Reliable ML

LLM Evaluation как задача Causal Inference #1 Первая заметка серии, посвященной современным методам оценки качества систем искусственного интеллекта. Когда мы создаем сложные системы на основе LLM, нам приходится принимать много решений - о данных, способах дообучения моделей, архитектурах, контексте, инструментах и проч. Измеряем качество работы нашего пайплайна и улучшаем его. В статье Causal Methods for LLM Development and Evaluation предлагается использовать Causal Inference для оценки влияния наших решений на качество системы. Утверждения вроде "семантический чанкинг улучшает качество ответов RAG" - причинно-следственные. Т.е. мы утверждаем, что: 1) есть улучшение качества RAG 2) причина этого улучшения - смена схемы разбиения на чанки 3) имеющиеся данные позволяют подтвердить существование влияния и оценить его величину. Например, разработчики часто оценивают систему на основании логов (истории запросов). Но логи в общем случае не являются результатом рандомизированного эксперимента, а зависят от конфигурации системы, обратной связи от людей и ИИ, политик развертывания и т.д., подвержены выборочному смещению, дрейфу распределений и шуму в метках. Во время разработки составные части системы (модели, пользователи и выполняемые задачи) подстраиваются друг под друга (коадаптируются). Это увеличивает разрыв между прошлыми наблюдениями и тем, что мы увидим в проде. Непонятно, что повлияло на метрики - наши доработки, конфаундеры или просто шум оценки. Например, если система маршрутизации запросов отправляет более сложные вопросы дорогой модели, а простые - дешевой модели, наивный анализ логов может привести нас к выводу, что дорогая модель работает хуже, потому что в ее ответах больше ошибок. В causal Inference подходе мы учтем сложность запроса как конфаундер и уберем смещение матчингом или взвешиванием. Causal Inference предоставляет матаппарат и фреймворк для оценки эффекта, позволяет адресно работать с источниками дисперсии в оценке, более эффективно использовать имеющиеся данные, обеспечивает устойчивость и статистическую достоверность результата. Два ключевых момента в причинно-следственном анализе: идентифицируемость identifiability и оцениваемость estimability, проще говоря - позволяют ли наши данные и наши предположения о процессе генерации выявить и надежно оценить причинно-следственную связь. В статье разбираются типичные компоненты LLM-пайплайнов - претрейн, алайнмент, роутинг, RAG, мультиагентные системы и так далее. Приведены примеры подходов, которые могут сработать, и направления для дальнейших исследований. Фундаментальная проблема причинно-следственного вывода - невозможность наблюдать две версии системы одновременно (с воздействием и без него). LLM пайплайн - редкий случай, когда это почти возможно: один и тот же запрос прогоняется через две версии системы. Проблема не исчезает полностью (недетерминизм генерации, поведение пользователей), но возможность параллельного прогона пайплайна здорово упрощает офлайн-оценку. Строго и методично применяя доступные нам техники Causal Inference, можно построить эффективную и практичную систему оценки. Этим мы и займемся в следующих постах серии. Ваш @Reliable ML #reliable_ml #causal_inference #llm_evaluation

Ура, доклады с Датафеста! Секция ReliableML Датафеста доступна на сайте ods.ai https://ods.ai/tracks/df26-reliable-ml Секция DataStrategy с докладом Ирины тоже доступна https://ods.ai/tracks/df26-data-strategy Ваш @Reliable ML #reliable_ml #datafest #дождались

