Кейс
Месяц назад выкатил модель, которая классифицирует котиков и собачек. Метрики - огонь, продакшн съел. Ты такой: «Оки-доки, теперь добавим ещё данных, особенно рыжих котиков 🐾🐾🐾, их не хватало».
Качаешь гигабайт новых картинок, кидаешь их в папку
data/train, поверх старых. Запускаешь дообучение. Смотришь на графики — а метрики просели. «Странно... Может, я не те данные удалил? Или перезаписал не ту версию?» А вспомнить уже не можешь, потому что папка data/ теперь просто свалка из 50к файлов без истории 🦭.Вот здесь начинается ад😵💫. Ты пытаешься откатиться к прошлому чекпойнту модели, но он был натренирован на «каких-то там данных», которых у тебя уже нет. Воспроизвести прошлый результат нельзя. Весь процесс превращается в лотерею 🎟️
DVC — это как «Гит» для данных и моделей. Он не тащит гигабайты в репозиторий, а кладёт их на удалённое хранилище (типа S3 или даже просто сервер в соседней комнате), а в сам git-реп коммитит только маленький файлик-указатель (`.dvc`), который говорит: «версия данных №1 лежит вот по такому хешу».
Это гениально 😇, если ты два раза добавил одну и ту же картинку в разные датасеты, DVC не будет хранить две копии. Он посчитает хеш, увидит, что файл уже есть на сервере, и просто продублирует ссылку. Экономия места — бешеная.
Так почему его мало кто использует?
Потому что на старте проекта, когда данных 100 МБ, всё и так работает. DVC — это инструмент для «взрослых», который начинает кричать о своей необходимости ровно тогда, когда хаус уже горит и все тонут в хаосе. Это не про «сделать круто», а про «перестать тратить нервы и время». Это скелет проекта, который не ломается при первом же изменении. Самый недооценённый труженик в нашем стэке.
#DVC #ВерсионированиеДанных #MLOps #Reproducibility #DataManagement #МашинноеОбучение #DataScience #GitForData #MLOpsTools #MLЭксперименты #УправлениеДанными #DataEngineering #DataVersionControl