KernelA / ml_system_design_doc_ru

ML System Design Doc - [RU]

Дизайн ML системы - <Продукт> <MVP or Production System> <Номер>

Шаблон ML System Design Doc от телеграм-канала Reliable ML

• Рекомендации по процессу заполнения документа (workflow) - здесь.
• Детальный доклад о том, что такое ML System Design Doc и о том, как, когда и зачем его составлять - будет туть.

Термины и пояснения

• Итерация - это все работы, которые совершаются до старта очередного пилота
• БТ - бизнес-требования
• EDA - Exploratory Data Analysis - исследовательский анализ данных
• Product Owner, Data Scientist - роли, которые заполняют соответствующие разделы
• В этом шаблоне роль Data Scientist совмещает в себе компетенции классического Data Scientist с упором на исследования и ML Engineer & ML Ops роли с акцентом на продуктивизацию моделей
• Для вашей организации распределение ролей может быть уточнено в зависимости от операционной модели

1. Цели и предпосылки

1.1. Зачем идем в разработку продукта?

• Бизнес-цель Product Owner
• Почему станет лучше, чем сейчас, от использования ML Product Owner & Data Scientist
• Что будем считать успехом итерации с точки зрения бизнеса Product Owner

1.2. Бизнес-требования и ограничения

• Краткое описание БТ и ссылки на детальные документы с бизнес-требованиями Product Owner
• Бизнес-ограничения Product Owner
• Что мы ожидаем от конкретной итерации Product Owner.
• Описание бизнес-процесса пилота, насколько это возможно - как именно мы будем использовать модель в существующем бизнес-процессе? Product Owner
• Что считаем успешным пилотом? Критерии успеха и возможные пути развития проекта Product Owner

1.3. Что входит в скоуп проекта/итерации, что не входит

• На закрытие каких БТ подписываемся в данной итерации Data Scientist
• Что не будет закрыто Data Scientist
• Описание результата с точки зрения качества кода и воспроизводимости решения Data Scientist
• Описание планируемого технического долга (что оставляем для дальнейшей продуктивизации) Data Scientist

1.4. Предпосылки решения

• Описание всех общих предпосылок решения, используемых в системе – с обоснованием от запроса бизнеса: какие блоки данных используем, горизонт прогноза, гранулярность модели, и др. Data Scientist

2. Методология Data Scientist

2.1. Постановка задачи

• Что делаем с технической точки зрения: рекомендательная система, поиск аномалий, прогноз, оптимизация, и др. Data Scientist

2.2. Блок-схема решения

• Блок-схема для бейзлайна и основного MVP с ключевыми этапами решения задачи: подготовка данных, построение прогнозных моделей, оптимизация, тестирование, закрытие технического долга, подготовка пилота, другое. Data Scientist
• Пример возможной блок схемы

Схема обязательно включает в себя архитектуру бейзлайна. Если бейзлайн и основной MVP отличаются несущественно, то это может быть одна блок-схема. Если значительно, то рисуем две: отдельно для бейзлайна, отдельно для основного MVP.
Если блок-схема шаблонна - т.е. её можно скопировать и применить к разным продуктам, то она некорректна. Блок-схема должна показывать схему решения для конкретной задачи, поставленной в части 1.

2.3. Этапы решения задачи Data Scientist

• Для каждого этапа по результатам EDA описываем - отдельно для бейзлайна и отдельно для основного MVP - все про данные и технику решения максимально конкретно. Обозначаем необходимые вводные, технику предполагаемого решения и что ожидаем получить на выходе, чтобы перейти к следующему этапу.
• Как правило, детальное и структурированное заполнение раздела 2.3 возможно только по результатам EDA.
• Если описание в дизайн доке шаблонно - т.е. его можно скопировать и применить к разным продуктам, то оно некорректно. Дизайн док должен показывать схему решения для конкретной задачи, поставленной в части 1.

Примеры этапов:

• Этап 2 - Подготовка прогнозных моделей
• Этап 3 - Интерпретация моделей (согл. с заказчиком)
• Этап 4 - Интеграция бизнес правил для расчета бизнес-метрик качества мрдели
• Этап 5 - Подготовка инференса модели по итерациям
• Этап 6 - Интеграция бизнес правил
• Этап 7 - Разработка оптимизатора (выбор оптимальной итерации)
• Этап 8 - Подготовка финального отчета для бизнеса

Этап 1 - это обычно, подготовка данных.

