Трансформер в on-premise AppSec: как мы встроили ML-модель для классификации секретов в продукт без GPU

Дата публикации: 02-06-2026 18:21:29

Рассказываем, как мы интегрировали CodeBERT-based модель классификации секретов в production-продукт с жёсткими ограничениями по железу, сократив время инференса с 320 до 90 секунд и размер модели с ~600 до ~130 МБ — без дискретных ускорителей и тяжёлых зависимостей.

Схожие новости

#	Наименование новости	Тональность	Информативность	Дата публикации
1	Клиент — это тоже вектор? Как мы хотели улучшить ML-модель, а построили similarity engine	0	11.48	18-05-2026
2	AppSec Solutions разработали систему, которая решает проблему скрытых угроз в ML-моделях	0	13.67	06-08-2026
3	AppSec Solutions разработали систему, которая решает проблему скрытых угроз в ML-моделях	0	13.67	06-08-2026
4	Гибридный поиск по коду в GitLab: как я ускорил поиск по 100+ GitLab-проектам с часов до минут	0	11.83	07-04-2026
5	From single pull requests to full software packages: Detecting malicious code at scale	0	8.8	02-06-2026
6	Отказ от ответа в табличной классификации: max-prob, entropy и conformal sets на CatBoost	0	10.81	09-03-2026
7	Выделение одного значащего признака из набора данных с помощью машинного обучения. Используется Apache Spark	0	6.55	19-05-2026
8	Как деанонимизировать поведение трансформера на временных рядах: визуальная диагностика и фальсифицируемые тесты	0	5.88	29-01-2026
9	Pipeline в машинном обучении: как создавать сложные модели без боли и утечек данных	0	7.77	07-06-2026
10	Сепаратор для логов. Сжимаем логи для контекста LLM без потери читаемости	0	11.92	06-05-2026

Классификация: Пресс-релизы. Схожих патентов: 0. Схожих новостей: 10. Тональность: 0. Информативность: 17.09. Источник: pythondigest.ru.