3. Подготовка новой версии модели 2030 🤖=>🤖
Направление выбрали. Допустим, решили добавить текущую корзину пользователя в ранкер. Конкретный подход и архитектурные изменения уже определены. Теперь нужно превратить идею в работающую модель. 💪
В 2026 году обучение моделей и подбор гиперпараметров уже неплохо автоматизированы. Но разработка новой версии всё ещё требует существенного участия ML-инженера.👥 К 2030 году, на мой взгляд, ML-агенты помогут автоматизировать большую часть этой работы. Инженер передаёт агенту описание новой версии алгоритма. Дальше тот самостоятельно реализует изменения, подготовит данные и запустит обучение.🔛
Думаю следующие этапы лягут на плечи агентов:
- Изучение существующего кода и внесение изменений в архитектуру модели.
- Создание новых признаков и изменение feature pipeline.
- Написание тестов и проверка корректности новых признаков.
- Поиск и исправление ошибок в процессе обучения.
- Анализ результатов offline-экспериментов и поиск причин ухудшения offline-метрик.
- Анализ результатов offline-экспериментов и поиск причин ухудшения offline-метрик.
Причём первые примеры такой автоматизации уже существуют. В 2025 году Google представил MLE-STAR. Этот агент способен самостоятельно писать ML-код и проводить эксперименты. Он также улучшает отдельные компоненты моделей. Ещё интереснее RecEvolve от того же Google, представленный в 2026 году. Там агенты автоматизируют циклы разработки и оценки рекомендательных моделей. Правда, система также самостоятельно ищет новые алгоритмические решения.
