NannyML NV

Deployare un modello di machine learning in produzione è solo il primo passo. Il vero problema inizia dopo: come si fa a sapere se quel modello sta ancora performando come dovrebbe? I dati cambiano, il comportamento degli utenti evolve, le distribuzioni si spostano — e un modello che funzionava perfettamente sei mesi fa potrebbe oggi stare prendendo decisioni sbagliate senza che nessuno se ne accorga. NannyML nasce per risolvere questo problema specifico: il monitoraggio dei modelli di machine learning dopo il deployment. La piattaforma consente ai team di data science di rilevare il drift — lo scostamento tra i dati su cui il modello è stato addestrato e quelli su cui opera oggi — e di stimare le performance del modello anche in assenza di dati di ground truth immediati. Questo secondo punto è particolarmente rilevante: in molti contesti reali, le etichette vere arrivano in ritardo o non arrivano affatto, rendendo impossibile misurare le performance del modello con i metodi tradizionali. NannyML risolve questo problema con approcci statistici proprietari che stimano la degradazione delle performance senza richiedere feedback immediato. Il prodotto è disponibile in versione open source e come piattaforma gestita, consentendo ai team di partire senza infrastruttura dedicata e scalare in base alle esigenze. Il target sono team di data science e MLOps in aziende di ogni dimensione che hanno modelli in produzione e che vogliono garantirne la qualità nel tempo. In un ecosistema ML che matura rapidamente, NannyML porta attenzione su una fase del ciclo di vita dei modelli troppo spesso trascurata.