Как ML помогает тестировать то, что нельзя предсказать вручную? В новом материале — кейс о том, как спроектировать систему динамической генерации тестовых сценариев для транспортного проекта. За основу взято имитационное моделирование с элементами ML. В статье подробное описание архитектуры решения: — пайплайн из Great Expectations, Evidently AI, DVC и Airflow; — три слоя данных: продовые срезы, обезличенные профили и «мутации» аномалий от ML; — а еще швейцарский сыр. Как он там оказался, читайте в статье. @zen_of_python (теперь в VK и Max)