Skip to main content

FAQ

Відповіді на ваші
ML-запитання

Все що варто знати про ML-розробку, дані, ціни та підтримку.

Загальні питання

Що робить Codeworth?

▼

Codeworth — ML/AI консалтинг. Ми будуємо кастомні ML-моделі, системи fraud detection, NLP-пайплайни, RAG-чатботи та комп'ютерний зір — і деплоємо їх у продакшн із повною MLOps-інфраструктурою.

З якими галузями ви працюєте?

▼

Основні сектори: FinTech (fraud detection, кредитний скоринг), Healthcare (клінічний NLP, автоматизація тріажу), Retail (прогнозування попиту, рекомендаційні системи), Manufacturing (комп'ютерний зір для контролю якості) та SaaS (churn prediction, LLM-фічі).

Де ви знаходитесь? Чи працюєте дистанційно?

▼

Команда розподілена між Україною та ЄС. Клієнти — UK, ЄС та глобально. Вся комунікація — дистанційно: Zoom, Slack, Notion, GitHub.

Чи є приклади ваших ML-проєктів?

▼

Так — у портфоліо 40+ ML-кейсів. Кожен кейс показує бізнес-задачу, дані, ML-підхід, досягнуті метрики (F1, precision, recall, ROI) та MLOps-налаштування.

ML-процес

Як виглядає типовий ML-проєкт?

▼

Кожен проєкт проходить 5 фаз: (1) Discovery — розуміємо бізнес-задачу та наявність даних; (2) Data Audit — оцінюємо якість, потреби в розмітці; (3) Навчання моделі — ітераційні експерименти з MLflow; (4) Продакшн-деплой — FastAPI, Docker/K8s, CI/CD; (5) MLOps — моніторинг дрейфу, перенавчання, документація.

Скільки часу займає ML-проєкт?

▼

Proof of concept — 3–6 тижнів. Повний продакшн-деплой з моніторингом — 8–16 тижнів. Головна змінна — готовність даних: проєкти з розміченими даними рухаються значно швидше.

Які метрики ви гарантуєте?

▼

До початку роботи ми фіксуємо мінімальні метрики у специфікації (наприклад, precision ≥ 0.90, recall ≥ 0.85, AUC ≥ 0.92). Модель вважається готовою тільки після досягнення цих порогів. Якщо ні — продовжуємо навчання безкоштовно.

Ви займаєтесь розміткою даних?

▼

Так — ми управляємо процесом розмітки через Label Studio, Prodigy або сторонніх анотаторів. Вартість розмітки оцінюється окремо залежно від обсягу датасету та складності анотацій.

Що відбувається після деплою моделі?

▼

Передаємо весь код, ваги моделі, специфікацію API, конфігурацію MLflow та документацію. Також пропонуємо MLOps-ретейнери для моніторингу дрейфу, автоматичного перенавчання та версіонування.

Дані та конфіденційність

Вам потрібен доступ до наших виробничих даних?

▼

Не обов'язково. Можемо працювати з анонімізованими або синтетичними даними для розробки та реальними тільки для фінальної валідації. Для чутливих секторів (охорона здоров'я, фінанси) підтримуємо on-prem обчислення — дані не виходять з вашої інфраструктури.

Як ви забезпечуєте дотримання GDPR?

▼

Підписуємо DPA (угоду про обробку даних) до будь-якого обміну даними. Навчальні дані зберігаються тільки на час проєкту. On-prem деплой доступний для максимального суверенітету над даними. Документуємо всі потоки даних для ваших комплаєнс-записів.

Чи може модель працювати на наших серверах (on-prem)?

▼

Так. Підтримуємо on-prem, приватну хмару (AWS/GCP/Azure VPC) та гібридні деплої. Для регульованих секторів це часто є пріоритетним варіантом.

Кому належить модель та код після здачі?

▼

Вам. Після повної оплати весь код, ваги моделі, навчальні ноутбуки та MLflow-логи переходять до вас. Ми залишаємо право згадати тип проєкту у портфоліо (без клієнтських даних).

Ціни

Скільки коштує ML-розробка?

▼

Proof of concept — від £1,800 / 75 000 ₴ (3–4 тижні). Повна продакшн-модель з API та MLOps — від £4,500 / 180 000 ₴ (8–12 тижнів). Enterprise-системи оцінюються індивідуально після discovery call.

Які умови оплати?

