На практике это означает, что все те практики, которые DevOps-инженер считает базовыми — версионирование, CI/CD, контейнеризация, мониторинг, секреты — распространяются ещё и на данные и модели. Для этого нужен трекинг экспериментов — мы взяли MLflow с PostgreSQL в качестве бэкенда. Архитектура: что и зачем мы развернулиПлатформа спроектирована для работы в закрытом контуре: приватный GitLab, приватный Docker Registry, внутренний Ingress, никаких облачных сервисов. Мы использовали это, когда понадобилось передать MLFLOW_TRACKING_USERNAME и MLFLOW_TRACKING_PASSWORD в singleuser-поды JupyterLab из того же секрета, что используется для MLflow и inference. Но она показывает главное: MLOps — это не магия и не отдельная вселенная со своими законами.