«Диасофт» представил решение для автоматизации жизненного цикла ML-моделей

Компания «Диасофт» вывела на рынок продукт «Управление жизненным циклом машинного обучения», который вошел в состав платформы «Фабрика данных» (Digital Q.DataFactory). Решение предназначено для комплексного управления ML-моделями на всех этапах их жизненного цикла — от проведения экспериментов и управления версиями до промышленного развертывания, мониторинга и сопровождения.

В финансовой и промышленной сферах технологии машинного обучения все активнее применяются для оптимизации бизнес-процессов и разработки цифровых сервисов. При этом масштабирование ML-проектов нередко осложняется отсутствием единых подходов к управлению экспериментами, трудностями с воспроизводимостью результатов, повышенными операционными рисками и значительными затратами на внедрение моделей в промышленную эксплуатацию.

Новый продукт «Диасофт» призван решить эти задачи за счет централизованного управления всеми этапами работы с ML-моделями в единой технологической среде.

Функциональные возможности решения включают централизованное управление экспериментами с сохранением параметров, метрик, исходного кода и артефактов, ведение реестра моделей с поддержкой версионирования, автоматизацию развертывания в локальной инфраструктуре, облачных и on-premise-средах, а также мониторинг работы моделей, логирование предсказаний и контроль дрейфа данных. Кроме того, продукт интегрируется с популярными ML-фреймворками, включая PyTorch, TensorFlow и Scikit-learn, поддерживает контейнеризированные проекты и предоставляет бизнес-пользователям доступ к прогнозным моделям через чат-бот без необходимости взаимодействия с API или программным кодом.

По информации компании, решение обеспечивает сквозную автоматизацию процессов, объединяя в едином контуре как эксперименты, так и модели, работающие в промышленной среде. Такой подход позволяет отказаться от использования разрозненных инструментов, снизить зависимость от зарубежных лицензий, выполнить требования информационной безопасности и сократить операционные затраты на внедрение технологий машинного обучения.

В основе продукта лежит использование Kubeflow Pipelines (KFP), обеспечивающего автоматизацию полного цикла работы с ML-моделями — от подготовки данных и обучения до развертывания в Kubernetes. Для промышленного инференса применяется KServe, который автоматически публикует модели из реестра в виде масштабируемых REST-сервисов с поддержкой GPU, canary- и blue-green-развертываний, а также механизмов автоматического восстановления после сбоев. В состав решения также входят хранилище признаков (Feature Store) на базе Valkey и Apache Iceberg, единая система аутентификации через Digital Q.Security (SSO/OIDC) и Trainer Operator для запуска и управления распределенным обучением моделей в Kubernetes-кластере.

Компания позиционирует продукт как отечественную альтернативу MLflow и другим зарубежным платформам управления жизненным циклом моделей машинного обучения. Решение подходит как для разработки новых ML-сервисов, так и для централизованного управления существующей инфраструктурой ML-моделей в крупных организациях.