История успеха | Святослав Кокурин

Коллеги часто создают инструменты, чтобы технологии работали быстрее, проще и надежнее. Model Ops Platform — один из таких примеров. Это платформа, которая позволяет запускать модели машинного обучения без переписывания кода и долгих интеграций.

Над ней с самого начала работал Святослав: он разработал основную часть платформы, исследовал инструменты, собрал первый прототип, выстраивал архитектуру и шаг за шагом развивал ее до полноценного решения. 

В статье — его история и путь платформы, которая меняет подход к работе с ИИ в продуктах.

Как все начиналось

Заниматься разработкой я начал еще в школе, когда появился первый ноутбук. Экспериментировал с языками программирования, смотрел обучающие видео.

Даже пробовал записывать и продавать свои видео-уроки. Так, кстати, заработал первые деньги на разработке :)

Потом университет — я учился на прикладной математике и физике. Был на целевом обучении от предприятия, поэтому после выпуска сразу же начал там работать. Автоматизацией рутинных процессов занимался по собственной инициативе: писал скрипты, искал, где можно применить код на практике. 

Как попал в Naumen

Со временем понял, что хочу заниматься автоматизацией и разработкой на постоянной основе. Поэтому начал рассматривать вакансии в крупных ИТ-компаниях.

О Naumen знал давно — часто посещал митапы, тогда это еще были JUG.EKB. Как только появилась подходящая вакансия, сразу же откликнулся. На тот момент у меня на руках было несколько офферов, но я ждал ответ именно от Naumen.

И вот приглашение в команду! Я начал заниматься разработкой в нескольких продуктах, в том числе в системе мониторинга. А затем мне предложили переключиться на задачи, связанные с автоматизацией работы с ИИ-моделями.

Так началась история Model Ops Platform.

Зачем была нужна платформа

Основная проблема — ML-инженеры разрабатывали модели на Python обычно в Jupyter Notebook. Что‑то можно было прогнать локально или на виртуалке, но использовать это у клиента или встроить в продукт — невозможно.

Поэтому, чтобы использовать эти модели в продуктах, разработчикам приходилось вручную их переписывать на Java. Это было долго, дорого и неэффективно.

Решили разработать платформу, которая бы снимала эти ограничения: позволяла запускать код, написанный ML-инженером, как есть — с нужными зависимостями, конфигурацией и без переписывания. По сути, превращала питоновский скрипт в готовую модель, которую можно интегрировать в продукт.

Как работал над Model Ops Platform

Четкого ТЗ не было. Единственное, что точно понимал — нужен универсальный способ запуска моделей. 

Так, например, выглядело описание задачи на ранних этапах:

Начал с исследования — посмотрел существующие решения, фреймворки, инструменты. Выбрал два фреймворка: для сервинга моделей и для их обучения. Еще у нас работал отдельный сервис, который управлял этими компонентами и предоставлял интерфейс внешним приложениям.

И вот появился первый прототип. Потом еще один. Потом — первая версия платформы. Она прошла путь нескольких итераций, прежде чем стала тем, чем является сейчас. 

Я был не просто разработчиком, но и аналитиком, и архитектором: сам ставил задачи, сам реализовывал, сам тестировал. Но без помощи коллег ничего бы не получилось — многое решали вместе на регулярных встречах, обсуждая идеи, направления и лучшие подходы для развития платформы.

Что в итоге получилось

Model Ops Platform открыла нам полную свободу в работе с ML-моделями. Если раньше мы могли использовать модели только на одном определенном алгоритме, то теперь можем внедрять практически любые ML-модели и эффективнее закрывать задачи клиентов.

С какими вызовами столкнулся

Самое сложное — не разработка платформы, а интеграция в реальность. Разные клиенты — разные требования и ограничения. Нужно понять, как адаптировать существующее решение или найти альтернативу. 

Что мотивировало

Даже несмотря на длительность проекта, первые результаты были видны почти сразу же. Прототип работал, его можно было запустить и протестировать на стенде. Это давало ощущение движения вперед. 

А еще — поддержка коллег. Я даже получил премию Naumen Профи за вклад в разработку и развитие продуктов — это было особенно ценно. Потом выступил с докладом на внутренней конференции и детально рассказал коллегам об интересных подходах, которые мы выбрали в Model Ops Platform.

Какие навыки помогли

• Гибкость — не было страха переписывать код, если понимал, что так будет лучше. 

• Инициативность — самостоятельно предлагал решения и исследовал новые инструменты.

• Принятие «неидеальности» — важно было двигаться, а не замирать в ожидании идеального решения.

• Умение читать чужой код — без этого невозможно адаптировать сторонние библиотеки и фреймворки под себя.
  
  

  Совет тем, кто в начале пути

  Не бойтесь писать первый прототип. Он может быть неидеальным — и это нормально. Двигайтесь вперед, фиксируйте, что работает, что нет, и будьте готовы все переписать, если потребуется. И обязательно пишите тесты с самого начала — потом скажете себе спасибо.