Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Интеллектуальные подходы к тестированию программного обеспечения: автоматизация, качество и адаптивность

Бесплатно
Основная коллекция
Артикул: 869845.01.95
В монографии исследуется ключевое противоречие современной инженерии программного обеспечения: конфликт между скоростью поставки функциональности и необходимостью обеспечения качества сложных систем. На основе анализа эволюции QA-практик демонстрируются системные пробелы существующих подходов к оптимизации регрессионного тестирования, таких как анализ влияния изменений (TIA) и методы на основе машинного обучения (ML). В качестве решения предлагается авторская методология — Adaptive Quality and Test Impact (AQTI) Framework. Научная новизна фреймворка заключается в интеграции сигналов влияния изменений в коде с многофакторной оценкой качества самих тестов, включая их стабильность и бизнес-критичность. AQTI формализован в виде прозрачной скоринговой модели и алгоритма, позволяющего формировать минимально достаточный набор тестов в рамках заданных временных ограничений (SLA) с гарантированной «страховочной сеткой» критически важных проверок. Результаты ретроспективного моделирования подтверждают, что фреймворк способен значительно сокращать время тестовых циклов, сохраняя высокий уровень обнаружения дефектов. Монография адресована научным сотрудникам, инженерам и архитекторам. Благодаря опоре на универсальные инженерные артефакты, предложенный подход имеет не только теоретическую, но и практическую ценность, будучи применимым в таких отраслях, как финтех, e-commerce и государственные системы.

Интеллектуальные подходы к тестированию программного обеспечения: Автоматизация, качество и адаптивность

В условиях стремительного развития программной инженерии и повсеместного внедрения методологий DevOps, традиционные подходы к обеспечению качества (QA) сталкиваются с фундаментальным противоречием: необходимостью ускорения поставки функциональности при сохранении высокого уровня надёжности. Монография Д.О. Кочетова "Интеллектуальные подходы к тестированию программного обеспечения: автоматизация, качество и адаптивность" предлагает системное решение этой проблемы, представляя авторскую методологию Adaptive Quality and Test Impact (AQTI) Framework.

Эволюция QA: от ручного труда к интеллектуальной оптимизации

Исторически тестирование программного обеспечения прошло путь от трудоёмких ручных процессов до высокоавтоматизированных CI/CD-конвейеров. Однако даже полная автоматизация не решает проблему экспоненциального роста регрессионных наборов тестов, которые становятся слишком объёмными для выполнения в рамках жёстких временных ограничений (SLA). Современный DevOps-контекст, с его акцентом на "сдвиг влево" (раннее тестирование) и "сдвиг вправо" (тестирование в продуктивной среде), требует не просто автоматизации, а интеллектуальной оптимизации тестовых активностей.

Существующие интеллектуальные методы, такие как риск-ориентированное тестирование (RBT) и анализ влияния изменений (TIA), имеют свои ограничения. RBT часто страдает от субъективности экспертных оценок, а TIA, фокусируясь исключительно на изменениях в коде, игнорирует бизнес-контекст и внутреннее качество самих тестов. Модели машинного обучения (ML) для предсказания дефектов, хотя и перспективны, часто функционируют как "чёрные ящики", подрывая доверие инженеров. Генерация тестов с помощью больших языковых моделей (LLM) также усугубляет проблему управления растущим объёмом тестового покрытия.

AQTI Framework: многофакторный подход к адаптивному тестированию

В ответ на эти вызовы Кочетов предлагает AQTI Framework – многофакторную скоринговую модель, которая синтезирует разрозненные концепции в единое, прозрачное и адаптивное решение. Центральная идея AQTI заключается в оценке каждого теста на основе двух ключевых групп сигналов:

  1. Сигналы влияния (Impact Signals): Оценивают потенциальный риск, связанный с изменениями в коде. Сюда входят прямое покрытие изменённого кода, косвенное влияние через граф зависимостей, владение кодом (Bus Factor) и история дефектов в затронутых модулях.
  2. Сигналы качества (Quality Signals): Оценивают внутреннюю ценность и надёжность самого теста. Это включает бизнес-критичность проверяемой функциональности, фактическое покрытие кода тестом, историческую стабильность теста (снижение "flaky-тестов") и штраф за нестабильность.