▼

50% передоплата після підписання договору, 50% після здачі. Для більших проєктів можна розбити на 3 етапи: 30% / 40% / 30% відповідно до discovery, затвердження прототипу та продакшн-деплою.

Чи є більш доступний старт?

▼

Так — наш Proof of Concept пакет (£1,800 / 75 000 ₴) саме для цього. Ви отримуєте робочий прототип з документованими метриками ефективності. Більшість клієнтів використовують його для валідації ML-підходу до повного продакшн-білду.

Чи є послуги постійної підтримки?

▼

Так — MLOps-ретейнери від £800/місяць (32 000 ₴). Включають: моніторинг дрейфу, тригери автоматичного перенавчання, щомісячні звіти ефективності та до 4 годин оновлень моделі.

Комплаєнс та регулювання

Що таке FCA SS1/23 і чому це важливо для ML?

▼

FCA SS1/23 — це Supervisory Statement Управління фінансового нагляду щодо управління ризиками моделей, опублікований у 2023 році. Він встановлює вимоги для UK-фінансових компаній щодо управління моделями, валідації, документування та постійного моніторингу. Будь-яка ML-модель, що використовується для кредитних рішень, страхового ціноутворення або торгівлі у регульованій компанії, зобов'язана відповідати цим вимогам. Codeworth надає пакети документації моделей, що відповідають вимогам SS1/23.

Чи потрібна нам DPIA для ML-проєкту?

▼

Оцінка впливу на захист даних є обов'язковою за UK GDPR для високоризикової ML-обробки: масштабне профілювання, систематичний моніторинг або обробка чутливих категорій (здоров'я, фінансові, біометричні дані). Більшість продакшн ML-моделей у фінтех, охороні здоров'я та HR потребують DPIA. Ми виконуємо DPIA в рамках доставки проєкту — ви отримуєте готовий до подання документ для вашого DPO.

Як Стаття 22 UK GDPR впливає на ML-системи?

▼

Стаття 22 UK GDPR надає фізичним особам право не піддаватися виключно автоматизованим рішенням зі значними наслідками (відмова у кредиті, відмова у страхуванні, відхилення при найомі). Ви зобов'язані забезпечити: можливість людського перегляду, змістовне пояснення рішення та можливість його оскарження. Codeworth вбудовує модулі пояснень та робочі процеси людського перегляду у кожну регульовану ML-систему.

Що таке Consumer Duty і як це впливає на ML?

▼

FCA Consumer Duty (липень 2023) зобов'язує фінансові компанії демонструвати добрі результати для клієнтів. ML-моделі, що використовуються для ціноутворення, відбору продуктів або комунікацій з клієнтами, мають підтверджувати відсутність шкоди роздрібним клієнтам — включно з вразливими клієнтами. Codeworth проводить оцінки впливу Consumer Duty для ML-систем і документує фреймворки моніторингу результатів.

Як ви забезпечуєте відсутність упередженості ML-моделей щодо захищених характеристик?

▼

Ми проводимо дезагрегований аналіз продуктивності за захищеними характеристиками Закону про рівність UK (або проксі-ознаками), застосовуємо SHAP-аналіз справедливості для виявлення проксі-дискримінації та документуємо методологію тестування упередженості у картці моделі. Для FCA-регульованих моделей ми дотримуємось керівництва FCA щодо справедливості у ML для фінансових послуг.

Технології та інтеграція

З якими хмарними платформами ви працюєте?

▼

Ми не прив'язані до конкретної хмари: AWS (основна — SageMaker, Lambda, RDS, S3), Microsoft Azure (Azure ML, Cognitive Services, Cosmos DB), Google Cloud (Vertex AI, BigQuery, Cloud Run). Для UK-регульованих галузей, що вимагають резидентності даних, розгортаємо в AWS eu-west-2 (Лондон) або Azure UK South. Також підтримуємо on-premises розгортання для NHS та оборонних клієнтів.

Чи може ваш ML інтегруватися з нашим існуючим ПЗ?

▼

Так. Ми інтегруємося з CRM (Salesforce, HubSpot, Dynamics 365), ERP (SAP S/4HANA, Oracle ERP Cloud, Sage), сховищами даних (Snowflake, BigQuery, Redshift, Azure Synapse) та бізнес-додатками через REST API, вебхуки або нативні конектори. Усі точки інтеграції документуємо в технічних специфікаціях архітектури.

Який у вас стандартний ML-стек технологій?

