Принцип MLOps <a href="https://proceedings.neurips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf" target="_blank">появился</a> почти десять лет назад. За это время пользователей концепции управления жизненным циклом моделей машинного обучения от разработки до внедрения и далее стало заметно больше. Ее основной принцип заключается в автоматизации процесса внедрения, отслеживании версий модели и управлении ML-конвейерами.

 
 По данным Global Market Insights, в 2024 году мировой рынок подобных решений <a href="https://www.gminsights.com/industry-analysis/mlops-market" target="_blank">оценивался</a> в $1,7 млрд, а его совокупный среднегодовой темп роста (СAGR) в последующие девять лет (с 2025 по 2034 год) предполагается на уровне 37,4%.

 
 Чтобы эффективно применять такие инструменты, компании оценивают уровень зрелости MLOps. Например, в глобальной индустрии заметны модели <a href="https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning" target="_blank">Google</a> и <a href="https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/mlops-maturity-model" target="_blank">Azure</a> (от Microsoft). Согласно им зрелость повышается по мере все большего охвата процессов разработки и принятия подходов МLOps командой — от полного отсутствия ML-практик до единых пайплайнов и платформ разработки. 

<div class="incut-block incut-block-text-small-size">
 Что еще почитать или посмотреть по теме: 
 • <a href="https://selectel.ru/blog/what-is-mlops/" target="_blank">Обзор концепции и методик зрелости MLOps</a> от Академии Selectel
 • <a href="https://alesha.pro/posts/mlops-principles/" target="_blank">Перевод</a> статьи про принципы MLOps от Алексея Фатеева, MLOps/LLMOps Engineer в KTS
 • <a href="https://habr.com/ru/companies/vk/articles/772538/" target="_blank">Перевод статей</a> о методах оценки уровней MLOps-зрелости в блоге VK Cloud на Habr 
 • <a href="https://hatchworks.com/blog/gen-ai/mlops-what-you-need-to-know/" target="_blank">Тренды в MLOps в 2025 году</a>, по мнению HatchWorks AI
 • <a href="https://www.youtube.com/watch?v=cvfTVHlYad8" target="_blank">Подкаст</a> Д. Скалли (D. Sculley), который широко известен как «The Godfather of MLOps»
 • Конференция по инженерии данных <a href="https://smartdataconf.ru/" target="_blank">SmartData</a> (1-2 октября 2025 года)
 </div>
 
 В России также растет число внедрений комплексных платформенных MLOps-решений: так, за прошедшие три месяца о внедрении в свою работу ML- и MLOps-платформ сообщили <a href="https://www.cnews.ru/news/line/2025-03-24_nornikel_sovmestno_s" style="" target="_blank">«Норникель»</a> и <a href="https://www.cnews.ru/news/line/2025-01-13_bank_sankt-peterburg_sovmestno" style="" target="_blank">банк «Санкт-Петербург»</a>.

 
 При том, что на локальном рынке достаточно подобных решений, продуктов, решающих конкретные проблемы цикла машинного обучения, не так много. В частности, наблюдается нехватка отечественных специализированных решений для версионирования данных и самих моделей машинного обучения, трекинга экспериментов, мониторинга моделей.

 
 В новой подборке ICT.Moscow собраны 20 решений, представленных отечественными разработчиками за последние два года. Среди них <a href="#1" target="_self" rel="nofollow">ML- и MLOps-платформы</a>, <a href="#2" target="_self" rel="nofollow">LLMOps-платформы</a>, <a href="#3" target="_self" rel="nofollow">платформы и фреймворки AutoML</a>, <a href="#4" target="_self" rel="nofollow">решения для развертывания моделей</a>.

 
 17 из них разработаны в Москве, оставшиеся 3 представлены командами, базирующимися в Санкт-Петербурге. Детально ознакомиться с решениями команд из столицы можно в отдельных карточках. В каждой из них содержится подробная информация о решениях и их предназначении, а также представлены необходимые ссылки и имеющиеся контакты разработчиков.

<hr />
 <a class="description__anchor" id="1"></a>
<h2>
 ML/MLOps-платформы
</h2>

 
 Комплексные (End-to-End) решения, которые позволяют выстроить полный цикл машинного обучения.

