Модель, которая не деградирует через полгода после запуска
MLOps - это практика, которая доводит модель машинного обучения от ноутбука исследователя до стабильной работы в продакшене и держит её там. Без MLOps модель обучают один раз, а через несколько месяцев её точность падает, потому что данные изменились: поменялся свет в цехе, ассортимент на полке или формат документов. YAVVI выстраивает полный цикл: сбор и разметку данных, обучение, развёртывание, мониторинг и переобучение по расписанию.
Что мы внедряем
Сбор и подготовка датасета
Собираем данные с ваших источников и приводим их к виду, на котором можно учить модель.
Как это работает
Определяем источники и объём
Чистим и убираем дубли
Делим на обучение и проверку
Что получаете
Датасет, на котором модель учится на ваших реальных условиях.
Разметка данных
Размечаем изображения, видео, тексты и документы под задачу модели.
Как это работает
Пишем инструкцию по разметке
Размечаем и проверяем вторым проходом
Сдаём с отчётом о качестве
Что получаете
Разметка с проверкой, а не разовый проход.
Дообучение моделей
Дообучаем модель, когда изменились данные или условия съёмки.
Как это работает
Собираем новые примеры
Дообучаем и сравниваем с прежней версией
Выкатываем лучшую
Что получаете
Точность не падает со временем.
Модель в продакшене
Развёртывание, мониторинг и переобучение по расписанию.
Как это работает
Упаковываем модель и разворачиваем
Следим за качеством на живых данных
Запускаем переобучение по расписанию
Что получаете
Модель стабильно работает, а её качество видно в цифрах.
Цикл работы с моделью
1
Данные
Записи с камер, сканы, тексты в реальных условиях
2
Очистка
Дубли, брак, баланс классов, выборки
3
Разметка
Рамки, маски, классы и поля
4
Обучение
Дообучаем готовую модель на ваших примерах
5
Развёртывание
Docker, Kubernetes, оптимизация под ваше железо
6
Мониторинг
Метрики, откат и переобучение по расписанию
Сбор и подготовка датасета
Сбор датасета начинается с вопроса, какие ситуации модель должна различать и сколько примеров каждой ситуации есть на самом деле. Для видеоаналитики это записи с ваших камер в разное время суток и в разные сезоны, для документов это реальные сканы с печатями и пометками. Сбор датасета по редким событиям, например нарушениям или дефектам, иногда требует постановочной съёмки или синтетических данных.
Подготовка датасета включает очистку от дублей и брака, балансировку классов и разбиение на обучающую, валидационную и отложенную выборки. Подготовка датасета занимает до половины срока проекта, и экономия на этом этапе почти всегда оборачивается переделкой модели.
Разметка данных
Разметка данных для ИИ превращает сырые кадры, тексты и звук в примеры с правильными ответами: рамки вокруг объектов, маски, классы, извлечённые поля. Разметка данных для нейросети компьютерного зрения у нас идёт в CVAT и Label Studio с двойной проверкой спорных кадров. Разметка данных для обучения ИИ по текстам и документам включает классификацию, выделение сущностей и пары «вопрос-ответ» для языковых моделей.
Специалист разметки данных для обучения нейросетей работает по инструкции, которую мы составляем вместе с вашим экспертом: что считается дефектом, где граница опасной зоны. Специалист по разметке данных нейросети проходит контрольную выборку до начала работы, а специалист по разметке данных для ИИ в спорных случаях эскалирует кадр техлиду. Так разметка данных для ИИ остаётся согласованной, даже если её делают несколько человек.
Что размечаем
Спорные примеры проверяются дважды.
Рамки
Маски
Классы
Поля документов
Пары вопрос-ответ
Дообучение моделей
Дообучение модели ИИ на ваших данных быстрее и дешевле обучения с нуля: берём модель, обученную на больших открытых датасетах, и доучиваем её на сотнях или тысячах ваших примеров. Дообучение языковой модели под термины и формат документов компании идёт методом LoRA и разворачивается на вашем сервере. Дообучение модели ИИ повторяем по расписанию или при падении метрик, и разметка данных для нейросети на новых примерах становится частью регулярного процесса.
Модель в продакшене
MLOps в продакшене - это версионирование данных и моделей, автоматические пайплайны обучения, мониторинг качества и откат на предыдущую версию, если новая работает хуже. Мы используем MLflow и DVC для версий, Docker и Kubernetes для развёртывания и оптимизируем инференс под ваше железо, чтобы модель работала в реальном времени. MLOps мы передаём вашей команде вместе с документацией или берём на сопровождение. Расскажите, какая модель у вас уже работает или какую задачу нужно решить, и мы предложим план от сбора данных до мониторинга.
Мой проект - тематический сайт знакомств. Я оцениваю его как проект высокого уровня сложности: очень непросто найти разработчиков, которые могли бы его реализовать. Я работал с командой Глеба в течение более двух лет с перерывами, которые были связаны исключительно с моим финансовым состоянием. По итогу могу сказать, что вполне доволен проделанной работой. Ребята знают своё дело, с хорошей коммуникабельностью, и всегда помогут советом. В данный момент вся основная работа сделана, сайт находится в рабочем состоянии и набирает пользователей. Есть идеи по добавлению новых функций, и если я решусь на это, то буду реализовывать их и дальше с этой командой.
ОИ
Команда Глеба была профессиональной, оперативно реагировали на любые возникающие вопросы и шли навстречу в рабочих моментах. В ходе работы с командой были реализованы части и компоненты масштабного сервиса AI LMS платформы.
АМ
Мы разрабатывали несколько сервисов, часть из них запускалась в формате MVP: в частности, автоматизировали обработку запросов корпоративных заказчиков на аренду спортивных площадок. Команда проекта была на связи, и мы активно двигались по нашим требованиям. Достаточно оперативно реализовали и запустили продукт. Спасибо команде!
Н
Обращались в YAVVI за доработками нашего сайта pakpakych.ru. Стек у нас не самый простой: Django, GarpixCMS и React SPA. До этого несколько подрядчиков ограничивались общими рекомендациями «в вакууме».
Ребята зашли иначе: сначала провели полноценный технический аудит, разобрали каждый из 26 пунктов нашего ТЗ и по каждому написали, что уже реализовано, чего нет и почему. Отдельно ценно, что не стали продавать нам лишние работы, а честно указали, где функционал в проекте уже есть и где два пункта дублируют друг друга. По ходу аудита нашли критичную проблему, о которой мы не подозревали, и одна эта находка окупила всю работу.
По каждой задаче была вилка часов и тип работ, никаких «примерно месяц», всё проверялось руками и подтверждалось инструментами. Каждая доработка выведена в админку, это принципиально: мы получили не разовый результат, а инструмент, плюс обучение нашей команды. Рекомендую тем, у кого нетиповой стек и нужен подрядчик, который сначала разберётся, а потом делает. Продолжаем сотрудничество.
Обсудим вашузадачу
Вам необязательно иметь чёткую задачу. Оставьте контакты, и мы разберём ваши текущие бизнес-процессы и честно покажем, где внедрение технологий даст реальный финансовый результат.