Модели машинного обучения в Банке Уралсиб

Данный подход заложил основу для управления полным жизненным циклом ML-моделей, что открывает возможности для применения передовых инструментов разработки и эксплуатации ML-решений.

Его техническая реализация включает кластер для управления вычислительными ресурсами и веб-среду для разработки ML-моделей и экспериментов. Для автоматизации внедрения моделей машинного обучения используется комплексная система GitLab CI/CD, позволяющая выстроить единый алгоритм вывода модели от стадии разработки до практического применения.

В рамках проекта было проведено исследование, и на основе полученных данных удалось сформировать оптимальное для банка предложение по архитектуре для решения задач MLOps.

— Мы рассматриваем информационные технологии как базис для развития бизнеса и идем по пути активного внедрения современных решений, — отметил Дмитрий Федоров, директор по развитию платформ бизнес-аналитики и машинного обучения Банка Уралсиб. -  А если готовых решений не существует, их необходимо разработать своими силами. Мы рады, что удалось реализовать проект совместно с компанией GlowByte, команда MLOps-специалистов которой не только обладает мощной экспертизой в MLOps-процессах, но и готова поучаствовать в исследованиях новых компонентов и предложить современные решения.

В дальнейшем Уралсиб планирует расширить архитектуру MLOps-инфраструктуры за счет новых компонентов, а также оптимизировать работу профильных подразделений с помощью стандартизации подходов разработки.

ML (MACHINE LEARNING) — МАШИННОЕ ОБУЧЕНИЕ.
MLOPS (MACHINE LEARNING OPERATIONS) — СПЕЦИАЛЬНЫЕ ПРАКТИКИ ДЛЯ УПРАВЛЕНИЯ ЖИЗНЕННЫМ ЦИКЛОМ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