Каникулы Бонифация Или ML System Design - наше все В этом году устроила для себя необычный отпуск - поехала с маленькой дочкой в ее первый математический лагерь: напитаться детским счастьем, поддержать интерес к математике, а еще пооткисать за любимыми делами и пет-проектами пока детей занимают) Оказалось, что в матлагеря детей везут очень интересные родители. Довольно быстро мы перезнакомились и я обнаружила себя в центре обсуждения задачки по ML в нефтепереработке, в которой «математики, клод, чатгпт и эксперты бьются над решением уже больше 6 месяцев». Предложила поговорить детальнее и проверить дизайн системы. За 15 минут беседы мы выяснили 2 вещи: • Задача на ML была поставлена неверно. Так, что ее и не имеет смысла решать ни клодом, ни математиками: ни 6 месяцев, ни год. Пользы для процесса и бизнеса решение не принесет. • В решении задачи не используется 80% данных, которые есть и которые могли бы очень помочь при правильной постановке задачи. Еще за 10 минут мы разобрались, как именно можно поставить первую задачу на ML (классификацию) и какие данные стоит взять. При такой постановке любой DS справится за несколько дней. Обсудили, какие полезные решения для бизнеса можно будет принять на основе результатов. Еще за 5 минут накидали, как можно далее усложнять решение, когда первая итерация уже будет внедрена. Мама, отвечающая за внедрение проекта, ушла с листочком A4 и со схемами, менять ход проекта. К чему я это все? Качайте ML System Design и учитесь выходить за рамки задачи. Ключевое - решать проблему бизнеса, а не пытаться сделать быстро и круто задачу в том виде, как ее вам кто-то принес. Ну а мы с Димой готовим для вас большие обновления в части ML/AI System Design. Stay tuned! Ваш @Reliable ML #reliable_ml #ml_system_design #мысли_вслух

Онлайн Data Strategy от Reliable ML - уже начали! Data Fest 2026, Online, в 11:00 Стартовали онлайн Data Strategy! Нас ждет 2 доклада! 11:00-11:30 - Александр Кулиев - Data-Driven трансформация в ритейле: выученные уроки на пути от хаоса к культуре 11:30-12:00 - Мария Зырянова - Как внедрять AI в продукты, если они разные? Ссылка для подключения тык. Ваш @Reliable ML #reliable_ml #data_strategy #data_fest

Practical ML Conf - заканчивается подача докладов Дружественный Петр Ермаков пишет: Друзья, привет!) осталось менее 3х суток для подачи докладов на Practical ML Conf, и форма подачи продлеваться не будет. Закидывайте ваши заявки) Кисель налью каждому выступающему! https://pmlconf.yandex.ru/2026/call-for-papers

Секция Data Strategy от Reliable ML Data Fest 2026, Online, Анонс В это воскресенье проведем онлайн-день секции Data Strategy. К нам придут 2 очень интересных спикера. Фокус - опыт разработки и внедрения стратегии по данным и AI, эффективный и системный подход к масштабированию AI в организациях. Всех ждем! Только надо зарегистрироваться. Онлайн-день будет на платформе DION. Инструкции и ссылки по подключению появятся в ближайшие дни. Ваш @Reliable ML #reliable_ml #data_strategy #data_fest

Видео с датафеста в гостях у ВТБ - доклад Дмитрия Колодезева (и другие доклады второго дня) https://vkvideo.ru/video-164555658_456242002?t=1h23m29s Датафест в гостях у ВТБ #reliable_ml #data_fest #career

Data Strategy в эпоху AI Доклад на Data Fest 2026 в секции Data Strategy И снова привет с дата феста! Выкладываем слайды доклада Иры с секции Data Strategy. После доклада и потом в кулуарах успели обсудить много вопросов, но, кажется, что остались еще. Буду рада продолжить обсуждение в треде. Материалы всех докладов и записи должны появиться в течение 2х недель. Ваш @Reliable ML #reliable_ml #data_strategy #data_fest

Привет с датафеста! Сегодня Дмитрий Колодезев рассказывал про влияние AI на рынок труда. Запись будет попозже (непонятно когда), но слайды с пометками спикера можно скачать уже сейчас 😉 Датафест в гостях у ВТБ #reliable_ml #data_fest #career

Reliable ML на Data Fest 2026 Это мы с Димой сегодня провели две секции на первом дне Data Fest: Data Strategy и Reliable ML. Устали, но довольны) Докладчики огонь, Х5 молодцы, организация Data Fest тоже на высоте. Всех были рады видеть! С кем не успели поговорить - пишите, или увидимся на других днях феста. Завтра, в гостях у ВТБ, в секции Open Career, Дима расскажет доклад о том, как AI меняет рынок IT труда. Это будет ремейк доклада 2025 года, на свежих данных и свежих вайбах. Посмотрим, что сбылось (спойлер: почти все), а что нет из прогнозов прошлого года. И какие прогнозы на будущий. Ваш @Reliable ML #reliable_ml #data_fest #data_strategy