Не считать то, что уже посчитано: кеш предсказаний, признаков и эмбеддингов.
Ключевые тезисы
- Ключ кеша должен включать версию модели — иначе после релиза вы отдаёте старые ответы.
- TTL выбирается из скорости устаревания данных, а не из размера кеша.
- Для повторяющихся запросов кеш даёт больший выигрыш, чем любая оптимизация модели.
Подробный разбор
2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.
1Что кешировать
Три уровня кеша в ML-сервисе.
- Признаки: результат обращения к хранилищу, TTL от секунд до часов.
- Эмбеддинги: почти неизменны, кешируются надолго.
- Предсказания: только если вход повторяется и модель детерминирована.
Ключ кеша обязан включать версию модели и версию логики признаков. Иначе после выката новой версии пользователи будут получать старые ответы, и это крайне сложно заметить.
2Метрики кеша
За чем следить.
- Hit rate: ниже 20% — кеш чаще всего не окупает сложность.
- Задержка на промахе против задержки на попадании.
- Расход памяти и политика вытеснения (LRU обычно достаточно).
- Стampede-эффект: при истечении TTL популярного ключа сотни запросов уходят в модель одновременно — лечится блокировкой на пересчёт.
Связанные темы
Инференс и эксплуатация
Requirements and SLA85%
Требования и SLA · Системный дизайн ML-сервисовЧисла, которые нужно зафиксировать до архитектуры: задержка, пропускная способность, доступность, стоимость запроса.
Serving Architecture85%
Архитектура инференса · Системный дизайн ML-сервисовМодель внутри приложения, отдельный сервис или платформа инференса — три уровня связанности.
Batching and Queues85%
Батчинг и очереди · Системный дизайн ML-сервисовСобирать запросы в пачки, чтобы загрузить GPU, и сглаживать всплески нагрузки очередью.
Scaling85%
Масштабирование · Системный дизайн ML-сервисовГоризонтальное и вертикальное масштабирование инференса и правильные метрики автоскейлинга.
GPU Inference85%
GPU-инференс · Системный дизайн ML-сервисовКак выжать из видеокарты пропускную способность и не переплачивать.
Reliability85%
Отказоустойчивость · Системный дизайн ML-сервисовЧто происходит, когда модель недоступна, отвечает медленно или выдаёт мусор.
Observability85%
Наблюдаемость · Системный дизайн ML-сервисовЛоги, метрики и трассировки, по которым можно восстановить, что произошло с конкретным запросом.
Cost Model85%
Экономика сервиса · Системный дизайн ML-сервисовСтоимость одного предсказания и точка, где модель перестаёт окупаться.
LLM Serving85%
Обслуживание LLM · Системный дизайн ML-сервисовОтдельная инженерная дисциплина: KV-кеш, непрерывный батчинг, потоковая отдача и контроль стоимости.
Model Deployment85%
Деплой моделей · MLOpsДоставка модели пользователю: онлайн-сервис, батч-скоринг или встраивание в приложение.
Monitoring85%
Мониторинг · MLOpsНаблюдение за инфраструктурой, данными и качеством предсказаний после релиза.
Docker85%
Docker · MLOpsКонтейнеризация фиксирует окружение целиком: код, зависимости, системные библиотеки.
Kubernetes85%
Kubernetes · MLOpsОркестрация контейнеров: масштабирование, самовосстановление, обновления без простоя.