Привет! Меня зовут Константин Полуэктов, я solution architect в Yandex Cloud и технический эксперт в онлайн-магистратуре от Яндекса и ИТМО «DevOps-инженер облачных сервисов». В этой статье я расскажу о сфере DevOps: что изменилось за последние годы и чего ждать в будущем.
Рубрика «mlops» - 3
DevOps в 2025 году: отдельные дисциплины, машинное обучение и прогноз на будущее
2025-07-03 в 13:01, admin, рубрики: AI, dataops, devops, DevSecOps, llm, mlopsКак построить безопасный MLOps-pipeline: Tier-уровни зрелости, принципы и реальные инструменты
2025-06-26 в 9:12, admin, рубрики: AI safety, AI Security, DevSecOps, Kubernetes ML, mlops, mlsecops, безопасная разработка ML, жизненный цикл ML моделиМодели машинного обучения (ML) становятся ключевой частью современных продуктов и сервисов, и вопросы их безопасной разработки выходят на первый план. Однако на практике у многих команд нет понимания, как именно выстраивать защиту — на каких этапах, с помощью каких инструментов и против каких угроз.
Меня зовут Александр Серов, я ведущий специалист по безопасности больших языковых моделей в Swordfish Security. В этой статье я покажу, как подходить к безопасности ML-систем системно — через уровни зрелости, жизненный цикл моделей и реальные практики.
Как мы создали систему раннего предупреждения импульсивных торговых решений: опыт отдела Rapid и Лаборатории инноваций
2025-06-24 в 9:01, admin, рубрики: ml, mlops, биржа, инвестиции, иновации, трейдингЧто такое «импульсивные торговые решения» и как от них защититься: разработка системы раннего предупреждения трейдеров
Современный трейдинг предоставляет широкие возможности для
инвестирования и спекуляций на финансовых рынках. Однако, как и в любой
деятельности, связанной с риском и принятием решений, важно развивать
здоровые торговые привычки, которые способствуют долгосрочному успеху.
В нашем отделе Rapid при поддержке Лаборатории инноваций мы задались
вопросом: можно ли с помощью машинного обучения выявлять признаки
импульсивных торговых решений у трейдеров и предоставлять им
Читать полностью »
Теневая сторона AutoML: когда no-code инструменты вредят больше, чем помогают
2025-05-21 в 14:44, admin, рубрики: data science, mlops, Автоматизация ML, Версионирование данных, машинное обучениеАбстракция — не новинка в мире разработки, но в машинном обучении абстракция без контроля превращает автоматизацию в архитектурный риск.
AutoML для многих организаций стал входной точкой в машинное обучение. Он обещает именно то, что хотят услышать команды, находящиеся под давлением: вы приносите данные, а мы займёмся моделированием. Не нужно управлять пайплайнами, настраивать гиперпараметры или изучать scikit‑learn и TensorFlow — просто кликай, перетаскивай и развёртывай.
На первых порах — сплошной восторг.
Как не переплатить за автоматизацию? Разбираем, когда стоит подключать ML
2025-05-19 в 12:24, admin, рубрики: ml, mlops, RPA, selectel, интервью
Часто автоматизация средствами ML ассоциируется с быстрым ростом эффективности бизнеса, но на практике оборачивается молниеносным увеличением затрат. Поэтому подход «Если делаешь что-то больше одного раза, автоматизируй это» выглядит слишком радикальным.
Как понять, действительно ли вам нужны ML-технологии или же ваши задачи можно закрыть простыми скриптами и правилами? Чтобы разобраться в этом вопросе, мы в Selectel исследовали успешные кейсы автоматизации в финансовом секторе, телекоме и IT-инфраструктуре, опираясь на экспертизу специалистов из T-Банк, PIX Robotics и Netcracker. Подробности под катом!Читать полностью »
MLечный путь 2025 — знания, опыт, коммьюнити. Как это было?