<ul>
 <li>Разработанная компанией Data Sapience платформа <a href="https://ict.moscow/ru/cards/kolmogorov" target="_blank">Kolmogorov</a> состоит из четырех модулей. Kolmogorov Axiom представляет собой конструктор датасетов и позволяет проводить эксперименты, с помощью Continuity можно настроить взаимодействие внутри команды и версионирование решения, Predicate позволяет проводить мониторинг состояния модели, а Kolmogorov Abacus представляет собой фреймворк для A/B-тестирования.</li>
 <li>Созданное Axenix Innovation решение <a href="https://ict.moscow/card/dat-ax/" target="_blank">Dat.ax</a> предназначено для унификации и автоматизации работы с данными. Также оно позволяет работать с метаданными, управлять процессами CI/СD и жизненным циклом моделей машинного обучения.</li>
 <li>В основе платформы <a href="https://ict.moscow/card/smartmlops/" target="_blank">SmartMLOps</a> — разработанный исследователями из НИУ ВШЭ фреймворк. Система предоставляет REST API для управления и запуска ИИ-модулей, оснащена инструментами для мониторинга и дает возможность проведения вычислений на суперкомпьютере <a href="https://ict.moscow/card/charisma/" target="_blank">cHARISMa</a>.</li>
 <li>Разработанная Selectel <a href="https://ict.moscow/card/ml-platforma/" target="_blank">ML-платформа</a> адаптирована под работу системы управления экспериментами ClearML, способна генерировать API для моделей машинного обучения, создавать воспроизводимые пайплайны, развертывать модели в виде отдельных сервисов и отслеживать их работу.</li>
 <li><a href="https://ict.moscow/card/cloud-ml-platform/" target="_blank">Cloud ML Platform</a> оснащена инструментами для трекинга и версионирования экспериментов, моделей, данных и других артефактов, а также инструментами для развертывания и обновления моделей машинного обучения. По заявлениям разработчиков из VK Cloud, в ближайшем будущем в платформе появятся Feature Store, единая платформа Kubernetes для всех компонентов, а также каталоги данных и метаданных.</li>
</ul>

<ul>
 <li>Созданная MWS <a href="https://ict.moscow/card/ml-platform-mws/" target="_blank">ML Platform</a> поддерживает полный цикл разработки и эксплуатации моделей машинного обучения: она оснащена каталогами фичей и гибкой библиотекой, а встроенная Kubernetes позволяет конфигурировать вычислительные ресурсы.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/yandex-datasphere/" target="_blank">Yandex DataSphere</a> позволяет провести полный цикл машинного обучения в облаке с помощью бессерверных вычислений. Или же пользователь может зарезервировать под свой проект виртуальную машину.</li>
 <li><a href="https://ict.moscow/card/neoflex-dognauts/" target="_blank">Neoflex Dognauts</a> позволяет настроить рабочее место ML-специалиста, создавать модели в интегрированных средах разработки и затем мониторить их, отслеживать эксперименты. Кроме того, с помощью оснащенной Feature Store платформы можно контролировать выделяемые под проект ресурсы.</li>
 <li><a href="https://ict.moscow/card/polymatica-ml/" target="_blank">Polymatica ML</a> поможет исследовать данные перед разработкой модели, сравнивать ее с другими после обучения и отслеживать ее точность и динамику профиля используемых данных. Жизненный цикл моделей можно автоматизировать и управлять им с помощью единого репозитория.</li>
 <li>Компоненты <a href="https://ict.moscow/card/rubbles-mlops-suite/" target="_blank">Rubbles MLOps Suite</a> включают в себя много популярных Open Source — решений (к примеру, Grafana, MLFlow, Seldon Core) и могут быть кастомизированы под потребителя. С помощью системы можно настраивать хранилища и кластеры для параллельных вычислений.</li>
 <li>Созданный ГК «Т1» <a href="https://ict.moscow/card/scibox/" target="_blank">Scibox</a> предоставляет вычислительные мощности и инструменты для работы с ИИ по модели сервиса, а также инструменты для создания конвейеров машинного обучения.</li>
 <li><a href="https://ict.moscow/card/ml-fab/" target="_blank">ML Фаб</a> развертывается, устанавливается и настраивается в Kubernetes из единого репозитория. Среди компонентов платформы от «Иннодаты» — Feature Store и инструменты Data Governance.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/sibur-ml-framework/" target="_blank">Sibur ML Framework</a> объединяет все этапы управления моделями, за исключением начального: постановки задачи, обучения и валидации модели. В специальной шине данных сохраняются результаты работы моделей, а также события сбоев и метрики.</li>
</ul>

