Магистратура
2026/2027




Проектирование систем машинного обучения и генеративного искусственного интеллекта
ID 1135088
Статус:
Курс обязательный (Исследования и предпринимательство в искусственном интеллекте)
Кто читает:
Базовая кафедра МТС
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
6
Контактные часы:
56
Программа дисциплины
Аннотация
Разработать модель машинного обучения недостаточно: чтобы она приносила пользу, необходимо встроить её организовать работу с данными, настроить развёртывание, обновление модели и мониторинг сервисов.
На курсе вы разберёте полный жизненный цикл ML-системы — от постановки бизнес-задачи и определения требований до запуска и эксплуатации модели в production. Вы познакомитесь с инструментами подготовки и оркестрации данных, контейнеризации, CI/CD, трекинга экспериментов и мониторинга.
Отдельный блок будет посвящён инфраструктуре для эксплуатации больших языковых моделей: развёртыванию, нагрузочному тестированию, мониторингу и оптимизации производительности production LLM.
Итогом курса станет проектирование ML-системы и презентация вашей собственной разработки.
Цель освоения дисциплины
- Формирование и освоение полного жизненного цикла ML-системы - от постановки бизнес-задачи и определения требований до запуска и эксплуатации модели в production (включая инфраструктуру для эксплуатации больших языковых моделей), результатом чего станет проектирование ML-системы и презентация собственной разработки.
Планируемые результаты обучения
- Проектировать архитектуру ML-системы с учётом бизнес-задачи, требований к надёжности, масштабируемости и поддерживаемости
- Организовывать загрузку, преобразование и передачу данных с использованием хранилищ, брокеров сообщений и инструментов оркестрации
- Упаковывать и развёртывать ML-приложения, автоматизировать их тестирование, сборку и поставку с помощью Docker и CI/CD
- Организовывать жизненный цикл модели: трекинг экспериментов, версионирование, инференс, мониторинг данных и качества модели
- Проектировать инфраструктуру для эксплуатации ML- и LLM-моделей и обосновывать выбор архитектурных и технологических решений
Содержание учебной дисциплины
- Постановка бизнес-задачи и определение требований
- Проектирование данных и ML-пайплайнов
- Подготовка обучающих данных и проведение экспериментов
- Управление признаками и версиями моделей
- Проектирование сервисов прогнозирования
- Стратегии batch-, real-time- и hybrid-инференса
- Мониторинг, интерпретируемость и обновление моделей
- Проектирование масштабируемой ML-инфраструктуры
- Развёртывание и оптимизация больших языковых моделей
Элементы контроля
- Домашние заданияВ течение курса необходимо выполнить 7 обязательных домашних работ, при желании — одно дополнительное задание.
- Итоговый проектВ течение курса необходимо подготовить итоговый проект. На заключительных занятиях студенты представят и защитят разработанные решения.
Список литературы
Рекомендуемая основная литература
- Алгоритмы машинного обучения. (Серия «Библиотека программиста») - Смоляков Вадим - Санкт-Петербург: Питер - 978-5-4461-4257-6 - 2026 - русский - https://ibooks.ru/product/334755 - iBOOKS - 334755
- Искусственный интеллект: модели, сети и методы машинного обучения : учебное пособие / В. В. Антонов, А. С. Дьячков, Л. А. Кромина [и др.]. — Москва : Русайнс, 2026. — 165 с. — ISBN 978-5-466-11506-2. — URL: https://book.ru/book/962906 (дата обращения: 01.07.2026). — Текст : электронный.
- Машинный интеллект : очерки по теории машинного обучения и искусственного интеллекта, Шумский, С. А., 2024
Рекомендуемая дополнительная литература
- Плешакова, Е. С. Алгоритмы машинного обучения для решения прикладных задач : учебное пособие / Е. С. Плешакова. — Москва : Русайнс, 2026. — 176 с. — ISBN 978-5-466-11267-2. — URL: https://book.ru/book/962570 (дата обращения: 01.07.2026). — Текст : электронный.
- Построение систем машинного обучения на языке Python : как извлечь больше информации из данных путем построения практичных систем машинного обучения на языке Python, Коэльо, Л. П., 2019