Data drift (Сдвиг данных)

Изменение статистических свойств и распределения входных данных в реальной эксплуатации по сравнению с теми данными, на которых обучилась нейросеть.

Регрессионное тестирование ИИ (Regression Testing for AI)

Процесс регулярной проверки того, что новые обновления, настройки или дообучения модели не ухудшили её работу на ранее успешно решаемых задачах.

Model Monitoring (Мониторинг моделей в production)

Непрерывный автоматизированный контроль за метриками качества предсказаний и поведением ИИ-модели после её запуска в промышленную эксплуатацию.

CI/CD для машинного обучения

Практика непрерывной интеграции и доставки (Continuous Integration / Continuous Deployment), адаптированная для безопасного автоматического тестирования и обновления ИИ-моделей в production.

Деградация модели (Model drift)

Постепенное снижение точности предсказаний ИИ-модели в рабочей среде из-за того, что реальные процессы со временем начинают отличаться от исторических обучающих данных.

Управление жизненным циклом модели (Model Lifecycle Management)

Непрерывный процесс контроля за нейросетью от этапа обучения и развертывания до регулярного дообучения и вывода из эксплуатации.

MLOps (Machine Learning Operations)

Практика объединения разработки моделей машинного обучения и их эксплуатации в единый непрерывный автоматизированный процесс.

Feature Store (Хранилище признаков)

Централизованное хранилище предварительно рассчитанных и очищенных признаков (фичей) для моделей машинного обучения, обеспечивающее их переиспользование.