Итоговая оценка AQTI для каждого теста рассчитывается как произведение взвешенных сумм этих сигналов. Мультипликативный характер формулы гарантирует, что тест с низким влиянием или низким качеством не получит высокого приоритета.

Интеграция и объяснимость: ключ к доверию

Алгоритм AQTI Framework включает сбор и нормализацию сигналов, расчёт скоринга, сортировку тестов по убыванию оценки и отбор тестов в рамках заданного SLA. Важным элементом является "страховочная сетка" (safety-net), которая гарантирует выполнение наиболее критически важных тестов, даже если они не попали в выборку по SLA.

Ключевым аспектом AQTI является его объяснимость (Explainable AI, XAI). Каждое решение фреймворка протоколируется в виде детального отчёта, содержащего исходные данные, конфигурацию и значения всех сигналов, повлиявших на выбор. Это позволяет инженерам и менеджерам понимать логику системы, проводить аудит и повышать доверие к автоматизированному процессу.

Практическая интеграция AQTI в CI/CD-пайплайны предполагает добавление специального этапа, который динамически формирует набор тестов для запуска, используя полученные от AQTI рекомендации. Ретроспективное моделирование на синтетических данных демонстрирует, что AQTI способен сокращать время выполнения тестовых циклов на 60-70% при сохранении высокого уровня обнаружения дефектов.

Заключение

Монография Д.О. Кочетова предлагает не просто очередной инструмент, а целостную методологию, способную разрешить ключевое противоречие современной программной инженерии. AQTI Framework является значительным шагом вперёд в развитии интеллектуальных систем тестирования, предлагая системное, прозрачное и адаптивное решение, применимое в широком спектре отраслей – от финтеха до государственных систем. Дальнейшее развитие фреймворка, включая расширение набора сигналов и применение Reinforcement Learning для автоматической калибровки весов, обещает сформировать новое поколение методологий обеспечения качества, более эффективных, надёжных и экономически устойчивых.

Текст подготовлен языковой моделью и может содержать неточности.

Кочетов, Д. О. Интеллектуальные подходы к тестированию программного обеспечения: автоматизация, качество и адаптивность : монография / Д.О. Кочетов. — Москва : ИНФРА-М, 2026. — 109 с. — DOI 10.12737/2232629. - ISBN 978-5-16-021786-4. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2232629 (дата обращения: 19.11.2026)
Фрагмент текстового слоя документа размещен для индексирующих роботов
Д.О. КОЧЕТОВ
МОНОГРАФИЯ
Москва
ИНФРА-М
2026
ИНТЕЛЛЕКТУАЛЬНЫЕ ПОДХОДЫ 
К ТЕСТИРОВАНИЮ 
ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
АВТОМАТИЗАЦИЯ, КАЧЕСТВО 
И АДАПТИВНОСТЬ


УДК 004(075.4)
ББК 16
 
К75
ISBN 978-5-16-021786-4 (print)
ISBN 978-5-16-114423-7 (online)
ФЗ 
№ 436-ФЗ
Издание не подлежит маркировке 
в соответствии с п. 1 ч. 2 ст. 1
Кочетов Д.О.
К75  
Интеллектуальные 
подходы 
к 
тестированию 
программного 
обеспечения: автоматизация, качество и адаптивность : монография / 
Д.О. Кочетов. — Москва : ИНФРА-М, 2026. — 109 с. — 
DOI 10.12737/2232629.
ISBN 978-5-16-021786-4 (print)
ISBN 978-5-16-114423-7 (online)
В монографии исследуется ключевое противоречие современной инженерии 
программного обеспечения: конфликт между скоростью поставки функциональности и необходимостью обеспечения качества сложных систем. На основе анализа 
эволюции QA-практик демонстрируются системные пробелы существующих подходов к оптимизации регрессионного тестирования, таких как анализ влияния изменений (TIA) и методы на основе машинного обучения  (ML).
В качестве решения предлагается авторская методология — Adaptive Quality and 
Test Impact (AQTI) Framework. Научная новизна фреймворка заключается в интеграции сигналов влияния изменений в коде с многофакторной оценкой качества 
самих тестов, включая их стабильность и бизнес-критичность. AQTI формализован 
в виде прозрачной скоринговой модели и алгоритма, позволяющего формировать 
минимально достаточный набор тестов в рамках заданных временных ограничений 
(SLA) с гарантированной «страховочной сеткой» критически важных проверок.
Результаты ретроспективного моделирования подтверждают, что фрейм ворк 
способен значительно сокращать время тестовых циклов, сохраняя высокий уровень обнаружения дефектов. 
Монография адресована научным сотрудникам, инженерам и архитекторам. 
Благодаря опоре на универсальные инженерные артефакты, предложенный подход 
имеет не только теоретическую, но и практическую ценность, будучи применимым 
в таких отраслях, как финтех, e-commerce и государственные системы.
УДК 004(075.4)
ББК 16
© Кочетов Д.О., 2026
Отпечатано в типографии ООО «Научно-издательский центр ИНФРА-М»
127214, Москва, ул. Полярная, д. 31В, стр. 1
Тел.: (495) 859-48-60
ООО «Научно-издательский центр ИНФРА-М»
127214, Москва, ул. Полярная, д. 31В, стр. 1
Тел.: (495) 859-48-60
E-mail: books@infra-m.ru        http://www.infra-m.ru
Подписано в печать 16.12.2025. Формат 60×90/16. Бумага офсетная. 
Гарнитура Petersburg. Печать цифровая. Усл. печ. л. 6,81.
Тираж 500 экз. Заказ № 00000
ТК 869845-2232629-161225


