Media is too big
VIEW IN TELEGRAM
HuggingFace релизнули Gradio 5
Hugging Face выпустила Gradio 5 - обновленную среду для создания и запуска ИИ-приложений.
Ключевые нововведения:
• AI Playground: генерация приложений с помощью естественно-языковых запросов с AI HF.
• Потоковая передача данных с низкой задержкой.
• Улучшенная интеграция с веб-разработкой и хабом моделей Hugging Face.
• Повышенная безопасность корпоративного уровня.
• Новые темы оформления и обновленный дизайн компонентов.
• Готовые примеры для популярных сценариев использования.
В планах: поддержка мобильных устройств, многостраничные приложения и новые типы медиа.
HF превращается не просто в хостинг платформу с хранилкой моделй, а реально в ИИ-хаб.
#HuggingFace #Gradio #MLOps
-------
@tsingular
Hugging Face выпустила Gradio 5 - обновленную среду для создания и запуска ИИ-приложений.
Ключевые нововведения:
• AI Playground: генерация приложений с помощью естественно-языковых запросов с AI HF.
• Потоковая передача данных с низкой задержкой.
• Улучшенная интеграция с веб-разработкой и хабом моделей Hugging Face.
• Повышенная безопасность корпоративного уровня.
• Новые темы оформления и обновленный дизайн компонентов.
• Готовые примеры для популярных сценариев использования.
В планах: поддержка мобильных устройств, многостраничные приложения и новые типы медиа.
HF превращается не просто в хостинг платформу с хранилкой моделй, а реально в ИИ-хаб.
#HuggingFace #Gradio #MLOps
-------
@tsingular
Новые фреймворки объединяют лучшие практики MLOps и LLMOps
Разработчики представили два взаимодополняющих фреймворка для оптимизации ML/LLM проектов.
Ключевые компоненты включают RAG-систему с синтетическими данными, MLflow для логирования, Guardrails для защиты данных.
FastAPI обеспечивает развертывание, а Poetry управляет зависимостями.
Архитектура основана на SOLID-принципах с DAG-ориентированными пайплайнами.
Реализована интеграция с AWS Fargate, поддержка контейнеров и YAML-конфигурации.
Проекты предоставляют готовую инфраструктуру для быстрого старта промышленных ML/LLM решений.
Теперь ML-инженерам не придется изобретать велосипед - все основные компоненты уже собраны в одном месте 🚲
https://github.com/callmesora/llmops-python-package
https://github.com/fmind/mlops-python-package
#MLOps #Python #RAG
-------
@tsingular
Разработчики представили два взаимодополняющих фреймворка для оптимизации ML/LLM проектов.
Ключевые компоненты включают RAG-систему с синтетическими данными, MLflow для логирования, Guardrails для защиты данных.
FastAPI обеспечивает развертывание, а Poetry управляет зависимостями.
Архитектура основана на SOLID-принципах с DAG-ориентированными пайплайнами.
Реализована интеграция с AWS Fargate, поддержка контейнеров и YAML-конфигурации.
Проекты предоставляют готовую инфраструктуру для быстрого старта промышленных ML/LLM решений.
Теперь ML-инженерам не придется изобретать велосипед - все основные компоненты уже собраны в одном месте 🚲
https://github.com/callmesora/llmops-python-package
https://github.com/fmind/mlops-python-package
#MLOps #Python #RAG
-------
@tsingular
👍5⚡2✍2
AIDE: Дерево решений для автоматизации ML-инженерии
Интересная разработка от Weco AI - представили tree-search систему на базе LLM, которая:
- Представляет процесс оптимизации как иерархическое дерево, где каждый узел - потенциальное решение
- Использует search policy для выбора веток для улучшения
- Применяет LLM как "оператор кода" для генерации новых итераций
- Избирательно суммирует важные детали вместо сохранения всей истории взаимодействий
Работает как ML-инженер, который систематически перебирает варианты оптимизации, но делает это очень эффективно, не тратя время на заведомо бесперспективные пути.
Результаты:
- В соревнованиях Kaggle обошел 51.38% участников-людей
- На MLE-Bench Lite в связке с o1-preview улучшил:
- Валидные решения: с 63.6% до 92.4% (почти +30%!!)
- "Золото": с 6.1% до 21.2% (В х3+ раза)
Потенциально это означает существенное сокращение времени и ресурсов на разработку ML-моделей.
