Российская ИТ-компания «Диасофт» анонсировала выход нового продукта — «Управление жизненным циклом машинного обучения», который интегрирован в платформу «Фабрика данных» (Digital Q.DataFactory). Решение охватывает все этапы работы с ML-моделями: от первичных экспериментов и контроля версий до промышленного развёртывания, наблюдения за работой и поддержки.

Зачем нужен новый продукт

Организации из финансовой и промышленной сфер всё шире применяют технологии машинного обучения, чтобы оптимизировать процессы и создавать цифровые сервисы. Однако при масштабировании ML-инициатив возникают серьёзные препятствия:

  • отсутствие единой методологии ведения экспериментов;
  • трудности с воспроизведением ранее полученных результатов;
  • высокие операционные риски при выводе моделей в продуктив;
  • значительные расходы на перевод моделей из теста в промышленную эксплуатацию.

Чтобы устранить эти барьеры, команда «Диасофт» создала продукт, который объединяет все этапы работы с ML в едином технологическом контуре заказчика.

Ключевые возможности

  • Единое управление экспериментами — сохраняются параметры, метрики, код и артефакты, что гарантирует полную воспроизводимость результатов.
  • Реестр моделей с версионированием — каждая модель получает разметку по стадиям жизненного цикла.
  • Автоматизация развёртывания — модели можно публиковать в локальной инфраструктуре, облаке или on-premise-контурах.
  • Мониторинг и контроль дрейфа — система логирует предсказания и отслеживает отклонения в данных, поддерживая стабильность работы.
  • Интеграция с популярными фреймворками — поддерживаются PyTorch, TensorFlow, Scikit-learn, а также контейнерные форматы проектов.
  • Доступ через чат-бот — бизнес-пользователи получают прогнозы без необходимости программировать или работать с API.

Технологическая основа

В основе продукта лежит Kubeflow Pipelines (KFP) для автоматизации пайплайнов — от подготовки данных до обучения и публикации в Kubernetes. Для промышленного инференса применяется KServe, который автоматически публикует модели из реестра как масштабируемые REST-сервисы с поддержкой GPU, canary- и blue-green-развёртываний и автоматического восстановления после сбоев.

Дополнительно в состав решения входят:

  • хранилище признаков (Feature Store) на базе Valkey и Apache Iceberg;
  • единая аутентификация через Digital Q.Security (SSO/OIDC);
  • Trainer Operator для запуска и управления распределённым обучением в кластере Kubernetes.

Отечественная альтернатива

Продукт позиционируется как замена зарубежным платформам вроде MLflow. По словам руководителя продукта «Фабрика данных» Ильи Шуйкова, главное преимущество — сквозная автоматизация в едином контуре и независимость от иностранных лицензий, что соответствует требованиям информационной безопасности и снижает операционные затраты.