Модель может работать.
И всё равно ошибаться.
В команде из двух человек работаю над детекцией аномалий во временных рядах: бустинг на лаговых и календарных признаках, IsolationForest.
шире нужного были полосы детекции из-за ошибки калибровки σ
без поставки данных пропустила модель — показал на replay-стенде
из будущего обнаружил при проверке пайплайна
Что именно нашёл и доработал
Разброс прогноза оценивался на горизонте около 107 шагов, а применялся примерно на 7. Нашёл также выбор порядка AR через argmin вместо idxmin и парсер, терявший числа вида 1e-5.
В LLM-агенте проверки транзакций устранил причину 100% промахов поиска по справочнику: заменил нарезку строк явным Pydantic-контрактом. Разобрал четыре дефекта ретраев при HTTP 429 и подготовил исправление. Обосновал F₀.₅ как базовую метрику при ограниченном ресурсе ручной проверки.
Для NLP-детектора нетипичных проводок согласовал лемматизацию, чтобы словоформы известных слов не давали ложных срабатываний.