Открывает возможности по дообучению моделей в реальном времени.
Грубо говоря главная модель может динамично обучать рой.
⚡️ Ключевое отличие от классического AutoML: AIDE работает с кодом напрямую, а не в предопределенном пространстве поиска. То есть может находить действительно нестандартные решения, как живой ML-инженер.
Правда, остаются вопросы по интерпретируемости решений и масштабируемости на сложные задачи. Но как инструмент автоматизации рутинной ML-разработки - может быть очень перспективно.
Paper
GitHub
#MLOps #AutoML
———
@tsingular
Интересная разработка от Weco AI - представили tree-search систему на базе LLM, которая:
- Представляет процесс оптимизации как иерархическое дерево, где каждый узел - потенциальное решение
- Использует search policy для выбора веток для улучшения
- Применяет LLM как "оператор кода" для генерации новых итераций
- Избирательно суммирует важные детали вместо сохранения всей истории взаимодействий
Работает как ML-инженер, который систематически перебирает варианты оптимизации, но делает это очень эффективно, не тратя время на заведомо бесперспективные пути.
Результаты:
- В соревнованиях Kaggle обошел 51.38% участников-людей
- На MLE-Bench Lite в связке с o1-preview улучшил:
- Валидные решения: с 63.6% до 92.4% (почти +30%!!)
- "Золото": с 6.1% до 21.2% (В х3+ раза)
Потенциально это означает существенное сокращение времени и ресурсов на разработку ML-моделей.
Открывает возможности по дообучению моделей в реальном времени.
Грубо говоря главная модель может динамично обучать рой.
⚡️ Ключевое отличие от классического AutoML: AIDE работает с кодом напрямую, а не в предопределенном пространстве поиска. То есть может находить действительно нестандартные решения, как живой ML-инженер.
Правда, остаются вопросы по интерпретируемости решений и масштабируемости на сложные задачи. Но как инструмент автоматизации рутинной ML-разработки - может быть очень перспективно.
Paper
GitHub
#MLOps #AutoML
———
@tsingular
✍4👍4❤1
Яндекс ищет куратора AI-навыков
Наверняка среди подписчиков есть такие, кому будет интересно:
Яндекс открыл вакансию куратора AI-навыков — человека, который будет развивать ИИ-способности продуктов компании.
В описании требований — умение общаться с нейросетями через промпты без хардкода, понимание ограничений ML-моделей и навыки оценки качества данных.
В команду продукта Яндекс Нейроэксперт ищут играющего тренера - для создания практики и масштабирования в команду.
Что вас ждёт:
— Работа на стыке бизнес-анализа, промт-инжиниринга и change management.
— Создание библиотеки готовых ИИ-навыков для HR, логистики, маркетинга и других направлений.
— Полный цикл: от анализа процессов у клиента до внедрения работающего прототипа.
Ищут того, кто:
✔ Умеет «разговаривать» с нейросетями (YandexGPT, ChatGPT и др.) и знает их ограничения.
✔ Понимает, как внедрять SaaS-решения в бизнес и визуализировать их для нетехнических заказчиков.
✔ Готов вести проекты от идеи до метрик эффективности.
У вас есть шанс сформировать ИИ будущее экосистемы!
#Yandex #MLOps #job
------
@tsingular
Наверняка среди подписчиков есть такие, кому будет интересно:
Яндекс открыл вакансию куратора AI-навыков — человека, который будет развивать ИИ-способности продуктов компании.
В описании требований — умение общаться с нейросетями через промпты без хардкода, понимание ограничений ML-моделей и навыки оценки качества данных.
В команду продукта Яндекс Нейроэксперт ищут играющего тренера - для создания практики и масштабирования в команду.
Что вас ждёт:
— Работа на стыке бизнес-анализа, промт-инжиниринга и change management.
— Создание библиотеки готовых ИИ-навыков для HR, логистики, маркетинга и других направлений.
— Полный цикл: от анализа процессов у клиента до внедрения работающего прототипа.
Ищут того, кто:
✔ Умеет «разговаривать» с нейросетями (YandexGPT, ChatGPT и др.) и знает их ограничения.
✔ Понимает, как внедрять SaaS-решения в бизнес и визуализировать их для нетехнических заказчиков.
✔ Готов вести проекты от идеи до метрик эффективности.
У вас есть шанс сформировать ИИ будущее экосистемы!
