ML-модели могут ошибаться — и это не всегда их вина. Данные деградируют, пайплайны ломаются, а бизнес теряет деньги. Как этого избежать? В этом докладе я расскажу, как тестировать ML-пайплайн на всех этапах: от подготовки данных до мониторинга работы модели в продакшене. Мы разберем ключевые методы проверки качества данных и инференса, data quality checks и контроль деградации моделей. Вы узнаете, как повысить стабильность ML-систем и сократить потери из-за ошибок в данных, а также откроете для себя новые горизонты в мире тестирования. Всё — на основе реального опыта тестирования и лучших практик на рынке.