Конференция завершена. Ждем вас на TechLead Conf в следующий раз!

Как прокачать надёжность ML-системы

SRE-практики

Python
Бэкенд / другое
Надёжность продакшена
Тестирование новых продуктов
Оптимизация
ML
DevOps / SRE

Доклад принят в программу конференции

Мнение Программного комитета о докладе

Когда ваши маленькие модельки доросли до большого денежного продакшена, неудачная выкатка становится дорогой проблемой. Давайте тестировать и делиться опытом.

Целевая аудитория

SRE, ML-инженеры, DS-специалисты.

Тезисы

Всем нам хорошо известно, что одним из аспектов надёжности является тестирование. За годы разработки в индустрии сформировались практики тестирования классических детерминированных сервисов, где мы можем точно предсказать результат выполнения алгоритма/бизнес-логики.

А что делать, если ваша система — ML-сервис? Результат модели непредсказуем до тех пор, пока не передашь на вход данные и не получишь результат. Но даже зная, как себя поведёт конкретная модель на конкретном датасете, после дообучения мы попадаем вновь в начальную точку, когда мы не можем предсказать результат модели на известном наборе данных из-за изменившихся весов. Ситуация усугубляется, если у вас цепочка моделей, где результат каждой последующей зависит от предыдущей, а значит и ошибка, вносимая одной моделью, заведомо вносит ошибку в последующие модели.

Как гарантировать бизнесу высокое качество в столь неопределенной среде? Взяв в качестве примера несколько систем виртуального ассистента Салют, я расскажу, какую эволюцию мы прошли, какие новые приёмы и метрики придумали для того, чтобы гарантировать качество ML-системы.

Денис Усачёв

Сбердевайсы

Руководитель Python-разработки ML-систем NLP-платформы в Сбербанке.

Сбердевайсы

SberDevices — молодая IT-компания. Разрабатывают виртуальных ассистентов, умные устройства (SberBox, SberPortal) и сервисы для них. Работают на пике инноваций с ML, NLP, AI-технологиями.

Видео