MLOps для малого бізнесу: мінімально необхідний стек

## Чому малому бізнесу теж потрібен MLOps Коли говорять про MLOps, часто мають на увазі складні платформи великих корпорацій: Kubernetes-кластери, Kubeflow, власні хмарні інфраструктури за десятки тисяч доларів на місяць. Це відлякує малий бізнес, який думає: "MLOps — це не для нас". Насправді MLOps — це не конкретний набір технологій, а набір практик. І навіть проста ML-система, що обслуговує 100 запитів на день, потребує базового MLOps: версіонування моделей, моніторингу якості та процесу оновлення без ручного втручання. Без цього модель деградує, і ви дізнаєтесь про це від клієнтів, а не від системи моніторингу. Ось мінімальний стек, який вирішує 80% проблем при 20% витрат. ## Компонент 1: Версіонування коду і даних Код: звичайний Git (GitHub або GitLab). Без варіантів — весь ML-код повинен бути у репозиторії з чіткими комітами та гілками для різних версій моделей. Дані та моделі: DVC (Data Version Control). Безкоштовний інструмент, який додає до Git можливість версіонувати великі файли (датасети, ваги моделей), зберігаючи їх у хмарному сховищі (S3, Google Drive, Azure Blob) а в репозиторії — лише метадані. Навіщо: через місяць ви повинні мати можливість відтворити будь-яку версію моделі з тими самими даними та кодом. Без DVC це стає квестом. ## Компонент 2: Трекінг експериментів MLflow Tracking — безкоштовний, відкритий, простий у встановленні. Запускається як локальний сервер або на хмарній VM за кілька хвилин. Що логувати при кожному навчанні: гіперпараметри (learning rate, batch size, архітектура), метрики (accuracy, F1, RMSE), артефакти (фінальні ваги, confusion matrix, криві навчання), версію датасету через DVC-тег. Навіщо: через тиждень ви не пам'ятатимете, чому конкретна версія моделі давала кращий результат. MLflow вам нагадає. ## Компонент 3: Контейнеризація Docker — обов'язковий елемент навіть для малого бізнесу. Кожна модель упаковується у Docker-образ з усіма залежностями. Це гарантує, що модель, яка працює локально, буде так само поводитись на сервері. Простий Dockerfile для ML-моделі: базовий образ Python, встановлення залежностей через requirements.txt, копіювання коду та артефактів моделі, запуск FastAPI або Flask сервера. Розмір образу намагайтесь тримати до 2 GB — використовуйте мінімальні базові образи (python:3.11-slim замість повного ubuntu) та multi-stage build для виключення dev-залежностей. ## Компонент 4: CI/CD пайплайн GitHub Actions (безкоштовно до 2000 хвилин на місяць) достатньо для малого бізнесу. Базовий пайплайн ML-проєкту включає чотири стадії. Стадія 1 — тести: юніт-тести preprocessing-функцій, тест завантаження моделі та базового inference, перевірка схеми вхідних даних. Стадія 2 — навчання (при оновленні даних): запуск навчального скрипту, логування в MLflow, порівняння з попередньою версією. Стадія 3 — валідація: перевірка метрик на тест-сеті, блокування деплою якщо метрики гірші за поточну версію. Стадія 4 — деплой: збірка Docker-образу, пуш у реєстр, оновлення production-сервера (zero-downtime через rolling update). ## Компонент 5: Моніторинг Для малого бізнесу достатньо трьох рівнів моніторингу. Інфраструктурний: Uptime Robot (безкоштовно) — пінгує ваш API кожні 5 хвилин і надсилає email якщо він недоступний. Prometheus + Grafana для метрик latency та помилок. Якість моделі: логування всіх вхідних запитів та відповідей у базу даних. Щотижневий скрипт, що рахує розподіл вхідних даних та порівнює з навчальним датасетом. Алерт у Telegram або Slack при значному відхиленні. Бізнес-метрики: якщо модель впливає на конверсію або інший бізнес-показник — відстежуйте його динаміку в розрізі "до/після" оновлень моделі. ## Компонент 6: Хмарна інфраструктура Для малого бізнесу не потрібний власний кластер. Достатньо однієї хмарної VM (2-4 CPU, 8-16 GB RAM): Hetzner Cloud, DigitalOcean або AWS EC2 обійдуться у 20-80 USD на місяць залежно від конфігурації. На цій VM запускається: Docker з вашим ML-API, MLflow сервер для перегляду експериментів, проста БД (PostgreSQL або SQLite) для логів, Nginx як reverse proxy з SSL. ## Висновок: починайте з мінімуму Мінімальний MLOps-стек для малого бізнесу: Git + DVC, MLflow Tracking, Docker, GitHub Actions, проста VM у хмарі. Це вся інфраструктура, яка дозволить вам надійно деплоїти ML-моделі, відтворювати експерименти та не прокидатись о третій ночі через несподівані збої. Масштабуватись на Kubernetes та власні платформи можна пізніше — коли бізнес виросте і потреба буде реальною.