[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fSjy1nRjOZjWelZpphsDYvJ03NpHw4FJ8N7STJBx0Ul8":3},{"article":4,"related":20},{"title":5,"slug":6,"dek":7,"body":8,"cover":9,"type":10,"reading_minutes":11,"published_at":12,"category":13,"author":15},"Модель тихо деградирует в проде и никто этого не видит","drift-modeley-v-prode-monitoring","ML-инженер объясняет, почему рабочая модель молча теряет качество через полгода после запуска и какие сигналы ловить, чтобы не узнать об этом от разъярённого клиента.","**Что такое дрейф на пальцах?**\n\nМодель училась на данных за один период, а мир поехал дальше. Мы делали скоринг заявок, и после смены рекламных каналов к нам пошла совсем другая публика. Веса те же, а входные данные другие. Формально сервис работает, метрики API зелёные, а бизнес-качество тихо сползает вниз.\n\n**Как это обычно обнаруживают?**\n\nХуже всего, когда обнаруживает клиент. У нас так и вышло в первый раз: продажи заметили рост отказов раньше нас. Стыдно. После этого мы завели мониторинг не только доступности, но и распределений: следим, как меняются входные признаки и как плывёт разброс предсказаний.\n\n**Что конкретно вы мониторите?**\n\nТри слоя. Первый: живой ли сервис, латентность, ошибки. Второй: сдвиг распределений входа и выхода, тут помогает тест Колмогорова-Смирнова и индекс стабильности популяции. Третий, самый честный, отложенные метрики качества, когда приезжает реальный факт. Первые два кричат сразу, третий подтверждает через недели.\n\n**Как часто переобучаете?**\n\nНе по календарю, а по триггеру. Раньше был крон раз в месяц, и это глупость: то переучиваешь без нужды, то опаздываешь. Сейчас переобучение стартует, когда сдвиг признаков пробивает порог. Плюс обязательный теневой прогон новой модели рядом со старой, прежде чем пускать её на трафик.\n\n**Ложные тревоги не задалбывают команду?**\n\nЗадалбывали, пока пороги были тупые. Каждый мелкий сдвиг будил дежурного, тот привыкал их игнорить, и в итоге проспал настоящую поломку. Пришлось развести уровни: небольшой дрейф просто пишем в отчёт, а человека дёргаем, только когда сдвиг устойчивый и бьёт по важному признаку. Меньше шума, больше доверия к алертам.\n\n**Главная ошибка новичков в MLOps?**\n\nСчитать, что задеплоить это финиш. Деплой это старт. Модель в проде надо кормить, взвешивать и иногда усыплять. И ещё: держите версии данных, а не только версии кода. Когда качество упадёт, первый вопрос будет не «что в коде», а «на чём это вообще училось».","https:\u002F\u002Fasiclub.ru\u002Fimg\u002F0910142b-1793-4224-bc7a-0026cc423479","interview",3,"2026-07-03T08:47:12.000Z",{"name":14},"Интервью",{"name":16,"slug":17,"role":18,"bio":19},"Марина Лаврова","marina-lavrova","обозреватель","Пишет про экономику инференса, цены на модели и прикладные инструменты. Считает деньги там, где остальные считают параметры.",[21,27,33],{"title":22,"slug":23,"cover":24,"reading_minutes":11,"published_at":25,"category":26},"Почему векторный поиск в проде врёт и как мы это чинили","vektornyy-poisk-v-prode-rag","https:\u002F\u002Fasiclub.ru\u002Fimg\u002F6b3e55c9-44eb-46b3-988d-829f20b2416e","2026-07-05T08:47:12.000Z",{"name":14},{"title":28,"slug":29,"cover":30,"reading_minutes":11,"published_at":31,"category":32},"Как я ломаю чужих ИИ-ассистентов через обычный текст","prompt-injection-bezopasnost-llm","https:\u002F\u002Fasiclub.ru\u002Fimg\u002F32a225c7-9afe-4988-ba1d-fa3401567572","2026-07-04T08:47:12.000Z",{"name":14},{"title":34,"slug":35,"cover":36,"reading_minutes":11,"published_at":37,"category":38},"Мы выпилили половину ИИ-фич и продукт стал лучше","ai-fichi-v-produkte-metriki","https:\u002F\u002Fasiclub.ru\u002Fimg\u002F6f5af843-7c50-4770-9c7b-44a97916c4b6","2026-07-02T08:47:12.000Z",{"name":14}]