#Yandex #MLOps #job
------
@tsingular
👍6🔥4⚡2
MLflow 3.9.0: среда тестирования моделей, промптов и агентов
Вдруг обнаружил, что до сих пор не рассказывал про MLflow. А зря, - он давно перестал быть просто «инструментом для оценки LLM» и превратился в критически важную часть инфраструктуры для тех, кто строит агентские системы.
С выходом версии 3.9.0 MLflow замахнулся на поляну операционной среды для эры агентов.
⚙️ Что изменилось и почему это важно для бизнеса:
1. Deep Agent Tracing (Трассировка). Главная проблема агентов — их непредсказуемость. MLflow теперь позволяет пошагово «размотать» цепочку рассуждений (Reasoning). Если агент решил подделать логи или обойти правила безопасности (как в недавних скандальных бенчмарках), вы увидите это в деталях. Без такой наблюдаемости (Observability) выпускать агентов в продакшн, - наивно.
2. Промпты как код. В новой версии управление промптами встроено в жизненный цикл разработки. Это позволяет версионировать их, тестировать и контролировать так же жестко, как код. Это база для корпоративного контроля.
3. Автоматизация оценки (Eval 2.0). Мы уходим от субъективного «вроде отвечает нормально» к автоматическим метрикам на галлюцинации, точность и безопасность прямо внутри пайплайна.
🚀 Стратегический итог:
Эра «дикого ИИ» на коленке заканчивается. Если вы строите архитектуру на базе автономных агентов (особенно с использованием протоколов типа MCP), вам нужен инструмент аудита и мониторинга.
DSники знают про него давно именно со стороны скоринга нейронок, а вот промпты, агентов, рассуждения и пайплайны в него добавили сравнительно недавно.
Лайфхак, - если не хотите поднимать сами, - поручите агенту.
Он сам поднимет и подключится.
Качать тут: MLFlow
#MLflow #MLOps
------
@tsingular
Вдруг обнаружил, что до сих пор не рассказывал про MLflow. А зря, - он давно перестал быть просто «инструментом для оценки LLM» и превратился в критически важную часть инфраструктуры для тех, кто строит агентские системы.
С выходом версии 3.9.0 MLflow замахнулся на поляну операционной среды для эры агентов.
⚙️ Что изменилось и почему это важно для бизнеса:
1. Deep Agent Tracing (Трассировка). Главная проблема агентов — их непредсказуемость. MLflow теперь позволяет пошагово «размотать» цепочку рассуждений (Reasoning). Если агент решил подделать логи или обойти правила безопасности (как в недавних скандальных бенчмарках), вы увидите это в деталях. Без такой наблюдаемости (Observability) выпускать агентов в продакшн, - наивно.
2. Промпты как код. В новой версии управление промптами встроено в жизненный цикл разработки. Это позволяет версионировать их, тестировать и контролировать так же жестко, как код. Это база для корпоративного контроля.
3. Автоматизация оценки (Eval 2.0). Мы уходим от субъективного «вроде отвечает нормально» к автоматическим метрикам на галлюцинации, точность и безопасность прямо внутри пайплайна.
🚀 Стратегический итог:
Эра «дикого ИИ» на коленке заканчивается. Если вы строите архитектуру на базе автономных агентов (особенно с использованием протоколов типа MCP), вам нужен инструмент аудита и мониторинга.
DSники знают про него давно именно со стороны скоринга нейронок, а вот промпты, агентов, рассуждения и пайплайны в него добавили сравнительно недавно.
Лайфхак, - если не хотите поднимать сами, - поручите агенту.
Он сам поднимет и подключится.
Качать тут: MLFlow
#MLflow #MLOps
------
@tsingular
🔥10✍8⚡3👍2❤1
Минутка анонсов.
4️⃣ марта планирую быть на конференции «Цифровая инфраструктура — 2026» в качестве участника дискуссии.
Место проведения:
Звезды Арбата
Москва, Новый Арбат, 32
📣 Поговорим про инфраструктуру для AI, про AI-агентов и как не сломать всё и сразу 😉
👉 Программа и регистрация: https://www.osp.ru/lp/infrastructure2026
Почему это может быть интересно:
☝️труднее всего «лечатся» ошибки, сделанные на этапе проектирования.
