Внедрение MLOps

Подготовим вводные

Уточним задачу: Внедрение MLOps

Три вопроса помогут определить контур работ и следующий шаг к оценке.

≈ 1 минута

Вопрос 1 из 3

Можно вернуться и изменить ответ

Какие задачи решаем

Состав работ зависит от вашей системы и согласованных критериев результата.

Задача / 01

Оценить процесс / Определить ответственность

Разбираем обучение, проверку и передачу моделей в эксплуатацию.

Согласуем владельцев данных, качества и выпуска.

Задача / 02

Собрать пилот

Связываем выбранные инструменты в рабочий процесс.

Задача / 03

Проверить цикл

Проходим путь модели и фиксируем ограничения.

Специалисты, которые могут участвовать в вашем проекте

Состав команды и участие сотрудников согласуем с учётом задач проекта и сроков.

Поиск по технологиямУровеньТехнология

Специалистов: 26

София У.

Scala ML Engineer

Senior+Опыт 11+ лет

ScalaPythonSparkData Vault

Все навыки (14)

Архитектура DWHКонтроль качества данныхMLflowHiveDockerKubeflowSQLHadoopCassandraAirflow

Сергей Д.

Data engineer

MiddleОпыт 3+ лет

PythonPySparkPostgreSQLDocker

Все навыки (6)

MLflowKubernetes

Николай Р.

Data engineer

SeniorОпыт 11+ лет

PythonApache BeamKubeflowTensorFlow Extended

Все навыки (6)

MLOpsFeature Store

Арсений Г.

Data Scientist

Senior+Опыт 17+ лет

PythonSQLpandasMLflow

Все навыки (18)

Дизайн экспериментовМониторинг моделейNumpyscikit-learnCatBoostXGBoostTensorFlow: ETLPostgreSQLSeaborn: GitC++tensorflowOpenCVKubernetesPrometheus

Елизавета А.

Data Scientist

Senior+Опыт 17+ лет

PythonSQLpandasMLflow

Все навыки (14)

Дизайн экспериментовМониторинг моделейNumpyDockerApache AirflowC++tensorflowOpenCVKubernetesPrometheus

Татьяна М.

Data Scientist

MiddleОпыт 3+ лет

Python (PandasNumpyScipy)SQL

Все навыки (10)

GitGitLabDockerMLflowPostgreSQLOracle

Дмитрий Н.

Data Scientist

MiddleОпыт 3+ лет

PythonRSciPyPostgreSQL

Все навыки (6)

Power BIMLflow

Кристина А.

Data Scientist

Senior+Опыт 17+ лет

PythonSHAPLIMEMLflow

Все навыки (13)

Дизайн экспериментовМониторинг моделейPower BIApache SupersetC++tensorflowOpenCVKubernetesPrometheus

Алиса Б.

Data Scientist

Senior+Опыт 17+ лет

PythonJavaPyTorchMLflow

Все навыки (14)

Дизайн экспериментовМониторинг моделейSparkKafkaAWS/GCPC++tensorflowOpenCVKubernetesPrometheus

Егор П.

Data Scientist

MiddleОпыт 3+ лет

PythonJavaLangChainHadoop

Все навыки (6)

MLflowDocker

Галина Ф.

Data Scientist

Senior+Опыт 17+ лет

PythonOptunaHyperoptMLflow

Все навыки (13)

Дизайн экспериментовМониторинг моделейDaskRedisC++tensorflowOpenCVKubernetesPrometheus

Тимофей И.

Data Scientist

Senior+Опыт 17+ лет

PythonJavaPyTorchMLflow

Все навыки (13)

Дизайн экспериментовМониторинг моделейKubernetesKafkaCassandraC++tensorflowOpenCVPrometheus

Вера С.

Data Scientist

Senior+Опыт 17+ лет

PythonScalatensorflowMLflow

Все навыки (13)

Дизайн экспериментовМониторинг моделейXGBoostHivePrestoC++OpenCVKubernetesPrometheus

Дарья С.

ML-инженер

Senior+Опыт 8+ лет

PythonC++tensorflowMLOps

Все навыки (10)

Мониторинг моделейОптимизация inferenceOpenCVYOLOv5KubernetesFlask

Денис Д.

ML-инженер

MiddleОпыт 3+ лет

PythonBashMLflowAirflow

Все навыки (7)

AWSGitLab CI/CDPrometheus

Александра Ш.

ML-инженер

MiddleОпыт 4+ лет

PythonRH2OTPOT

Все навыки (7)

Scikit-learnCatBoostMLflow

Майя П.

ML-инженер

Senior+Опыт 9+ лет

PythonSQLXGBoostMLOps

Все навыки (9)

Мониторинг моделейОптимизация inferenceCatBoostElasticsearchGraph Databases

Ирина Д.