<hr />
 <a class="description__anchor" id="2"></a>
<h2>
 LLMOps-платформы
</h2>

 
 MLOps-решения, предназначенные для обучения больших языковых моделей и учитывающие их специфику.

<ul>
 <li>Разработанная в Selectel <a href="https://ict.moscow/ru/cards/llm-platforma" target="_blank">LLM-платформа</a> помогает подбирать для большой языковой модели оптимальные настройки и промпты, запускать эксперименты по ее дообучению. </li>
</ul>

<hr />
 <a class="description__anchor" id="3"></a>
<h2>
 Платформы и фреймворки AutoML
</h2>

 
 Решения, позволяющие автоматизировать процесс машинного обучения.

<ul>
 <li>Разработанный в Университете ИТМО фреймворк <a href="https://aim.club/solutions/fedot" target="_blank">FEDOT</a> позволяет решить задачу структурного обучения: для обрабатываемых данных строится решение в виде графа, узлы которого состоят из обучаемых моделей и других компонентов. Получившаяся композитная модель содержит сразу несколько моделей машинного обучения и блоков предобработки данных.</li>
</ul>

<ul>
 <li>Фреймворк <a href="https://sai.itmo.ru/fedot_industrial" target="_blank">FEDOT.Industrial</a> разработан на основе FEDOT для решения задач индустриальных компаний, в частности проблем предиктивной аналитики: классификации временных рядов, детектирования аномалий (как в данных временных рядов, так и в изображениях), поиска точки изменения динамики временного ряда (Change-Point Detection) или детектирования объектов на изображениях.</li>
</ul>

<ul>
 <li>Созданный специалистами из Лаборатории искусственного интеллекта «Сбера» фреймворк <a href="https://ict.moscow/card/lightautoml/" target="_blank">LightAutoML</a> (LAMA) поддерживает обработку всех типов данных, которые используются в Python, задачи обучения с учителем, включая регрессию и классификацию, а также позволяет создавать свои пайплайны машинного обучения. </li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/predict-automl/" target="_blank">Predict AutoML</a> позволяет обучить модели для бизнес-аналитики. После очистки данных и выбора необходимой задачи платформа подберет под нее предобученную модель или ансамбль моделей. Кроме того, решение поддерживает федеративное вертикальное обучение, при котором модели можно обучать совместно, но без обмена данными с партнером.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/antavira/" target="_blank">Antavira</a> предназначена для автоматизации обучения прогностических моделей машинного обучения. Пользователь может запускать неограниченное количество экспериментов, задавать любую последовательность выполнения функций моделирования, а также при необходимости выполнить градиентный спуск.</li>
</ul>

<hr />
 <a class="description__anchor" id="4"></a>
<h2>
 Решения для развертывания моделей
</h2>

<ul>
 <li>Выложенный в открытый доступ создателями из Университета ИТМО инструмент <a href="https://github.com/qnbhd/mljet" target="_blank">mljet</a> позволяет автоматизировать развертывание моделей машинного обучения в веб-сервис.</li>
</ul>

<hr />
<h2>
 Каких продуктов стоит ждать&nbsp;
</h2>

<ul>
 <li>Разработчики из Альфа-Банка <a href="https://www.forbes.ru/brandvoice/531578-kto-takaa-anna-kak-v-al-fa-banke-avtomatizirovali-sozdanie-nejrosetej" target="_blank">планируют</a> предоставлять внутренний AutoML-сервис ANNA в пользование другим компаниям, а в будущем, возможно, его выложат в открытый доступ.</li>
</ul>

<ul>
 <li>В рамках соглашения о сотрудничестве входящей в «Росатом» компании «Цифрум» и НИЯУ МИФИ <a href="https://mephi.ru/press/news/24049" target="_blank">планируется</a> разработка AutoML-платформы. </li>
</ul>

<hr />
 
 Московские разработчики могут <a href="https://ict.moscow/#newcard" style="" target="_blank">дополнить</a> существующие карточки своих проектов. Сообщить же о собственных новых разработках может любой отечественный автор программного кода, написав на hello@ict.moscow.