Это на 💯 относится к инфраструктурным ошибкам (GPU-контур, данные, доступы, наблюдаемость, стоимость) — такие промахи лечатся кварталами❗️
На конфе будут обсуждаться темы, которые как раз эти проблемы помогут закрыть:
🔹 Инфраструктура для AI: модели предоставления (on-prem / облако / гибрид) — где прячутся подводные камни и где скрываются реальные затраты
🔹 HPC как сервис: ускоряем R&D без «очередей на GPU» и танцев с бубнами вокруг ресурсов
🔹 10 угроз для корпоративных AI-агентов — от утечек и лишних прав до опасных инструментов, и как их минимизировать эффективно
🔹 AI для мониторинга и управления инфраструктурой: больше видим, меньше ошибаемся
Полезные ссылки:
💪 лучшая цена: https://www.osp.ru/static/2025070907
✍️ чат конференции: https://t.me/infrastr20xx
#AI #конференции #MLOps #инфраструктура #HPC #безопасность #observability #OSP
———
@tsingular
4️⃣ марта планирую быть на конференции «Цифровая инфраструктура — 2026» в качестве участника дискуссии.
Место проведения:
Звезды Арбата
Москва, Новый Арбат, 32
📣 Поговорим про инфраструктуру для AI, про AI-агентов и как не сломать всё и сразу 😉
👉 Программа и регистрация: https://www.osp.ru/lp/infrastructure2026
Почему это может быть интересно:
☝️труднее всего «лечатся» ошибки, сделанные на этапе проектирования.
Это на 💯 относится к инфраструктурным ошибкам (GPU-контур, данные, доступы, наблюдаемость, стоимость) — такие промахи лечатся кварталами❗️
На конфе будут обсуждаться темы, которые как раз эти проблемы помогут закрыть:
🔹 Инфраструктура для AI: модели предоставления (on-prem / облако / гибрид) — где прячутся подводные камни и где скрываются реальные затраты
🔹 HPC как сервис: ускоряем R&D без «очередей на GPU» и танцев с бубнами вокруг ресурсов
🔹 10 угроз для корпоративных AI-агентов — от утечек и лишних прав до опасных инструментов, и как их минимизировать эффективно
🔹 AI для мониторинга и управления инфраструктурой: больше видим, меньше ошибаемся
Полезные ссылки:
💪 лучшая цена: https://www.osp.ru/static/2025070907
✍️ чат конференции: https://t.me/infrastr20xx
#AI #конференции #MLOps #инфраструктура #HPC #безопасность #observability #OSP
———
@tsingular
1🔥10❤3⚡3✍3👍2
MLflow 3.10.0: Мульти-воркспейсы и трекинг LLM-костов
MLflow продолжает укреплять позиции главного хаба для тех, кто строит LLM-системы в проде. В версии 3.10.0 акцент сделан на полноценный контроль бюджетов и мульти-агентских сессий.
⚡ Организации и мульти-воркспейсы:
Теперь трекинг-сервер поддерживает логическую изоляцию. Эксперименты, модели и промпты можно группировать по воркспейсам. Для кровавого энтерпрайза это киллер-фича: один сервер на всю компанию, но у каждой команды свой закрытый контур.
💰 LLM Trace Cost Tracking:
Скрытые расходы на токены теперь как на ладони. MLflow автоматически извлекает данные о модели из spans и считает стоимость вызовов прямо в UI трейсов.
🎯 Multi-turn Evaluation:
Оценка диалогов перешла на уровень сессий. Появилась симуляция разговоров — можно прогнать новую версию агента через «допрос» виртуальным пользователем, не тратя время на ручное тестирование (LLM-as-judge встроен).
📈 Бизнес-эффект:
Прозрачность и масштаб. Инструмент превращается из «блокнота дата-сайентиста» в финансовый и управленческий дашборд для CISO и CIO. Зная точную стоимость каждого запроса, проще обосновывать ROI и выбирать правильные модели.
Если кто еще не в курсе,- MLflow это такой автотюнер для ИИ экосистемы.
Раньше только для моделей было, а теперь там и промпты и агенты (т.е. можно навыки тюнить через него по метрикам) и ИИ как оценщик и даже свой роутер моделей встроенный с биллингом, т.е. LiteLLM, например , уже не нужен.
#MLflow #GenAI #FinOps #MLOps #LLM
------
@tsingular
MLflow продолжает укреплять позиции главного хаба для тех, кто строит LLM-системы в проде. В версии 3.10.0 акцент сделан на полноценный контроль бюджетов и мульти-агентских сессий.
