GaussianCopulaSynthesizer(metadata)
copula.fit(real_df)
synthetic_df_copula = copula.sample(100_000)

Генерація зв'язаних таблиць

Зазначимо: коли дані нормалізовані (пацієнти → діагнози → призначення), застосовуємо HMA Synthesizer, який моделює ієрархію зв'язків.

from sdv.multi_table import HMASynthesizer
from sdv.metadata import MultiTableMetadata

metadata = MultiTableMetadata()
metadata.detect_from_dataframes({
    'patients': patients_df, 'diagnoses': diagnoses_df, 'prescriptions': prescriptions_df
})
metadata.add_relationship('patients', 'patient_id', 'diagnoses', 'patient_id')
metadata.add_relationship('patients', 'patient_id', 'prescriptions', 'patient_id')

synthesizer = HMASynthesizer(metadata)
synthesizer.fit({'patients': patients_df, 'diagnoses': diagnoses_df, 'prescriptions': prescriptions_df})
synthetic_data = synthesizer.sample(scale=1.5)

Як оцінити якість та приватність?

Ми не віддаємо клієнту «чорний ящик». Кожна згенерована вибірка проходить три перевірки:

• Statistical Fidelity — Column Shapes і Column Pair Trends (score ≥ 0.9)
• Privacy Audit — Membership Inference Attack (new row score > 0.9)
• ML Utility — Train on Synthetic, Test on Real (різниця AUC < 2%)

Приклад коду для аудиту приватності (TSTR — Train on Synthetic, Test on Real):

from sdmetrics.single_table import NewRowSynthesis

new_row_score = NewRowSynthesis.compute(
    real_data=real_df, synthetic_data=synthetic_df,
    metadata=metadata, numerical_match_tolerance=0.01
)
# Мета: score > 0.9 — синтетичні дані не відтворюють реальні записи

А ML Utility тест показує, чи придатні дані для навчання моделі:

model_real = train_classifier(real_train, real_val)
model_syn = train_classifier(synthetic_train, real_val)
print(f"ML Utility gap: {(model_real.auc - model_syn.auc):.4f}")
# Допустимо < 0.02

Порівняння методів генерації

Коли потрібна платформа синтетичних даних?

Основний сценарій — нестача даних для навчання або тестування. У банківському секторі ми замінили 70% реальних транзакцій синтетичними для стрес-тестування: p99 latency знизилися на 30%, а покриття аномалій зросло вдвічі. Отримайте консультацію — оцінимо, чи підходить ваш випадок.

Процес роботи над проєктом

Що входить в результат

• Повнофункціональна платформа з web-інтерфейсом та REST API на FastAPI і React.
• Інтеграція з вашим Data Catalog та системами зберігання (S3, PostgreSQL).
• Автоматичний privacy audit і ML utility звіт для кожного датасету.
• Документація по API, архітектурі, експлуатації.
• Навчання команди (2–3 дні).
• Гарантійна підтримка 3 місяці.

Строки реалізації

Типовий проєкт займає від 3 до 4 місяців. Строк може варіюватися в залежності від кількості типів даних, джерела та вимог до UI. Зв'яжіться з нами для консультації — ми підготуємо комерційну пропозицію з урахуванням вашої специфіки та наступного дня покажемо демо генератора на ваших метаданих.

Консультація та комерційна пропозиція

Якщо залишилися питання по архітектурі або вартості — напишіть нам. Ми підготуємо комерційну пропозицію з урахуванням вашої специфіки та покажемо демо генератора на ваших метаданих.

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.