Введение в MLOps

Магистратура 2025/2026

Статус: Курс обязательный (Машинное обучение в цифровом продукте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 3 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 40

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён изучению принципов и инструментов MLOps — дисциплины, обеспечивающей надёжное, воспроизводимое и масштабируемое функционирование моделей машинного обучения в промышленной среде. В рамках программы рассматривается полный жизненный цикл ML-систем: от управления данными и экспериментами до автоматизации пайплайнов, оркестрации вычислений, развертывания моделей и мониторинга их работы. Студенты изучают практики версионирования данных и моделей, ведения ML-экспериментов (MLflow и аналоги), организации регистров моделей и построения инфраструктуры для контролируемого продвижения моделей по стадиям жизненного цикла. Отдельный блок посвящён проектированию и реализации воспроизводимых ML-пайплайнов с использованием Airflow, Kubeflow и современных инструментов контейнеризации и распределённых вычислений. В процессе обучения разбираются архитектура и компоненты ML-платформ, включая feature store, pipeline-слой, registry и serving-механизмы, а также подходы к тестированию и мониторингу ML-систем в продакшене: от выявления дрейфа данных до анализа системных метрик и диагностики отказов. Практическая часть курса направлена на создание проекта, в рамках которого студент строит экспериментальный ML-пайплайн, отслеживает и сохраняет результаты, регистрирует модель, развертывает её и настраивает основные производственные метрики.

Цель освоения дисциплины

Научить пользоваться полным пайплайном инструментов для модели машинного обучения в промышленной среде – от разработки моделей отслеживания экспериментов до деплоя и эксплуатации.

Планируемые результаты обучения

Понимать разницу между подходящими проекту типичными пайплайнами создания ML-моделей и процедуру их использования.
Владеть навыками и инструментами для разработки автоматизированных пайплайнов для обучения, тестирования и логирования экспериментом ML-моделей (MLFlow).
Понимать, как автоматизировать развертывание моделей и вывод в продакшн, использовать инструменты контроля версий данных и моделей.
Выполнять необходимые шаги по оптимизации производительности ML-пайплайнов, управлению ресурсами, масштабированию вычислительных ресурсов, распределении нагрузки (Kubernetes, Docker, работа с GPU).
Использовать оркестрацию рабочих процессов (Airflow).
Понимать, как управлять инфраструктурой контейнеризации и виртуальных сред (интеграция Airflow с Kubernetes и Docker).
Может пройти основные этапы, чтобы автоматизировать мониторинг ML-моделей и бизнес-процессов, диагностику сбоев (Grafana).
Понимать концепции трекинга экспериментов.
Знать основы воспроизводимости экспериментов (фиксирование seed, использование конфигов).
Понимать основные сущности MLflow Experiment Tracking (эксперимент, запуск, метрики, параметры, артефакты).
Владеть навыками внедерения работы с MLflow в пайплайн обучения модели (создание эксперимента и запуска, логгирование метрик, параметров и артефактов).
Уметь работать с UI MLflow (поиск и просмотр эксперимента, информации о запуске и его артефактов, сравнение запусков).