▼

Python 3.12, scikit-learn, PyTorch або TensorFlow, FastAPI для сервінгу моделей, MLflow для відстеження експериментів, Airflow для оркестрації пайплайнів, Docker і Kubernetes для розгортання, Great Expectations для якості даних. Ми адаптуємо стек до вашої існуючої інфраструктури — якщо ви інвестували в Azure, використовуємо Azure ML і Databricks замість AWS.

Скільки часу займає розгортання продакшн ML-моделі?

▼

PoC: 3-6 тижнів. Продакшн-білд: 8-16 тижнів. Повний MLOps-пайплайн із моніторингом і перенавчанням: додати 2-4 тижні. Терміни залежать від готовності даних, складності інтеграції та вимог до комплаєнс-документації. NHS та FCA-регульовані проєкти додають 2-4 тижні на комплаєнс-документацію та перевірку.

Чи надаєте ви документацію моделі та передачу?

▼

Так. Кожна продакшн ML-поставка включає: картку моделі (призначення, метрики продуктивності, обмеження, опис навчальних даних), діаграму технічної архітектури, документацію API, MLOps runbook та запис у реєстрі ризиків моделей, що відповідає FCA. Також надаємо 4 тижні hypercare-підтримки після запуску та опційний MLOps-ретейнер від £800/місяць.

MLOps та Інфраструктура

Що таке MLOps і чому це важливо?

▼

MLOps — це набір практик, що забезпечує надійне розгортання, моніторинг та підтримку ML-моделей у продакшні. Без MLOps моделі деградують непомітно зі зміною розподілу даних. Для регульованих галузей UK MLOps є обов'язковим: вимоги FCA SS1/23 та аудиторські слідства NHS вимагають документованого та відтворюваного управління життєвим циклом моделей. Codeworth вбудовує MLOps-інструментарій у кожен продакшн ML-проєкт як стандарт.

Яку хмарну платформу обрати для ML в UK — Azure, AWS чи GCP?

▼

Правильний вибір залежить від регуляторного контексту та наявної інфраструктури. Azure UK South є пріоритетним варіантом для FCA-регульованих навантажень — задовольняє вимоги до резидентності даних у UK та нативно інтегрується з інструментами відповідності Microsoft 365. AWS пропонує найширший каталог ML-сервісів (SageMaker, Bedrock, Rekognition) і є найсильнішим для загальної ML-інженерії. GCP та Vertex AI підходять командам, орієнтованим на дослідження, та стекам на основі BigQuery. Проєкти NHS Digital зазвичай вимагають Azure UK South або AWS eu-west-2 (Лондон) для резидентності даних. Codeworth не прив'язаний до конкретної хмари та рекомендує платформу виходячи з ваших вимог до відповідності, вартості та інтеграції.

Скільки сховища даних зазвичай потребує ML-проєкт?

▼

Вимоги до сховища суттєво різняться залежно від типу моделі. NLP-моделі з текстовими датасетами зазвичай потребують 10–50 ГБ. Проєкти з комп'ютерного зору з зображеннями або відео — від 100 до 500+ ГБ. Табличні моделі для fraud detection або кредитного скорингу зазвичай займають менше 10 ГБ. Критичний фактор — не обсяг, а якість даних: чистий, добре розмічений датасет на 5 ГБ часто перевершує зашумлений на 100 ГБ. На початку кожного проєкту ми проводимо двотижневий аудит готовності даних.

Що таке моніторинг моделі і як часто він має запускатися?

▼

Моніторинг моделі відстежує дрейф даних (зміни в розподілі вхідних ознак) та деградацію продуктивності моделі (падіння precision, recall або AUC на живих даних) після деплою. Частота моніторингу залежить від профілю ризику: FCA-регульовані моделі (кредит, страхування) вимагають щоденних автоматизованих перевірок. Клінічні моделі NHS зазвичай моніторяться щотижня. Стандартні комерційні моделі — щомісяця. Всі MLOps-налаштування Codeworth включають автоматичне сповіщення через Slack або email при перевищенні погоджених порогів.

Чи можна перенести наші on-premise ML-моделі в хмару?

▼

Так. Ми маємо досвід міграції on-premise середовищ сервінгу моделей до Azure UK South, AWS eu-west-2 (Лондон) та гібридних конфігурацій. Типова міграція займає 4–8 тижнів і включає повторну валідацію моделі в новому середовищі, документацію у вигляді infrastructure-as-code та підтвердження резидентності даних. Всі перенесені моделі проходять регресійне тестування продуктивності для підтвердження відповідності хмарних результатів базовим on-premise показникам.