⚡ Организации и мульти-воркспейсы:
Теперь трекинг-сервер поддерживает логическую изоляцию. Эксперименты, модели и промпты можно группировать по воркспейсам. Для кровавого энтерпрайза это киллер-фича: один сервер на всю компанию, но у каждой команды свой закрытый контур.
💰 LLM Trace Cost Tracking:
Скрытые расходы на токены теперь как на ладони. MLflow автоматически извлекает данные о модели из spans и считает стоимость вызовов прямо в UI трейсов.
🎯 Multi-turn Evaluation:
Оценка диалогов перешла на уровень сессий. Появилась симуляция разговоров — можно прогнать новую версию агента через «допрос» виртуальным пользователем, не тратя время на ручное тестирование (LLM-as-judge встроен).
📈 Бизнес-эффект:
Прозрачность и масштаб. Инструмент превращается из «блокнота дата-сайентиста» в финансовый и управленческий дашборд для CISO и CIO. Зная точную стоимость каждого запроса, проще обосновывать ROI и выбирать правильные модели.
Если кто еще не в курсе,- MLflow это такой автотюнер для ИИ экосистемы.
Раньше только для моделей было, а теперь там и промпты и агенты (т.е. можно навыки тюнить через него по метрикам) и ИИ как оценщик и даже свой роутер моделей встроенный с биллингом, т.е. LiteLLM, например , уже не нужен.
#MLflow #GenAI #FinOps #MLOps #LLM
------
@tsingular
✍6⚡5👍3🆒2❤1
Подготовил обзорную презентацию по VLLM Semantic Router
новая полезная штука, как аналог LiteLLM, которая позволяет не просто прокси для моделей поднять, но и по-умному маршрутизировать запросы между ними исходя из контекста задач.
Что в презентации:
Введение. Зачем отдельный слой маршрутизации, место роутера между AI-шлюзом и роутером инференса. Архитектура и путь запроса через «сигналы → проекции → решения → алгоритмы».
Быстрый старт. Установка и первый запрос, Dashboard, минимальный конфиг, протоколы клиентов и бэкендов, пять готовых рецептов MoM V1.
Сигналы. Все 24 детектора, оценка сложности запроса, три сигнала безопасности, что происходит, если детектор не ответил.
Проекции и решения. Сведение сигналов в балл и полосы, дерево правил, почему из нескольких совпавших правил побеждает одно.
Алгоритмы и обучение. Выбор одной модели из кандидатов, сценарии с несколькими моделями (каскад, панель с судьёй, многошаговый сценарий), Router Learning.
Плагины. Кэш и проблема отрицания («включи» и «выключи» выглядят для эмбеддингов одинаково), сжатие контекста, RAG, обкатка новой модели на живом трафике.
Модели роутера. Vela 1.0, Decision 2.0, на каком железе они работают.
Эксплуатация. Docker, Helm, Operator, шлюзы, стриминг тела запроса, хранилища, безопасность, наблюдаемость.
Отладка и оценка. Проверка маршрута без модели и настоящим запросом, сравнение смеси с лучшей одиночной моделью через sr-bench, симулятор GPU-флота.
Полная презентация в ИИзбранном
#VLLM #Semantic #Router #MLOps
———
@tsingular
новая полезная штука, как аналог LiteLLM, которая позволяет не просто прокси для моделей поднять, но и по-умному маршрутизировать запросы между ними исходя из контекста задач.
Что в презентации:
Введение. Зачем отдельный слой маршрутизации, место роутера между AI-шлюзом и роутером инференса. Архитектура и путь запроса через «сигналы → проекции → решения → алгоритмы».
Быстрый старт. Установка и первый запрос, Dashboard, минимальный конфиг, протоколы клиентов и бэкендов, пять готовых рецептов MoM V1.
Сигналы. Все 24 детектора, оценка сложности запроса, три сигнала безопасности, что происходит, если детектор не ответил.
Проекции и решения. Сведение сигналов в балл и полосы, дерево правил, почему из нескольких совпавших правил побеждает одно.
Алгоритмы и обучение. Выбор одной модели из кандидатов, сценарии с несколькими моделями (каскад, панель с судьёй, многошаговый сценарий), Router Learning.
Плагины. Кэш и проблема отрицания («включи» и «выключи» выглядят для эмбеддингов одинаково), сжатие контекста, RAG, обкатка новой модели на живом трафике.
