QA-методы для ML-моделей: реально ли тестировать нейросети как обычный софт?

Обычные тесты не подходят для ML-моделей, а дата-сайентисты говорят на другом языке. Но один тестировщик решил проверить, можно ли применить классические QA-методы к машинному обучению. Он собрал фреймворк, обучил модель на реальных данных и прогнал её через пять техник тест-дизайна.

Результаты оказались неожиданными: многие привычные подходы (например, граничные значения, попарное тестирование) отлично работают и для ML. Автор делится кодом, фреймворком и конкретными кейсами. Это практическое руководство для тех, кто хочет тестировать модели системно, а не «на глаз».