Инженерный подход к MLOps: как принципы расчётной механики ложатся в архитектуру AutoML

В сфере искусственного интеллекта произошло заметное событие. justsuvorov 13 минут назад Инженерный подход к MLOps: как принципы расчётной механики ложатся в архитектуру AutoML Средний 7 мин 293 Python * Машинное обучение * Open source * Мнение Привет! Меня зовут Владимир Суворов, я Senior Data Scientist в Страховом Доме ВСК и core-разработчик нашей библиотеки машинного обучения OutBoxML. Ссылки на проект на GitHub и в Telegram.

О том, как мы проектируем такие системы, какие инженерные принципы используем и как соединяем физику моделирования с ML-подходом, я регулярно рассказываю в своём Telegram-канале. В предыдущих статьях мы разобрали AutoML на задаче о Титанике и показали систему мониторинга моделей. Это были туториалы по компонентам OutBoxML.

Технические детали

Сегодня я хочу подняться на уровень выше и поговорить о принципах, на которых эти компоненты и вся система держатся. Откуда я смотрю на MLOpsОдин из самых памятных проектов в инженерке. Расчёты прочности при транспортировке АПЛ К-3 "Комсомолец" в музей КронштадтаДо осени 2022 года я работал инженером-расчётчиком в судостроении.

Конструктор приносил 3D-модель судового крана, я прикладывал нагрузки, моделировал качку, искал слабые места и автоматизировал расчёты. Моя кандидатская — про оптимальное проектирование крана из карбона. В 2022-м, когда производители ПО и ключевые эксперты ушли из России, я сел оценивать свои компетенции.

И обнаружил, что то, чем я занимался, называется Data-Driven Modeling and Simulations. По сути — тот же Data Science, только в технике. Не хватало только Python и навыков визуализации данных.

Отраслевые последствия

Я ими занялся и переехал в страхование. С тех пор я программирую на Python уже дольше, чем считал прочность в ANSYS. Но один важный навык я принёс с собой и до сих пор считаю его главным: умение представлять любой процесс как систему уравнений, вводить допущения для декомпозиции задачи и находить основные слагаемые, приводящие к результату.

Покажу на одном примере, почему это работает. Кран против КаскоБерём расчёт прочности судового крана и модель цены страховки Каско. ЭтапКранКаскоЧто считаемТочку максимального напряжения.

Если выше предела прочности — бедаПотенциальный убыток. Если матожидание выше цены полиса — бедаВходные данные3D-модель: массив точек (x, y, z) со свойствами материала и связямиТаблица: возраст, стаж, мощность, регион — те же признаки в многомерном пространствеПодготовкаЧистим геометрию: убираем болты, фланцы, упрощаем формыЧистим данные: пропуски, выбросы, объединяем «Toyota» и «Тойота»Модельy = K · x, где K — матрица жёсткостиy = K · x, где K — коэффициенты GLMОценкаКоэффициент запаса: 240 МПа при пределе прочности 242 МПа — формально цел, но рискованноLoss Ratio: прогноз равен цене — формально работает, актуарий поднимет тарифДля математики нет разницы, что является координатой — положение узла металлоконструкции в пространстве или возраст водителя в пространстве признаков. Различаются инструменты, но не подходы.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.