 
 
ОГЛАВЛЕНИЕ 
ВВЕДЕНИЕ ..............................................................................................................................5 
ГЛАВА 1. СОВРЕМЕННОЕ ОБЕСПЕЧЕНИЕ КАЧЕСТВА В DEVOPS: РОЛИ, 
ПРОЦЕССЫ, МЕТРИКИ ......................................................................................................13 
1.1. Роли и модели взаимодействия: QA, Dev и SRE в парадигмах Shift-Left 
Right .......................................................................................................................13 
1.2. Процессы и артефакты: практическая реализация пирамиды тестирования, 
шлюзов качества и критериев готовности .....................................................................16 
1.3. Ключевые метрики качества и скорости: анализ DORA-метрик и их корреляция 
с бизнес-результатами .....................................................................................................19 
1.4. Основные вызовы современного QA: нестабильные тесты, деградация 
регрессионного набора и нестабильность интеграций.................................................22 
ГЛАВА 2. АВТОМАТИЗАЦИЯ ТЕСТИРОВАНИЯ: АРХИТЕКТУРА И 
ЭФФЕКТИВНОСТЬ ..............................................................................................................25 
2.1. Архитектурные паттерны автоматизированных тестов ........................................25 
2.2. Управление тестовыми данными: стратегии изоляции, идемпотентности и 
генерации ..........................................................................................................................27 
2.3. Инженерные подходы к борьбе с нестабильностью тестов .................................29 
2.4. Экономическое обоснование автоматизации: модели расчёта ROI ....................30 
2.5. Сравнительный анализ инструментальных стеков и их влияние на 
собираемость сигналов для интеллектуальных систем ...............................................32 
ГЛАВА 3. НАДЁЖНОСТЬ И CI/CD: УДЕРЖАНИЕ СКОРОСТИ БЕЗ ПОТЕРЬ 
КАЧЕСТВА ............................................................................................................................37 
3.1. Стратегии организации сборок: профили (fast checks, smoke, nightly) и SLA ....37 
3.2. Оптимизация конвейера: параллелизация, шардирование и кеширование 
тестовых выполнений ......................................................................................................39 
3.3. Наблюдаемость для процессов тестирования: телеметрия, логирование и 
трассировка .......................................................................................................................41 
3.4. Реализация политик шлюзов качества и автоматизация сортировки и 
приоритизации сбоев .......................................................................................................42 
3.5. Паттерны интеграции интеллектуального отбора тестов в CI/CD-пайплайны 
(Jenkins, GitLab CI, GitHub Actions) ...............................................................................43 
3.6. Протоколирование решений AQTI .........................................................................45 
ГЛАВА 4. ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ В ОБЕСПЕЧЕНИИ КАЧЕСТВА: ОТ 
ЭВРИСТИК К МАШИННОМУ ОБУЧЕНИЮ И АНАЛИЗУ ИЗМЕНЕНИЙ В QA .......49 
4.1. Риск-ориентированное тестирование и эвристики приоритизации регресса .....50 
4.2. Анализ влияния изменений: сигналы изменений, покрытия и зависимости и 
ограничения подхода .......................................................................................................52 
4.3. ML/AI в QA: дефект-предикция, требования к данным и объяснимость/этика .56 
и Shift
 