ML-инженер

Senior+Опыт 8+ лет

PythonCUDAtensorflowMLOps

Все навыки (12)

Мониторинг моделейОптимизация inferenceKerasGANsTransformersWeights &ampBiases

Татьяна О.

ML-инженер

MiddleОпыт 5+ лет

PythonBashKubeflowPrometheus

Все навыки (7)

GCPTerraformGrafana

Петр И.

ML-инженер

Senior+Опыт 10+ лет

PythonGPT-4LangChainMLOps

Все навыки (9)

Мониторинг моделейОптимизация inferenceMongoDBHugging FaceLoRA

Марат И.

ML-инженер

Senior+Опыт 12+ лет

PythonSQLTableauMLOps

Все навыки (10)

Мониторинг моделейОптимизация inferencePower BIScikit-learnBigQueryExcel

Геннадий У.

ML-инженер

Senior+Опыт 8+ лет

PythonHugging Face TransformersRLHFMLOps

Все навыки (9)

Мониторинг моделейОптимизация inferenceWeights &ampBiases

Дмитрий С.

NLP инженер

Senior+Опыт 8+ лет

PythonJavaKubernetesRAG

Все навыки (8)

Fine-tuning LLMОценка качества NLPMLflowElasticsearch

Марина Б.

NLP инженер

MiddleОпыт 3+ лет

PythonMLflowPrometheusSqlalchemy

Денис М.

NLP инженер

MiddleОпыт 4+ лет

PythonScalaMLflowDVC

Все навыки (6)

ElasticsearchFlask

Сергей Л.

NLP инженер

MiddleОпыт 3+ лет

PythonGoKubernetesMLflow

Все навыки (5)

PostgreSQL

Состав и границы услуги

В состав работ

Разбираем обучение, проверку и передачу моделей в эксплуатацию. Согласуем владельцев данных, качества и выпуска. Связываем выбранные инструменты в рабочий процесс. Проходим путь модели и фиксируем ограничения.

Зависимости

Назначение и способ использования моделей. Текущие инструменты обучения и выпуска. Проверки качества и требования эксплуатации.

Не входит автоматически

Состав доработок приложений, закупку лицензий и дальнейшее сопровождение согласуем отдельно от первичной настройки.

Что получите по итогам работ

Конкретный состав артефактов и критерии приёмки фиксируем перед началом работ.

Модель процесса

Этапы и ответственные за жизненный цикл ML-модели.

Пилот MLOps

Проверенная последовательность для выбранного проекта.

План развития

Следующие интеграции и критерии их полезности.

Инструменты и конфигурация

Состав решения согласуем с учётом вашей инфраструктуры и задач.

Модель процесса

Этапы и ответственные за жизненный цикл ML-модели.

Начнём с вашей текущей системы

Начнём с вашей задачи

Разберём текущую схему, требования и ограничения. Согласуем пилот и проверяемые критерии готовности.

Доступы согласуем отдельно

Предоставляйте только необходимые сведения и минимальные права для выбранного этапа.

ПЕРЕД СТАРТОМ

Карта вашей системы

МоделиНазначение и способ использования моделей.
ПроцессТекущие инструменты обучения и выпуска.
КритерииПроверки качества и требования эксплуатации.

Общая картина проектаОснова для оценки объёма и плана работ

Форматы выполнения работ

Формат сотрудничества / 01

Оценка задачи

Разберём текущую схему и определим объём изменений.

Этапы проекта

01

Согласуем задачу

Определим исходное состояние, границы работ и критерии приёмки.

РЕЗУЛЬТАТ ЭТАПАПлан и критерии

Подробнее об этапе

Разберём текущую схему, требования и ограничения. Согласуем пилот и проверяемые критерии готовности.

02

Выполним работы

Реализуем согласованный объём на выбранном контуре.

РЕЗУЛЬТАТ ЭТАПАГотовое решение

Подробнее об этапе

Согласуем владельцев данных, качества и выпуска. Связываем выбранные инструменты в рабочий процесс.

03

Проверим и передадим

Проверим результат по согласованным сценариям и передадим материалы команде.

РЕЗУЛЬТАТ ЭТАПАРезультат и инструкции

Подробнее об этапе

Проверяем связь выпуска с исходным запуском обучения. Проверяем согласованное решение о допуске модели. Проверяем использование предыдущей утверждённой версии. Следующие интеграции и критерии их полезности.

Стоимость и сроки: что влияет на оценку

Стоимость и продолжительность определяем после анализа исходных данных, доступа и согласованного объёма. Подготовим индивидуальную оценку с учётом требований к результату.

Объём+Зависимости+Проверка→Оценка работ

Факторы оценки: Внедрение MLOps
Фактор	Что оцениваем
Модели	Назначение и способ использования моделей.
Процесс	Текущие инструменты обучения и выпуска.
Критерии	Проверки качества и требования эксплуатации.
Охват внедрения	Количество проектов, окружений и контрольных сценариев; необходимая глубина автоматизации.