Модели роутера. Vela 1.0, Decision 2.0, на каком железе они работают.
Эксплуатация. Docker, Helm, Operator, шлюзы, стриминг тела запроса, хранилища, безопасность, наблюдаемость.
Отладка и оценка. Проверка маршрута без модели и настоящим запросом, сравнение смеси с лучшей одиночной моделью через sr-bench, симулятор GPU-флота.
Полная презентация в ИИзбранном
#VLLM #Semantic #Router #MLOps
———
@tsingular
🔥6⚡4✍3❤2
MLflow 3.17: быстрые Jev-судьи, права на отдельные трейсы и аналитика без ожидания
7 октября вышел MLflow 3.17.0. Главная тема релиза: специализированные модели-судьи вместо больших LLM для частых проверок и управление доступом на уровне отдельных ресурсов.
🤖 Jev-судьи от TypeSafe: для проверок «да/нет» и конечных категорий теперь работает
⚙️ Трейсинг решений:
🔒 Права на подресурсы: RBAC теперь покрывает runs, traces, оценки, логированные модели, review queues и версии моделей, промптов, скореров и MCP-серверов. Появился явный DENY: ревьюер читает эксперимент, но трейсы к нему не видит. Wildcard-гранты ограничены доступом к родительскому контейнеру.
📊 Быстрые дашборды трейсов: опциональные ежедневные SQL-сводки (
⚠️ При апгрейде: SQL-серверам требуется
💼 Зачем бизнесу: оценка агентов на больших датасетах дорожает с каждым judge-вызовом, и перенос рутинных проверок «да/нет» на специализированные модели срезает счёт заметно. Права на уровне трейсов открывают MLflow командам, где внешним ревьюерам нельзя показывать данные пользователей. У меня MLflow крутится на домашнем сервере с ранами decision-lab: контейнер ждёт обновления, любопытно посмотреть на Jev в деле против gpt-судьи.
#MLflow #MLOps #оценка #трейсинг #агенты
———
@tsingular
7 октября вышел MLflow 3.17.0. Главная тема релиза: специализированные модели-судьи вместо больших LLM для частых проверок и управление доступом на уровне отдельных ресурсов.
🤖 Jev-судьи от TypeSafe: для проверок «да/нет» и конечных категорий теперь работает
model="typesafe:/jev-latest" прямо в mlflow.genai.evaluate(). Jev возвращает структурное решение, MLflow записывает его как оценку, а распределение вероятностей сохраняется в метаданных: близкие вердикты видно при разборе результатов. Через AI Gateway ключ лежит на сервере, работают бюджеты и фолбэк на OpenRouter при лимитах провайдера.⚙️ Трейсинг решений:
mlflow.typesafe.autolog() трейсит вызовы System One: состояние, вопрос, структурный ответ, латентность и токены. Каждое решение агента видно вместе с вероятностью, без копания в сыром ответе.🔒 Права на подресурсы: RBAC теперь покрывает runs, traces, оценки, логированные модели, review queues и версии моделей, промптов, скореров и MCP-серверов. Появился явный DENY: ревьюер читает эксперимент, но трейсы к нему не видит. Wildcard-гранты ограничены доступом к родительскому контейнеру.
📊 Быстрые дашборды трейсов: опциональные ежедневные SQL-сводки (
MLFLOW_SQL_TRACE_ROLLUPS_ENABLED=true) разгружают аналитику по счётчикам, латентности, токенам и стоимости. Свежие данные идут по сырым запросам, история берётся из сводок.⚠️ При апгрейде: SQL-серверам требуется
mlflow db upgrade с остановленными писателями и бэкапом. Смешанные версии в rolling-режиме не поддерживаются, читайте гайд по миграции.💼 Зачем бизнесу: оценка агентов на больших датасетах дорожает с каждым judge-вызовом, и перенос рутинных проверок «да/нет» на специализированные модели срезает счёт заметно. Права на уровне трейсов открывают MLflow командам, где внешним ревьюерам нельзя показывать данные пользователей. У меня MLflow крутится на домашнем сервере с ранами decision-lab: контейнер ждёт обновления, любопытно посмотреть на Jev в деле против gpt-судьи.
#MLflow #MLOps #оценка #трейсинг #агенты
———
@tsingular
✍4⚡2❤🔥1❤1🆒1