Тестирование ML-пайплайнов: как проверить качество данных и модели на всех этапах

ML-модели могут ошибаться — и это не всегда их вина. Данные деградируют, пайплайны ломаются, а бизнес теряет деньги. Как этого избежать? 

В этом докладе я расскажу, как тестировать ML-пайплайн на всех этапах: от подготовки данных до мониторинга работы модели в продакшене. 

Мы разберем ключевые методы проверки качества данных и инференса, data quality checks и контроль деградации моделей. 

Вы узнаете, как повысить стабильность ML-систем и сократить потери из-за ошибок в данных, а также откроете для себя новые горизонты в мире тестирования.

Всё — на основе реального опыта тестирования и лучших практик на рынке.