Этот проект демонстрирует сдвиг парадигмы от Model-Centric AI (обучение моделей) к System-Centric AI (интеграция и оценка готовых модулей). Это базовый шаблон для современного AI-инженера.
| Характеристика | Data Scientist (Традиционный) | AI Engineer (Современный) |
|---|---|---|
| Фокус | Обучение модели (model.fit()) |
Архитектура системы и промпты |
| Инструменты | PyTorch, Scikit-learn, CUDA | LLMs, Vector DBs, Orchestration |
| Задача | Минимизация Loss-функции | Решение бизнес-задачи модулями |
| Качество | Валидация на тренировочных сетах | Evaluations (Evals) в реальном времени |
- Engine: Hugging Face Transformers (DistilBERT для анализа тональности).
- Observability: MLflow для трассировки и логирования оценок (Evals).
- Testing:
pytestдля гарантии работоспособности связок модулей.
app.py: Инкапсуляция готового модуля. Мы не обучаем его, а управляем его входами и выходами.evaluator.py: Сердце MLOps-процесса. Скрипт прогоняет "золотой набор" данных через систему и фиксирует метрики качества (accuracy, F1) в MLflow.tests/: Автоматические проверки интеграции.
-
Установка зависимостей:
pip install -r requirements.txt
-
Запуск системы оценки (Evals): Прогоните готовый модуль через набор тестов и запишите результат в базу знаний:
python evaluator.py
-
Интерактивный режим (Чат с Моделью): Запустите основной файл приложения для проверки произвольных фраз:
python app.py
Все введённые вами фразы и оценки ИИ будут автоматически записаны в базу MLflow в эксперимент
AI_System_Interactive_Sessions. -
Анализ результатов: Запустите дашборд MLflow, чтобы сравнить текущую версию системы с предыдущими:
mlflow ui --backend-store-uri ./mlruns