<hr />

Решения для оптимизации и ускорения машинного обучения

ICT.Moscow

Подборка решений: MLOps и LLMOps

Kodify 2 содержит 7 млрд параметров, поддерживает длину контекста до 32,7 тыс. токенов и API для интеграции с другими системами.

 
 По словам разработчиков, ассистент второго поколения также содержит элементы для автоматизации и ускорения написания кода, включая его автодополнение, исправление ошибок, генерацию тестов и документации, а также оптимизацию и преобразование текста в код.

 
 По итогам сравнений в MTS AI отмечают, что Kodify 2 сопоставим по возможностям с GitHub Copilot. В генерации тестов Kodify 2 выполнил задачу так же или лучше в 57% случаев, а в преобразовании текста в код — в 48%. Тестирование проводилось методом прямого сравнения и оценки двух ассистентов моделью-судьей. В качестве модели использовалась Claude Sonnet 3.5.

<hr />
 
 По оценке MTS AI, объем рынка ИИ-ассистентов для разработчиков в России в 2025 году составит 17,4 млрд руб. Из них 13,9 млрд руб. приходится на On-Premise-решения, а 3,5 млрд — на облачные.

<hr />

МТС

MTS AI представила ИИ-ассистента Kodify 2 с поддержкой 90 языков программирования

В Bell Integrator (входит в Softline) разработали ИИ-платформу «Алькод» для автоматизации создания софта. Решение с помощью LLM автоматизирует рутинные операции аналитиков, разработчиков и тестировщиков.

 
 Платформа включает в себя набор модулей, которые могут использоваться вместе или частично. В ней реализован метод RAG (Retrieval Augmented Generation), позволяющий большим языковым моделям использовать для ответов не только датасеты, на которых проходило обучение, но и данные пользователя.

 
 По словам разработчиков, «Алькод» можно задействовать для генерации кода, его конвертации и написания технической документации до создания наборов тестовых данных и других задач. Также решение возможно встроить в работу HR-специалистов, юристов и других специалистов.

Softline

Bell Integrator представил ИИ-платформу «Алькод» для автоматизации создания софта

ICT.Moscow разбирается в теме агентного ИИ

Раскрыть агента. Обзор понимания агентного ИИ

«Ростелеком» в рамках продолжающего импортозамещения выбрал No-Code платформу «Акола» для создания портальных решений, лендингов и сайтов. Решение развивает «РТК ИТ Плюс» (дочерняя компания «Ростелекома»).

 
 В компании уточнили, что оператор планирует использовать «Аколу» для цифровизации и автоматизации внутренних бизнес-процессов, связанных с управлением проектами, улучшением коммуникации между сотрудниками и оптимизацией документооборота.

 
 Генеральный директор компании «РТК ИТ Плюс» Арсен Благов уточнил, что «Акола» «снимает часть нагрузки на ИТ-отделы, давая администраторам и аналитикам возможность создавать приложения без необходимости привлекать специалистов разработки для какой-либо доработки функционала».

Ростелеком

«Ростелеком» задействует No-Code платформу «Акола» для создания внутрикорпоративных сервисов

SOLID'ный тимлид или основы менеджмента для технарей

Александр Поломодов, руководитель управления разработки цифровых экосистем. <a href="https://ict.moscow/event/teamlead-osen-2020/" target="_blank" rel="nofollow">TeamLead 2021</a> (29-30 апреля).

Т_Технологии

Тинькофф Банк

Александр Поломодов, руководитель управления разработки цифровых экосистем. <a href="https://ict.moscow/event/teamlead-osen-2020/" target="_blank" rel="nofollow">TeamLead 2021</a> (29-30 апреля).

<ul>
 <li>Современная кросс-функциональная команда разработки.</li>
 <li>Задача тимлида.</li>
 <li>Роли в команде.</li>
</ul>