 
4.4. Генерация тестов LLM-ами: сценарии, промпт-инжиниринг и защитные 
механизмы ........................................................................................................................59 
ГЛАВА 5. ТЕСТИРОВАНИЕ REST API В ПРОМЫШЛЕННЫХ СИСТЕМАХ ............63 
5.1. Контракты и совместимость: спецификация OpenAPI, версионирование, 
обратная и прямая совместимость .................................................................................64 
5.2. Матрица сценариев тестирования API....................................................................65 
5.3. Безопасность: OWASP API Top-10 в тестировании и  наблюдаемость 
интерфейсов ......................................................................................................................67 
5.4. Производительность и устойчивость: таймауты, деградации, ретраи ................72 
5.5. Альтернативные архитектурные стили: gRPC и GraphQL ...................................73 
ГЛАВА 6. АВТОРСКАЯ МЕТОДИКА AQTI-ФРЕЙМВОРК: АДАПТИВНЫЙ ВЫБОР 
РЕГРЕССА ПО МЕТРИКАМ ВЛИЯНИЯ И КАЧЕСТВА .................................................76 
6.1. Постановка задачи: минимально-достаточный регресс под SLA и 
ограничения/допущения ..................................................................................................77 
6.2. Сигналы влияния: сравнение версий кода, затронутые модули, граф 
зависимостей, владение кодом, недавние дефекты. .....................................................79 
6.3. Сигналы качества: критичность бизнес-функций, фактическое покрытие, 
стабильность и штраф за нестабильность .....................................................................82 
6.4. Скоринговая модель (формула автора) ...................................................................83 
6.5. Алгоритм и псевдокод: сбор → нормализация → расчет оценки → отбор 
(выбор N-лучших / порог) → страховочная сетка → логирование причин ...............84 
6.6. Теоретическая валидация и сценарные расчёты ....................................................86 
6.7. Кейс-стади на синтетических данных (репродуцируемый) .................................88 
6.8. Интеграция в CI/CD ..................................................................................................91 
ЗАКЛЮЧЕНИЕ ......................................................................................................................96 


 
 
ВВЕДЕНИЕ 
История развития инженерии программного обеспечения неразрывно 
связана с эволюцией подходов к обеспечению качества (Quality Assurance, 
QA). На ранних этапах жизненного цикла разработки ПО тестирование 
представляло собой преимущественно ручной, трудоёмкий и изолированный 
процесс, выполняемый на заключительных стадиях перед выпуском продукта 
[1–3]. Этот подход, известный как «водопадная модель» (Waterfall), превращал 
QA в узкое место, замедляя поставку ценности конечному пользователю и 
делая процесс исправления ошибок дорогостоящим из-за их позднего 
обнаружения. 
Первой 
технологической 
революцией 
в 
этой 
области 
стала 
автоматизация тестирования. Появление таких инструментов, как JUnit, а 
позднее — Selenium, позволило значительно ускорить выполнение 
повторяющихся регрессионных сценариев. Однако этот прогресс породил 
новые вызовы: сложность создания и, что более важно, поддержки 
автоматизированных тестовых сценариев в условиях постоянно меняющегося 
кода [3, 4]. Автоматизация решила проблему скорости выполнения, но ценой 
значительного увеличения накладных расходов на сопровождение тестовой 
инфраструктуры. 
Следующий качественный скачок был обусловлен повсеместным 
внедрением методологий разработки и эксплуатации (Development and 
Operations, DevOps), а также практик непрерывной интеграции и непрерывной 
поставки (Continuous Integration and Continuous Delivery, CI/CD). В парадигме, 
где код интегрируется и развёртывается многократно в течение дня, 
традиционный подход к запуску полного регрессионного набора тестов стал 
не просто медленным, а практически невозможным [1]. Требование к 


 
 
