MLOps — практики, чтобы модели воспроизводимо обучались, проверялись, выкатывались и наблюдались. Цикл: данные → эксперименты (с трекингом параметров и метрик) → регистрация модели с версией → проверка → деплой (батч или онлайн-сервис) → мониторинг → переобучение.
А ещё Инструменты: MLflow, DVC, Kubeflow, Airflow; обслуживание — Triton, BentoML, KServe
Так подсказку видит пользователь sotto на живом собеседовании — за пару секунд, пока вы думаете вслух.
Этапы:
Training-serving skew — самая частая причина «модель хорошая, а в продакшене плохая»: признак при обучении считался SQL-запросом за месяц, а в сервисе — по-другому или с задержкой. Решения — общий код преобразований, feature store с одинаковым расчётом офлайн и онлайн, логирование признаков на инференсе.
Выкатка: теневой режим (новая модель считает прогнозы, но решения принимает старая), затем канарейка и A/B-тест по бизнес-метрике.
sotto слышит вопрос интервьюера и показывает короткий ответ и план, как в блоке «Коротко». Оставьте контакт — пришлём доступ и промокод.
sotto