Проверка, передача и дальнейшие действия

01

Связность

Проверяем связь выпуска с исходным запуском обучения.

02

Приёмка

Проверяем согласованное решение о допуске модели.

03

Возврат

Проверяем использование предыдущей утверждённой версии.

Передача результата

Передаём согласованные настройки, результаты проверки и инструкции. Дополнительное сопровождение и режим реакции обсуждаем отдельно.

Опыт команды в проектах

Существующие проекты и отзывы компании CodeHub. Примеры не означают, что именно эта услуга выполнялась в каждом проекте.

1–3 / 9

01 / 09Московская биржа

Python · автоматизация тестирования

Московская биржа: автоматизация тестирования

Московская биржа. Автоматизация тестирования

PythonPyTestRequests

85% критичных путей покрыто

02 / 09Крупнейший ритейл

Данные · смежный опыт

Крупнейший ритейл: SAP и Data

Крупнейший ритейл - проекты по SAP и Data

PySparkAirflowData Lake

Data Lake и SAP-процессы

03 / 09Иннотех / ВТБ

Иннотех и ВТБ: усиление IT-команд

Усиление командами и точечными ИТ-специалистами команды интегратора Иннотех на проектах ВТБ и дочерних компаний

Системная аналитикаБизнес-аналитикаАвтотестирование

25+ специалистов выведено

04 / 09Крупный интегратор

HR CRM для крупного интегратора

Взаимодействие с интегратором в рамках разработки внутренней HR CRM для автоматизации рекрутмента и хранения внутренней базы кандидатов

PHP/LaravelPostgreSQLReact

40% сокращение времени найма

05 / 09Р-Фарм

1С-разработка для Р-Фарм

1С Разработка для Р-Фарм

1С:ERP1С:Бухгалтерия1С:Документооборот

1С модули для фармы

06 / 09МТС Digital / МТС WMS / МТС AI

МТС: усиление выделенными командами

Усиление команд, предоставление выделенной команды.

Ручное тестированиеАвтотестированиеСистемная аналитика

4 направления усиления

07 / 09Фиолетовый банк маркетплейса

Банковский маркетплейс: Java и Kotlin

Усиление отделов Java + Kotlin разработки.

JavaKotlinREST

Java + Kotlin усиление разработки

08 / 09ВинЛаб и Аптечки Столицы

Восстановление IT-инфраструктуры после кибератак

Восстановление ИТ-инфраструктуры после кибератак

Системное администрированиеIT-инфраструктураКиберинциденты

60+ точек восстановлено

09 / 09EdTech-платформа

EdTech-приложение для школьников на Unity

Мобильное приложение для Edtech-платформы для школьников на Unity

UnityWebGLZenject

80 000+ MAU

Видеоотзывы клиентов

Отзывы клиентов о работе компании CodeHub; они не являются подтверждением выполнения конкретно этой услуги.

1–3 / 5

Борис Губанов

Клиент CodeHub

Татьяна Тарасенкова

Гульмира

Вячеслав Юдин

Вопросы об услуге: Внедрение MLOps

Это обучение модели с нуля?

Основная задача — организация процесса. Разработку и исследование модели оцениваем отдельно.

Обязательно использовать MLflow?

Нет. Инструменты выбираем по задачам и ограничениям проекта.

Как принимается результат?

Проверяем согласованные сценарии, передаём настройки, результаты испытаний и инструкции эксплуатации.

Что нужно для первичной оценки?

Описание процесса, инструментов и требований. Для начала достаточно обезличенных примеров без секретов.

Как определяются сроки и стоимость?

По результатам оценки согласуем охват систем, этапы работ и критерии приёмки. Расходы на внешние сервисы укажем отдельно.

Можно начать с пилотного проекта?

Да. Выберем ограниченный объект, проверим результат и затем согласуем расширение.

Уточним задачу: Внедрение MLOps

Какие задачи решаем

Оценить процесс / Определить ответственность

Собрать пилот

Проверить цикл

Специалисты, которые могут участвовать в вашем проекте

София У.

Сергей Д.

Николай Р.

Арсений Г.

Елизавета А.

Татьяна М.

Дмитрий Н.

Кристина А.

Алиса Б.

Егор П.

Галина Ф.

Тимофей И.

Вера С.

Дарья С.

Денис Д.

Александра Ш.

Майя П.

Ирина Д.

Татьяна О.

Петр И.

Марат И.

Геннадий У.

Дмитрий С.

Марина Б.

Денис М.

Сергей Л.

Состав и границы услуги

В состав работ

Зависимости

Не входит автоматически

Что получите по итогам работ

Модель процесса

Пилот MLOps

План развития

Инструменты и конфигурация

Модель процесса

Пилот MLOps

План развития

Начнём с вашей текущей системы

Начнём с вашей задачи

Карта вашей системы

Форматы выполнения работ

Оценка задачи

Пилот