«Диасофт» автоматизирует полный цикл работы с ML-моделями

Решение собирает в одном контуре работу с ML-моделями — от эксперимента и обучения до развёртывания, мониторинга и сопровождения. Для крупных организаций это попытка заменить набор разрозненных MLOps-инструментов, то есть средств управления машинным обучением в эксплуатации, единым продуктом.

Не только обучение, но и воспроизводимость

Видимый результат ML-проекта — прогноз, скоринговая оценка или рекомендация в приложении. Но за ним остаётся менее заметная часть работы: нужно сохранить параметры запуска, исходный код, метрики и артефакты обучения, чтобы команда могла воспроизвести результат, сравнить версии и понять, почему новая модель работает иначе прежней.

По данным источника, продукт «Диасофт» централизует эксперименты, ведёт реестр моделей с версионированием и разметкой их статусов на разных стадиях жизненного цикла. Суть в том, что модель перестаёт быть файлом, переданным между командами: она становится управляемым объектом с историей изменений и понятным маршрутом до рабочей среды.

Такой подход особенно важен там, где ML-модели уже не являются пилотами. Когда их становится много, ручное отслеживание версий, параметров и результатов быстро превращается в отдельный операционный риск.

Kubernetes под капотом

Для автоматизации цепочки от подготовки данных и обучения до развёртывания в Kubernetes продукт использует Kubeflow Pipelines. Kubernetes здесь — система управления контейнерами, то есть изолированными пакетами с кодом и зависимостями; она позволяет запускать компоненты ML-процесса в стандартизированной инфраструктуре.

Промышленный инференс — выполнение модели для получения предсказаний — обеспечивается через KServe. По информации Хабра, модели из реестра публикуются как масштабируемые REST-сервисы, могут использовать GPU и поддерживают canary- и blue-green-развёртывания. В первом случае новую версию постепенно направляют лишь на часть запросов, во втором — переключаются между двумя параллельными средами. Это не улучшает качество модели автоматически, но делает обновление менее ручным и более контролируемым.

В состав решения также входят хранилище признаков Feature Store на базе Valkey и Apache Iceberg, единая аутентификация через Digital Q.Security с SSO/OIDC и Trainer Operator для управления распределённым обучением в кластере Kubernetes. Интеграция заявлена с PyTorch, TensorFlow и Scikit-learn, а также с проектами в контейнерном формате.

Что проверять при выборе платформы

«Диасофт» позиционирует продукт как отечественную альтернативу MLflow и другим зарубежным системам управления жизненным циклом моделей. Но при оценке такого класса решений важнее не перечень компонентов, а стык с уже работающим контуром компании.

Стоит отдельно проверить, как платформа подключается к текущим источникам данных, где будут храниться артефакты и признаки, как организован доступ команд и как фиксируется изменение модели после вывода в эксплуатацию. Не менее важен мониторинг дрейфа данных: это ситуация, когда входные данные постепенно меняются, а модель, обученная на прежней картине, начинает давать менее стабильный результат.

Отдельная деталь — доступ бизнес-пользователей к прогнозным моделям через чат-бот без работы с API и кодом. Это может упростить использование ML-сервисов внутри организации, однако границы такого доступа, сценарии запросов и контроль выдаваемых результатов лучше определить до внедрения. Автоматизация жизненного цикла ценна именно тогда, когда она делает путь модели к пользователю прозрачнее, а не просто добавляет ещё один слой инфраструктуры.