Проектирование и эксплуатация систем машинного обучения

Бакалавриат 2025/2026

Статус: Курс по выбору (Прикладная математика и информатика)

Кто читает: Базовая кафедра МТС

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Шаланкин Максим Дмитриевич

Язык: русский

Кредиты: 5

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «MLOps и ML Systems» посвящён построению и эксплуатации систем машинного обучения в продакшне. Студенты познакомятся с жизненным циклом ML-систем, научатся проектировать пайплайны обработки данных, разрабатывать и деплоить модели, внедрять CI/CD для ML и организовывать мониторинг качества. В курсе уделяется внимание не только алгоритмам, но и инженерным аспектам: инфраструктуре, хранению данных, потоковым системам и интерпретируемости моделей. Для выполнения практических заданий студентам будут предоставлены виртуальные машины MWS Cloud.

Цель освоения дисциплины

Цель освоения: дать студентам системное понимание архитектуры ML-систем и инструментов MLOps, научить проектировать и поддерживать end-to-end решения от данных до продакшн-сервисов. По окончании курса студент будет уметь: - описывать жизненный цикл ML-системы и роли участников процесса - работать с современными инструментами хранения и обработки данных (MPP, Kafka, ClickHouse, DBT и др.) - создавать Docker-контейнеры и развертывать ML-сервисы - строить пайплайны с использованием Airflow и CI/CD - организовывать мониторинг моделей и отслеживание сдвигов данных - применять практики интерпретируемости и объяснимости моделей - проектировать масштабируемую ML-инфраструктуру

Планируемые результаты обучения

Классифицировать системы машинного обучения
Понимание целей курса, use cases, отличия research и production ML
Знание принципов MLOps и роли инженерных практик в ML
Определение бизнес-целей и требований к ML-системам
Умение различать архитектуры ETL/ELT, применять MPP-системы
Навыки семплирования, очистки и подготовки обучающих данных
Создание контейнеров и деплой ML-сервисов
Методы кодирования, борьбы с утечками, инженерии фич
Построение и настройка пайплайнов CI/CD
Проведение обучения и оценка моделей офлайн и онлайн
Навыки работы с Kafka: продюсеры, консьюмеры, интеграция с ML
Отличие batch и online прогнозирования, деплой моделей как сервисов
Создание DAG-ов, организация исполнения пайплайнов
Отслеживание деградации моделей и сдвигов распределений
Умение хранить и анализировать большие объёмы данных
Настройка CI для данных и моделей, A/B-тестирование в продакшне
Построение трансформаций данных через декларативные модели
Методы объяснимости и интерпретации решений ML
Создание, хранение и переиспользование признаков
Конструирование устойчивых и воспроизводимых пайплайнов
Архитектура масштабируемых ML-систем и распределённые решения

Содержание учебной дисциплины

Введение в курс и обзор ML-систем
MLOps и основы инженерии данных
Проектирование систем ML
Хранилища данных и системы MP
Данные для обучения
Docker для ML-приложений
Разработка признаков
CI/CD в MLOps
Разработка модели и её оценка
Потоковые данные и Kafka
Сервисы прогнозирования моделей
Airflow и ML-пайплайны
Сдвиги данных и мониторинг
ClickHouse для MLOps
Непрерывное обучение и тестирование
DBT и трансформация данных
Интерпретируемость моделей
Feature Store
Проектирование ML-пайплайнов
Масштабируемая инфраструктура ML

Элементы контроля

Домашнее задание №1
Задание 1: Установка Docker Задание 2: Создание Docker приложения для ML Задание 3: Docker Compose для упрощения работы
Итоговый проект
Домашнее задание №2
Задание 1: Настройка репозитория Задание 2: Настройка CI/CD-пайплайна Задание 3: Автоматизация деплоя модели
Домашнее задание №3
Задание 1: Настройка Apache Airflow Задание 2: Создание DAG для ETL-процесса Задание 3: Мониторинг и отладка
Домашнее задание №4
Задание 1: Установка и настройка ClickHouse Задание 2: Создание таблиц и загрузка данных Задание 3: Выполнение аналитических запросов Задание 4: Настройка производительности Задание 5: Мониторинг и оптимизация
Домашнее задание №5
Задание 1: Установка и настройка DBT Задание 2: Создание моделей данных Задание 3: Тестирование моделей
Домашнее задание №6
Создание продюсеров и консьюмеров Примеры использования Kafka в MLOps

Промежуточная аттестация

2025/2026 2nd module
Формула итоговой оценки = 0.6 × (среднее арифм. ДЗ 1-6) + 0.4 × (итоговый проект)

Программа дисциплины