用途：该技能定位为机器学习场景下的 A/B 测试专家，支持实验设计、实现与分析，并考虑概念漂移、模型偏差、统计功效计算，以及同时衡量业务指标与模型性能指标的难点。
主要能力：强调统计严谨性，要求实验前定义主次指标、预先计算最小可检测效应（MDE）与样本量、评估多指标时做多重检验校正、选择正确的随机化单位（用户、会话或请求）。ML 特有考虑包括监控模型性能指标（准确率、AUC、precision/recall）与业务指标（转化、营收、参与度），纳入推理延迟与计算成本，分析时间效应与季节性，处理模型版本控制与可复现性。
使用方式：资料给出样本量计算（基于 ttest_power）、一致性哈希流量分组（ABTestSplitter）、模型服务与预测日志记录（ABTestModelServer）、贝叶斯 A/B 分析（PyMC3）、序贯检验与提前停止（O'Brien-Fleming 消耗函数）、漂移检测（KS 检验与 Jensen-Shannon 散度）等代码示例。这些示例展示实验设计、分组、部署监控、统计分析与模型性能监控的流程，必要命令与代码保持原样。
适用场景：生产环境中测试 ML 模型的在线实验，需要兼顾统计功效与业务、性能指标的场景。
限制：为俄语资料，缺少中文与官方文档；未提供具体平台支持、收费方式、安装步骤与效果数据，暂未提供相关信息。