Дані та Конфіденційність

Як Codeworth обробляє наші дані відповідно до UK GDPR?

▼

Ми діємо як обробник даних за UK GDPR. До будь-якої передачі даних ми підписуємо Угоду про обробку даних (DPA), що визначає правову підставу, строки зберігання та ланцюжки суб-обробників. Ваші дані використовуються виключно для замовленого проєкту і не застосовуються для інших клієнтів чи навчання власних моделей. Всі дані видаляються або повертаються після завершення проєкту відповідно до DPA. Ми ведемо реєстр даних, що відповідає UK GDPR, та надаємо документацію для ваших власних комплаєнс-записів або перевірки DPO.

Яка мінімальна кількість даних потрібна для побудови ML-моделі?

▼

Мінімальний обсяг залежить від задачі. Моделі бінарної класифікації зазвичай потребують щонайменше 1 000 розмічених прикладів на клас, хоча для продакшн-точності краще 5 000+. Моделі прогнозування часових рядів вимагають щонайменше двох повних років історичних даних для охоплення сезонних патернів. NLP-класифікатори тексту можуть працювати з 500 розміченими прикладами на категорію у поєднанні з активним навчанням та файнтюнінгом трансформерів. На початку кожного проєкту ми проводимо оцінку готовності даних.

Чи можете ви працювати із синтетичними або анонімізованими даними?

▼

Так. Для секторів, де реальні дані не можуть виходити за межі організації, ми використовуємо методи генерації синтетичних даних, включаючи CTGAN та диференційну приватність. Анонімізовані фінансові датасети, схвалені для NHS та FCA-регульованих кейсів, також доступні для бенчмаркінгу. Ми документуємо методологію генерації синтетичних даних у картці моделі для повного аудиторського сліду.

Чи підписуєте ви NDA і як врегульовано питання інтелектуальної власності?

▼

Так. Ми підписуємо взаємні NDA на початку проєкту до будь-якого обміну конфіденційною інформацією. Всі домовленості щодо інтелектуальної власності зафіксовано в проєктному договорі: клієнт володіє 100% всього коду, ваг навченої моделі, навчальних датасетів та документації. Codeworth не зберігає жодних прав власності або ліцензій. Ми можемо посилатися на тип проєкту та сектор у портфоліо як анонімний кейс, якщо ви не вимагаєте повної конфіденційності.

Що станеться з нашими даними та моделями, якщо Codeworth припинить роботу?

▼

Наш стандартний DPA включає положення про повернення та знищення даних, що застосовуються незалежно від причини припинення договору, включаючи закриття бізнесу. Весь код зберігається в репозиторіях, що належать клієнту або доступні йому, протягом усього проєкту. Навчені ваги моделей та артефакти зберігаються на інфраструктурі клієнта або передаються до хмарного сховища під його контролем. У разі закриття бізнесу ми зобов'язуємось забезпечити 30-денний перехідний період для завершення передачі даних і моделей.

Підтримка

Яка гарантія включена?

▼

Всі проєкти включають 3 місяці гарантійної підтримки після продакшн-деплою. Якщо показники моделі падають нижче погоджених порогів з нашої вини — виправляємо безкоштовно.

Як працює поточна підтримка?

▼

Через Slack або email — відповідаємо протягом 4 робочих годин. Для критичних продакшн-проблем (модель не відповідає, помилки сервінгу) цільовий час відповіді — 2 години, вирішення — в той же день.

Чи навчаєте ви наших data scientists?

▼

Так. Проводимо сесії передачі знань: архітектурні рішення, налаштування MLflow, конфігурація деплою, дашборди моніторингу. Надаємо анотовані ноутбуки та письмові runbooks.

Що якщо розподіл наших даних значно зміниться після деплою?

▼

Це називається concept drift — очікуване і нормальне явище. Наш MLOps-стек безперервно моніторить метрики даних і моделі та сповіщає при перевищенні порогу дрейфу. MLOps-ретейнер включає тригери автоматичного перенавчання саме для цього сценарію.

Не знайшли відповідь?

Напишіть нам у Telegram або на email — відповімо протягом 2 годин.

Написати нам
Зараз приймаємо нові проєкти

Готові запустити
ваш проєкт?

Залишіть заявку та отримайте безкоштовну ML-консультацію протягом 24 годин. Разом визначимо, яке рішення принесе найбільший ROI.

Натискаючи кнопку, ви погоджуєтеся з Політикою конфіденційності

Або напишіть нам у Telegram