В этом этапе должно быть следующее:

• Данные и сущности, на которых будет обучаться ваша модель машинного обучения. Отдельная таблица для целевой переменной (либо целевых переменных разных этапов), отдельная таблица – для признаков.

Название данных	Есть ли данные в компании (если да, название источника/витрин)	Требуемый ресурс для получения данных (какие роли нужны)	Проверено ли качество данных (да, нет)
Продажи	DATAMARTS_SALES_PER_DAY	DE/DS	+
...	...	...	...

• Краткое описание результата этапа - что должно быть на выходе: витрины данных, потоки данных, др.

Чаще всего заполнение раздела невозможно без EDA.

Этапы 2 и далее, помимо подготовки данных.

Описание техники для каждого этапа должно включать описание отдельно для MVP и отдельно для бейзлайна:

• Описание формирования выборки для обучения, тестирования и валидации. Выбор репрезентативных данных для экспериментов, обучения и подготовки пилота (от бизнес-цели и репрезентативности данных с технической точки зрения) Data Scientist
• Горизонт, гранулярность, частоту необходимого пересчета прогнозных моделей Data Scientist
• Определение целевой переменной, согласованное с бизнесом Data Scientist
• Какие метрики качества используем и почему они связаны с бизнес-результатом, обозначенным Product Owner в разделах 1 и 3. Пример - WAPE <= 50% для > 80% категорий, bias ~ 0. Возможна формулировка в терминах относительно бейзлайна, количественно. Для бейзлайна могут быть свои целевые метрики, а может их вообще не быть (если это обосновано) Data Scientist
• Необходимый результат этапа. Например, необходимым результатом может быть не просто достижение каких-либо метрик качества, а включение в модели определенных факторов (флаг промо для прогноза выручки, др.) Data Scientist
• Какие могут быть риски и что планируем с этим делать. Например, необходимый для модели фактор (флаг промо) окажется незначимым для большинства моделей. Или для 50% моделей будет недостаточно данных для оценки Data Scientist
• Верхнеуровневые принципы и обоснования для: feature engineering, подбора алгоритма решения, техники кросс-валидации, интерпретации результата (если применимо).
• Предусмотрена ли бизнес-проверка результата этапа и как будет проводиться Data Scientist & Product Owner

3. Подготовка пилота

3.1. Способ оценки пилота

• Краткое описание предполагаемого дизайна и способа оценки пилота Product Owner, Data Scientist with AB Group

3.2. Что считаем успешным пилотом

Формализованные в пилоте метрики оценки успешности Product Owner

3.3. Подготовка пилота

• Что можем позволить себе, исходя из ожидаемых затрат на вычисления. Если исходно просчитать сложно, то описываем этап расчетов ожидаемой вычислительной сложности на эксперименте с бейзлайном. И предусматриваем уточнение параметров пилота и установку ограничений по вычислительной сложности моделей. Data Scientist

4. Внедрение для production систем, если требуется

Заполнение раздела 4 требуется не для всех дизайн документов. В некоторых случаях результатом итерации может быть расчет каких-то значений, далее используемых в бизнес-процессе для пилота.

4.1. Архитектура решения

• Блок схема и пояснения: сервисы, назначения, методы API Data Scientist

4.2. Описание инфраструктуры и масштабируемости

• Какая инфраструктура выбрана и почему Data Scientist
• Плюсы и минусы выбора Data Scientist
• Почему финальный выбор лучше других альтернатив Data Scientist

4.3. Требования к работе системы

• SLA, пропускная способность и задержка Data Scientist

4.4. Безопасность системы

• Потенциальная уязвимость системы Data Scientist

4.5. Безопасность данных

• Нет ли нарушений GDPR и других законов Data Scientist

4.6. Издержки

• Расчетные издержки на работу системы в месяц Data Scientist

4.5. Integration points

• Описание взаимодействия между сервисами (методы API и др.) Data Scientist

4.6. Риски

• Описание рисков и неопределенностей, которые стоит предусмотреть Data Scientist

Материалы для дополнительного погружения в тему

• Шаблон ML System Design Doc [EN] от AWS и статья с объяснением каждого раздела
• Верхнеуровневый шаблон ML System Design Doc от Google и описание общих принципов его заполнения.
• ML Design Template от ML Engineering Interviews
• Статья Design Documents for ML Models на Medium. Верхнеуровневые рекомендации по содержанию дизайн-документа и объяснение, зачем он вообще нужен
• Краткий Canvas для ML-проекта от Made with ML. Подходит для верхнеуровневого описания идеи, чтобы понять, имеет ли смысл идти дальше.