MLOps

Model Versioning

Версионирование моделей

актуальноТекущий рабочий стандарт

Направления: Инженерия ИИ · MLOps, Доверенный ИИ · Регулирование

Каждая обученная модель — артефакт с версией, метриками и происхождением.

Ключевые тезисы

Модель связана с версией кода, данных и конфигурации обучения.
Быстрый откат к предыдущей версии — обязательная возможность.
Формат: pickle, , TorchScript, SavedModel.

Подробный разбор

2 подтемы — объяснения, формулы, примеры и интерактивные графики.

Веса и код , включая всю предобработку.
Версии данных и кода обучения.
Метрики на фиксированном тестовом наборе.
Контракт входа и выхода: имена , типы, допустимые диапазоны.
Требования к окружению (образ, версии библиотек).

Формат	Плюсы	Минусы
pickle / joblib	просто	привязан к версиям библиотек, небезопасен
	переносимость, ускорение	не все операции поддержаны
TorchScript	родной для PyTorch	только PyTorch
Docker-образ	полная фиксация окружения	тяжёлый

{
  "features": [{"name": "age", "type": "int", "range": [18, 100]},
               {"name": "region", "type": "category", "values": ["msk", "spb", "other"]}],
  "output": {"type": "float", "range": [0, 1], "meaning": "P(отток за 30 дней)"},
  "trained_on": "2026-07-01..2026-08-15",
  "metrics": {"roc_auc": 0.842, "pr_auc": 0.391}
}

Такой файл рядом с моделью снимает половину вопросов при интеграции

Видеолекции

Тайм-кода именно на эту тему в записях нет. Но глава «MLOps» разобрана в курсах целиком — с той оговоркой, что место в записи придётся искать самому.

Курс: Системный дизайн ML7 записей Курс: Введение в MLOps5 записей Курс: Прикладной MLOps11 записей

Связанные темы

Доставка модели в прод · Воспроизводимость

MLflow96%

MLflow · MLOps

Открытая платформа для трекинга, упаковки и регистрации моделей.

CI/CD for ML85%

CI/CD для ML · MLOps

Автоматизация проверок и выката: тесты кода, тесты данных, обучение и релиз модели по одной кнопке.

Model Deployment85%

Деплой моделей · MLOps

Доставка модели пользователю: онлайн-сервис, батч-скоринг или встраивание в приложение.

Serving Architecture85%

Архитектура инференса · Системный дизайн ML-сервисов

Модель внутри приложения, отдельный сервис или платформа инференса — три уровня связанности.

Production ML85%

ML в продакшене · Практика ML

Модель в проде — это сервис с SLA, мониторингом, версионированием и планом отката.

Experiment Tracking75%

Трекинг экспериментов · MLOps

Фиксация параметров, метрик, артефактов и версии кода для каждого запуска.

Data Versioning75%

Версионирование данных · MLOps

Данные меняются чаще кода — без их версий эксперимент не воспроизвести.

ML Pipelines75%

ML-пайплайны · MLOps

Оформление обучения как воспроизводимой последовательности шагов вместо разрозненных ноутбуков.

Ablation studies75%

Абляционные исследования · Оценка моделей

Поочерёдное отключение компонентов, чтобы понять, что именно даёт прирост качества.

Кому эта тема нужна

Профильная компетенция для ролей: ML Engineer, MLOps-инженер.

Усиливает профиль: Data Scientist, Data Engineer.

Спрашивают на собеседовании: Сбер — Промышленный ML и MLOps, Группа Астра — Платформа и эксплуатация ML, Cloud.ru — Платформа обучения.

Добавить в учебную программу

Проверить себя

Тема встречается в тесте по направлениям — ошибки приведут обратно на эту страницу.

Тест: MLOps и инженерия24

Следующий шагПроверить себя: MLOps и инженерияТема встречается в этом тесте 1 раз. Ошибка приведёт обратно на эту страницу — с объяснением, что именно не сошлось.Перейти →

Глава «MLOps» последний раз правилась 31 августа 2026 г.. Нашли ошибку — напишите.