Как не дать активному клиенту исказить оценку AI-классификатора

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

K1 четыре верных из четырёх, K2 ноль верных из одного. Фикстура даёт 0.8 по обращениям и 0.5 при равном весе клиентов; ни одно число само по себе не является свойством реальной модели. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Определите единицу решения и единицу отчёта вместе с владельцем продукта. Выгрузите уникальные client_id и подтверждённые исходы на одном тестовом периоде. Выполните код; убедитесь, что K1 считается четырежды в построчном числе и однажды после усреднения внутри клиента. Публикуйте обе доли с числом обращений и клиентов. При маленьком числе клиентов добавьте список ошибок по клиентам без персональных данных.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
from collections import defaultdict
rows=[('K1',1),('K1',1),('K1',1),('K1',1),('K2',0)]
groups=defaultdict(list)
for client,hit in rows:
    assert hit in (0,1)
    groups[client].append(hit)
per_row=sum(hit for _,hit in rows)/len(rows)
per_client=sum(sum(v)/len(v) for v in groups.values())/len(groups)
assert per_row==0.8 and per_client==0.5
print('request weighted:',per_row,'client equal:',per_client)

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Оценка по клиентам чувствительна к клиентам с единственным обращением; выбор весов определяется задачей, а не желанием улучшить показатель. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Понять, какую единицу измеряет общая точность, когда один клиент присылает гораздо больше сообщений. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: K1 четыре верных из четырёх, K2 ноль верных из одного. При успешном тесте ожидается: Фикстура даёт 0.8 по обращениям и 0.5 при равном весе клиентов; ни одно число само по себе не является свойством реальной модели. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Оценка по клиентам чувствительна к клиентам с единственным обращением; выбор весов определяется задачей, а не желанием улучшить показатель. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.