получению быстрой обратной связи о качестве каждого изменения стало 
доминирующим 
фактором, 
определяющим 
архитектуру 
процессов 
тестирования [5–6]. 
Именно в этом контексте начался переход от простой автоматизации к 
интеллектуализации QA. Современный этап эволюции характеризуется 
активным применением технологий искусственного интеллекта (Artificial 
Intelligence, AI) и машинного обучения (Machine Learning, ML) для решения 
задач, которые ранее требовали экспертной оценки человека. Ключевыми 
направлениями стали предикция дефектов (defect prediction), автоматическая 
генерация тестовых сценариев и интеллектуальная оптимизация тестовых 
наборов [1, 4]. Прогнозы ведущих аналитических агентств, таких как Gartner 
(международная 
исследовательская 
и 
консалтинговая 
компания, 
специализирующаяся на ИТ-рынке), указывают на то, что к 2027 году до 80 % 
крупных 
предприятий 
интегрируют 
в 
свои 
процессы 
инструменты 
тестирования, дополненные AI, что свидетельствует о необратимости этого 
тренда [7–9]. Таким образом, фокус сместился с вопроса «как запустить тесты 
быстрее?» на вопрос «как запустить только самые нужные тесты?». Этот сдвиг 
знаменует переход от механической автоматизации к когнитивному 
управлению качеством. 
Центральным 
вызовом 
современной 
разработки 
программного 
обеспечения является разрешение фундаментального конфликта между 
скоростью поставки новых функциональностей (velocity), диктуемой 
требованиями 
бизнеса, 
и 
необходимостью 
обеспечения 
надёжности, 
стабильности и качества продукта (quality) [10, 11]. Ускорение циклов CI/CD 
приводит к экспоненциальному росту числа регрессионных запусков, что 
делает полный регресс экономически нецелесообразным и технически 


 
 
невозможным в рамках требуемых временных окон. Эта дилемма формирует 
основную актуальность настоящего исследования. 
В свете обозначенной проблематики данная монография ставит своей 
целью ответить на ряд ключевых исследовательских вопросов и проверить 
следующие гипотезы: 
Гипотеза 1: Может ли адаптивный фреймворк значительно сократить 
время выполнения регрессионных тестов, сохраняя при этом или снижая 
коэффициент пропущенных дефектов (Defect Escape Rate)? 
Гипотеза 2: Повышает ли внедрение принципов объяснимого 
искусственного интеллекта (Explainable AI (XAI)) в процесс интеллектуальной 
приоритизации тестов доверие инженеров к автоматизированным системам и 
способствует ли это их более широкому принятию в конвейерах разработки и 
эксплуатации (DevOps)? 
Гипотеза 3: Способна ли мультифакторная скоринговая модель (модель 
присвоения числовых оценок), объединяющая сигналы влияния кода и 
качественные характеристики самих тестов, обеспечить более эффективный и 
управляемый отбор тестов по сравнению с подходами, основанными только на 
анализе влияния или «чёрно-ящичных» ML-моделях? 
Цель данной монографии — провести систематический анализ 
современных интеллектуальных подходов к тестированию программного 
обеспечения и на основе выявленных ограничений и пробелов предложить и 
теоретически обосновать новую, целостную методологию — фреймворк 
адаптивного выбора тестов на основе показателей качества и влияния 
(Adaptive Quality and Test Impact Framework, AQTI). Предлагаемый фреймворк 
призван разрешить конфликт «скорость и качество» путём внедрения научно 


 
 
обоснованного, 
управляемого 
данными 
и 
прозрачного 
механизма 
приоритизации регрессионных тестов. 
Научная новизна исследования заключается в разработке AQTIфреймворка как синтеза ранее разрозненных концепций. В то время как 
существующие методы анализа влияния изменений (Test Impact Analysis, TIA) 
фокусируются исключительно на изменениях в коде, а многие ML-модели 
функционируют как непрозрачные «чёрные ящики», AQTI представляет собой 
мультифакторную модель, которая уникальным образом объединяет: 
1. 
Сигналы влияния: количественную оценку риска, связанного с 
изменениями в кодовой базе. 
2. 
Сигналы качества: внутренние атрибуты самих тестов, такие как 
стабильность, 
бизнес-критичность 
проверяемой 
функциональности 
и 
историческая эффективность в обнаружении дефектов. 
Такой гибридный подход позволяет формировать взвешенную, 
контекстно-зависимую оценку ценности каждого теста для конкретного 
изменения в коде, что является значительным шагом вперёд по сравнению с 
существующими практиками. 
Объектом 
исследования 
выступают 
процессы, 
методы 
и 
инструментальные средства повышения качества программного обеспечения 
в рамках современных методологий разработки, таких как DevOps и CI/CD. 
Предметом исследования является разработка и теоретическая 
валидация 
адаптивного 
фреймворка 
для 
отбора 
и 
приоритизации 
регрессионных тестов, направленного на оптимизацию баланса между 
скоростью обратной связи и полнотой тестового покрытия. 
Для достижения поставленной цели в работе применяется комплексная 
методология, включающая следующие этапы: 


