АРХІТЕКТУРНІ ПАТЕРНИ ПРОЄКТУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ

Анотація

Проєктування програмного забезпечення інтелектуальних систем дедалі більше виходить за межі навчання моделі та охоплює повний життєвий цикл компонента машинного навчання (МН) у складі промислової програмної системи: підготовку даних, формування ознак, обслуговування моделі, моніторинг і повторне навчання. Традиційні архітектурні патерни програмного забезпечення, розроблені для детермінованих систем, не враховують специфічних інженерних проблем, породжених компонентами МН, а саме: недетермінованості результатів, залежності від розподілів даних, що змінюються з часом, та зв'язності між артефактами коду й артефактами даних чи моделі. Це дослідження розглядає проблему формулювання цілісної архітектурної методології проєктування програмного забезпечення інтелектуальних систем, за якої модель МН розглядається як повноцінний версійований програмний компонент, а не як зовнішній «чорний ящик», що викликається звичайним прикладним кодом. Проаналізовано сучасні дослідження з MLOps, конвеєрів безперервного навчання (CT), мікросервісної декомпозиції сервісів інференсу та моніторингу дрейфу даних, визначено недостатньо розкриту проблему інтеграції цих окремих практик у єдиний відтворюваний архітектурний патерн. Було запропоновано та обґрунтовано багаторівневу еталонну архітектуру для інтелектуальних систем, яка розділяє рівень даних, рівень навчання моделей та управління версіями, рівень інференції/обслуговування та рівень спостережуваності. Також було описано супровідний конвеєр безперервної інтеграції, безперервної доставки та безперервного навчання (CI/CD/CT), який об’єднує ці рівні. В основній частині дослідження детально викладено архітектуру та проведено її валідацію 3 відтворюваними Python-експериментами: регресійним кейсом прогнозування питомого об'ємного електричного опору струмопровідних поліетиленових композицій на основі експериментальних даних, використаних як конкретний компонент інтелектуальної системи в рівні навчання та версіонування; дискретним моделюванням детектора дрейфу на основі критерію Колмогорова-Смірнова в рівні спостережуваності, який виявив штучно внесений поступовий зсув розподілу із затримкою 100 запитів; імітаційним моделюванням рівня обслуговування, яке порівнює синхронну та асинхронну (на основі черги завдань) архітектури за однакового навантаження і демонструє 136-кратне зменшення затримки на 95-му перцентилі для асинхронної архітектури. Результати свідчать, що розділення завдань за запропонованими 4 рівнями зменшує зв'язок між дослідницькою діяльністю з обробки даних і промисловою інженерією програмного забезпечення, підвищує відтворюваність розгортань і забезпечує явний, емпірично обґрунтований механізм безперервного навчання, який утримує розгорнуті моделі узгодженими з поточним розподілом даних. Переваги багаторівневого підходу порівняно з монолітними архітектурами МН-сервісів окреслюють перспективи подальших досліджень, зокрема, розширення архітектури для підтримки багатомодельної оркестрації та автоматизованих стратегій відкату, керованих онлайн-метриками якості.