Твой новый ML-инженер — это 14 агентов под капотом 👨🏻‍💻🤖 Plexe — фреймворк, который собирает ML-модели по текстовому промпту. Но интересно не то, что он это делает, а как именно.

Это не тупая обертка над LLM. Внутри работает мультиагентная система (на базе smolagents и litellm), которая прогоняет классический и методологически правильный пайплайн.

Как это выглядит для пользователя: ты скармливаешь ему датасет (Parquet/CSV) и пишешь intent="predict customer churn".

Что происходит под капотом: 1️⃣ Data Understanding. Агенты (StatisticalAnalyserAgent, MLTaskAnalyserAgent) профилируют данные через PySpark. Сами определяют тип задачи, ищут константные фичи, выбрасывают ID-шники и выбирают метрику (accuracy для баланса, f1/roc_auc для дисбаланса, rmse для регрессии). 2️⃣ Data Prep. Умное разбиение. Если задача классификации — стратифицированный сплит. Если таймсерии — хронологический. 3️⃣ Baselines. Сначала строится эвристический бейзлайн (например, всегда предсказывать мажоритарный класс), чтобы было с чем сравнивать. 4️⃣ Tree Search. Мякотка. HypothesiserAgent генерирует гипотезы, PlannerAgent создает архитектуры моделей (поддерживаются XGBoost, CatBoost, LightGBM, Keras, PyTorch). Идет параллельный поиск с оценкой на сэмплах. Извлекаются инсайты (что сработало, а что нет). 5️⃣ Evaluation & Packaging. Лучшая модель переобучается на фулл-дате. Делается анализ ошибок и SHAP-интерпретация. На выходе — чистый model.tar.gz.

На выходе вы получаете не прибитый гвоздями к фреймворку кусок говна, а независимый артефакт. Там лежат веса, сериализованный пайплайн фичей от sklearn, JSON-схемы входов/выходов и чистый predictor.py. Закидываете в любой Docker и катите в прод.

Заменит ли это Senior ML-инженера? Нет. Автоматизирует ли это нудную рутину по подготовке данных, написанию бойлерплейта и тюнингу гиперпараметров? Вполне.

#годный_опенсорс