Введение в MLOps

Магистратура 2026/2027

ID 1166260

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

Сформировать навыки разработки и эксплуатации воспроизводимых ML-систем, включая управление данными и экспериментами, автоматизацию пайплайнов, развёртывание, тестирование и мониторинг моделей в промышленной среде.

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).
Выбирает и обосновывает архитектуру ML-пайплайна с учётом этапов жизненного цикла модели и требований проекта.
Разрабатывает автоматизированные пайплайны обучения и тестирования моделей; фиксирует параметры, метрики и артефакты экспериментов в MLflow или аналогичном инструменте.
Версионирует данные и модели, использует Model Registry и автоматизирует продвижение и развёртывание моделей.
Оптимизирует производительность ML-пайплайна, распределяет вычислительные ресурсы и использует контейнеризацию при работе с Docker, Kubernetes и GPU.
Проектирует DAG и оркестрирует рабочие процессы с использованием Apache Airflow.
Воспроизводит окружение и интегрирует оркестрацию с контейнерной инфраструктурой.
Настраивает мониторинг данных, моделей и системы, выявляет дрейф, диагностирует сбои и обосновывает необходимые действия по результатам наблюдений.

Содержание учебной дисциплины

Введение в MLOps
Управление данными. Версионирование данных
Автоматизация экспериментов. Ведение ML-экспериментов с MLflow или аналогами
Model Registry и управление жизненным циклом
Оркестрация и пайплайны ML
ML-платформы: обзор и практика
Тестирование и валидация ML-систем. Тестирование данных и моделей
Мониторинг ML в продакшене. Метрики модели и системы.
Основы LLMOps

Элементы контроля

Домашняя работа 1. Трекинг экспериментов в MLflow
Интегрировать MLflow в пайплайн обучения модели, организовать сохранение параметров, метрик и артефактов, сравнить результаты запусков и обеспечить воспроизводимость эксперимента.
Вовлечённость
Вовлечённость складывается из посещаемости занятий, участия в проверочных работах и тестах во время занятий, решения тестовых заданий на повторение и проверку понимания в LMS.

Промежуточная аттестация

2026/2027 3rd module
0.7 * Домашняя работа 1. Трекинг экспериментов в MLflow + 0.3 * Вовлечённость

Список литературы

Авторы

Никитин Илья Сергеевич

Программа дисциплины