2025-05-14 в 8:23, admin, рубрики: ml, mlops, selectel, конференции, машинное обучение
Привет! 23 апреля мы провели в Петербурге митап для ML-специалистов. Спикеры обсудили запуск LLM в продакшен, оптимизацию GPU-инференса, а также Edge-решения для медицины и агросектора. Минимум теории — больше кейсов от Selectel, Cloud.ru, Celsus и Русагро.
Как подобрать инфраструктуру под LLM? Как контейнеризировать GPU в многоарендных средах? Как запускать ML на комбайне или медицинском поезде без интернета? На эти вопросы ответили в четырех докладах на MLлечном пути.
А еще мы организовали питч-сессию для стартапов. Пять проектов на стадии pre-MVP боролись за призовой фонд в 100 000 бонусов. Победителей выбирали сами зрители. В тексте рассказываем, как все было.Читать полностью »
Выбираем MLOps инструменты с учётом зрелости команды
2025-05-10 в 13:29, admin, рубрики: ai infrastructure, machine learning, ml stack, mlops, opensourceMLOps — это набор практик и процессов для управления жизненным циклом ML-моделей: от обучения до продакшна и поддержки. Если копнуть глубже, окажется, что решений куча и выбор неочевиден.
Разберем, почему не всё так просто и как принимать решения о внедрении MLOps инструментов.
MLOps: почему столько инструментов?
В MLOps включают всё, от трекинга экспериментов до CI/CD и инференса. Инструменты множатся и умирают, путаницы становится только больше.
Отмечу несколько особенностей:
-
Основной стек сегодня — kubernetes-центричен. Потому многие начинают с kubeflow для обучения и Читать полностью »
MLflow для исследований: как систематизировать ML-эксперименты
2025-04-30 в 13:38, admin, рубрики: mlflow, mlops, искусственный интеллект, логирование, машинное обучение, трекинг, экспериментыВведение
Когда речь заходит о таких инструментах, как Airflow, MLflow или Docker, многие сразу представляют себе продакшен-среду, и новичков это может пугать. Однако на самом деле эти инструменты полезны не только в проде или крупных компаниях.
Сегодня я хочу рассказать об MLflow. Эта статья рассчитана на тех, кто только начинает свой путь в машинном обучении и обладает базовыми знаниями, а также на практикующих ученых в области ИИ, которые пока не знакомы с этим инструментом или сознательно им не пользуются.
Как мы в Авито предсказываем категории объявлений по описанию
2025-04-25 в 9:30, admin, рубрики: AutoML, labeling, machinelearning, ml, mlops, nlpПривет! Меня зовут Руслан Гилязев, я работаю в подразделении DS SWAT в Авито, руковожу командой платформы Item2param. Одна из моих задач — развивать модели, которые предсказывают параметры объявлений. В этой статье расскажу, с помощью каких технологий мы решаем задачу классификации объявлений и почему это важно для бизнеса. Материал будет полезен DS-инженерам любого грейда и backend-инженерам, которые интересуются темой Data Science.
Nvidia Triton Inference Server: строим production ML без разработчиков
2024-12-16 в 8:07, admin, рубрики: data engineering, inference, ml-платформа, mlops, selectel, облачные сервисы, платформы
Привет! Меня зовут Антон, я DevOps-инженер в команде Data/ML-продуктов Selectel. В этой статье расскажу про наш новый продукт — Inference-платформу Selectel, а также вызовы, с которыми мы столкнулись при ее разработке без разработчиков.
Почему без разработчиков? Рынок ML все еще молодой. В его российском сегменте не так много решений, связанных с Inference‑платформами. Перед началом создания полноценного продукта наша команда сначала проверяет технологические гипотезы, не растрачивая существенные ресурсы на разработку. Все делается силами небольшой команды Ops‑инженеров. Мы используем сервисы с открытым исходным кодом на базе инфраструктуры облака Selectel — тем самым достаточно быстро и недорого тестируем предположения, а в случае успеха легко масштабируем до готового продукта. Дальнейшее развитие уже определяется обратной связью от наших клиентов.Читать полностью »