Чем для тестировщика ML-проект отличается от любого другого? Как тестировать то, что не поддаётся классическому представлению ожидаемый / фактический результат? Что именно из себя представляет грамотное разделение зон ответственности или, другими словами, как тестировщику не скатиться в Data Science? 

Данный доклад посвящен этим и многим другим вопросам. Через призму практического опыта десятка machine learning проектов автор анализирует проблемы, с которыми ему пришлось столкнуться на этапах формирования подхода к тестированию.