 
 
Систематический анализ литературы и индустриальных практик: 
Изучение и обобщение научных публикаций из ведущих рецензируемых 
источников (IEEE, ACM), а также аналитических отчётов (Gartner) для 
формирования полной картины современного состояния области [2, 9]. 
2. 
Теоретическое моделирование: Формализация AQTI-фреймворка, 
включая разработку его ключевых компонентов: скоринговой модели, 
алгоритма принятия решений и архитектуры сбора необходимых сигналов. 
3. 
Ретроспективное симуляционное моделирование: Апробация и 
валидация эффективности предложенного фреймворка путём его применения 
к синтетическим, но репрезентативным наборам исторических данных о 
CI/CD-процессах. Этот метод позволяет провести количественное сравнение 
результатов работы AQTI с традиционными подходами (полный регресс, 
базовый TIA) по таким критериям, как время выполнения, стоимость и 
коэффициент пропущенных дефектов (Defect Escape Rate). 
Теоретическую 
базу 
исследования 
формируют 
три 
ключевых 
направления в области интеллектуализации тестирования: 
1. Анализ влияния изменений (Test Impact Analysis, TIA). TIA 
представляет собой совокупность методов, направленных на определение 
подмножества тестов, которые необходимо выполнить для проверки 
конкретного изменения в коде [5]. Основное преимущество TIA заключается 
в значительном сокращении времени тестового цикла, что позволяет получать 
более быструю обратную связь. Однако классические подходы TIA имеют 
существенные ограничения: они, как правило, не способны отслеживать 
изменения на уровне конфигурации, инфраструктуры или данных, а также не 
предоставляют гарантий по обнаружению всех потенциальных дефектов, что 
требует периодического запуска полного регрессионного набора [5]. Это 


 
 
указывает на то, что анализ влияния изменений сам по себе является 
необходимым, но не достаточным условием для построения надёжной 
стратегии тестирования. 
2. Машинное обучение и искусственный интеллект в QA (ML/AI in QA). 
Применение ML в тестировании развивается по двум основным векторам. 
Первый – предикция дефектов, где модели, обученные на исторических 
данных (коммиты, дефекты, метрики кода), предсказывают модули или 
файлы, наиболее подверженные риску возникновения ошибок, тем самым 
помогая сфокусировать усилия по тестированию [7, 8, 12]. Второй вектор – 
генерация и приоритизация тестов, где алгоритмы (включая методы с 
учителем, без учителя и с подкреплением) используются для автоматического 
создания новых тестовых сценариев или ранжирования существующих [4, 7, 
8]. Основной проблемой многих ML-подходов является их непрозрачность, 
или эффект «чёрного ящика», когда инженеры не могут понять и объяснить, 
почему модель приняла то или иное решение, что подрывает доверие к системе 
[3]. 
3. Объяснимость и прозрачность решений (Explainable AI, XAI). В ответ 
на проблему «чёрного ящика» активно развивается направление объяснимого 
AI (XAI), цель которого – сделать решения интеллектуальных систем 
интерпретируемыми для человека [13–15]. В контексте QA это означает, что 
система приоритизации тестов должна не просто выдавать список тестов для 
запуска, а предоставлять аудируемое обоснование своего выбора. Это 
критически важно для построения доверия и внедрения таких систем в 
производственные CI/CD-конвейеры, где цена ошибки высока [16].  
Методы, такие как LIME и SHAP, предоставляют инструментарий для 
локальной и глобальной интерпретации моделей, отвечая на вопрос, какие