MLOps для предиктивной аналитики видеопотока
- DevOps
- ML
- Python
- Docker
- Kubernetes
- DVC
- MLflow
- OpenCV
- Prometheus
У вас есть задача? Давайте обсудим!
О клиенте
Разработчик комплексных систем безопасности и интеллектуального видеонаблюдения. В своих решениях клиент используют технологии компьютерного зрения, нейронные сети и искусственный интеллект, а также подключает биометрию и речевую аналитику. Среди клиентов: промышленные предприятия из топ-20, транспортные операторы, представители аграрного сектора и частного бизнеса.
О проекте
Система видеоаналитики позволяет наблюдать и исследовать поведение людей, распознавать объекты, мониторить производственные процессы и собирать статистику для прогнозного анализа. Однако МL-модели, обученные на одной выборке, быстро теряли актуальность. Клиент хотел регулярно совершенствовать алгоритмы и масштабировать их для разных сценариев эксплуатации.
Описание задачи
Основная задача проекта заключалась в управлении моделями машинного обучения с помощью MLOps. ИТ-специалистам RedLab требовалось:
- Автоматизировать сбор и разметку данных: оптимизированный процесс формирования выборок и надежное качество датасетов.
- Настроить дообучение моделей: самостоятельное обновление при поступлении новых сведений или изменении условий (освещенность, погода, новые локации).
- Внедрить версионирование алгоритмов: прозрачность экспериментов, контроль над точностью и стабильностью.
Реализация
В ходе проекта команда RedLab выполнила ряд задач:
- Настроили пайплайны для регулярного получения видео с разных камер. Данные проходят очистку, а нестандартные кейсы автоматически отмечаются для доразметки, что позволяет ускорить подготовку обучающих выборок.
- Реализовали хранение и управление различными наборами информации и версиями моделей на базе DVC и MLflow. Появилась возможность быстро возвращаться к стабильным конфигурациям в случае деградации точности.
- Организовали сбор метрик (precision, recall, F1-score, latency) в реальном времени — это помогло своевременно корректировать вычислительные методы.
- Внедрили A/B-тестирование, организовав параллельный запуск старых и новых моделей на «живых» видеопотоках. Подход минимизировал риски внедрения нестабильных решений и облегчил выбор оптимального предсказания.
- Развернули edge-обновления по расписанию: настроили автоматическую доставку и обновление алгоритмов на локальных серверах и камерах.
Результат
Переходите по ссылке, чтобы узнать об аутсорсинге MLOps инженеров больше.
