Регулярное обновление модели на свежих данных по расписанию или по триггеру.
Ключевые тезисы
- Новая модель выкатывается только после сравнения со старой на общем тесте.
- Автоматизация должна включать валидационные гейты.
- Обратная связь пользователей — источник данных и одновременно источник смещения.
Подробный разбор
- По расписанию — просто и предсказуемо; частоту выбирают по скорости устаревания данных.
- По триггеру дрейфа — экономнее, но требует надёжного детектора.
- По падению метрики — идеально, но применимо только при быстрой обратной связи.
Автоматическое обязано включать гейты: новая модель выкатывается только если она не хуже текущей на общем тесте и проходит проверки на данных. Иначе одна испорченная выгрузка отравит прод.
- Метрика новой модели не ниже текущей на общем фиксированном тесте (с учётом ).
- Нет деградации ни на одном из ключевых сегментов.
- Распределение предсказаний не сдвинулось аномально.
- Контракт входа-выхода не изменился, все тесты сервиса зелёные.
Если хоть один гейт не пройден — модель не выкатывается автоматически, а уходит на разбор человеку. Это единственный способ доверять автоматическому .
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.
Связанные темы
Продакшен и эксплуатация · Зрелость ML-процесса
Monitoring96%
Мониторинг · MLOpsНаблюдение за инфраструктурой, данными и качеством предсказаний после релиза.
Drift Detection96%
Детекция дрейфа · MLOpsОбнаружение расхождения между данными обучения и данными прода.
ML Pipelines96%
ML-пайплайны · MLOpsОформление обучения как воспроизводимой последовательности шагов вместо разрозненных ноутбуков.
Model Deployment80%
Деплой моделей · MLOpsДоставка модели пользователю: онлайн-сервис, батч-скоринг или встраивание в приложение.
Docker80%
Docker · MLOpsКонтейнеризация фиксирует окружение целиком: код, зависимости, системные библиотеки.
Kubernetes80%
Kubernetes · MLOpsОркестрация контейнеров: масштабирование, самовосстановление, обновления без простоя.
Production ML80%
ML в продакшене · Практика MLМодель в проде — это сервис с SLA, мониторингом, версионированием и планом отката.
MLOps Maturity80%
Уровни зрелости MLOps · MLOpsШкала от ручных ноутбуков до полностью автоматического цикла обучения и выката — способ понять, где команда сейчас.
CI/CD for ML80%
CI/CD для ML · MLOpsАвтоматизация проверок и выката: тесты кода, тесты данных, обучение и релиз модели по одной кнопке.
Data Versioning80%
Версионирование данных · MLOpsДанные меняются чаще кода — без их версий эксперимент не воспроизвести.
Профильная компетенция для ролей: ML Engineer, MLOps-инженер, Продуктовый инженер.
Усиливает профиль: Data Engineer, LLM-инженер, CV-инженер, Инженер рекомендаций, Инженер речи.
Спрашивают на собеседовании: Сбер — Промышленный ML и MLOps.
Тема встречается в тестах по направлениям — ошибки приведут обратно на эту страницу.
Глава «MLOps» последний раз правилась . Нашли ошибку — напишите.