2026/2027

Запуск ML моделей в промышленной среде

ID 1130294

Статус: Маго-лего

Кто читает: Базовая кафедра Сбер

Где читается: Факультет компьютерных наук

Когда читается: 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 56

Программа дисциплины

Аннотация

Дисциплина посвящена практикам MLOps, которые обеспечивают переход моделей машинного обучения из экспериментальной разработки в промышленную эксплуатацию. Слушатели изучат современные инструменты и подходы к подготовке данных, контейнеризации, развертыванию, мониторингу, масштабированию и защите систем машинного обучения.

Цель освоения дисциплины

• Формирование знаний, умений и навыков управления моделями и их жизненным циклом в промышленных системах от данных до развертывания.

Планируемые результаты обучения

• Уметь объяснить роль MLOps в жизненном цикле ML-продукта
• Уметь определить бизнес-проблемы, которые решают практики MLOps
• Понимать основные компоненты MLOps-стека, их назначение и место в процессе разработки
• Уметь создавать контейнерный образ ML-сервиса
• Уметь настраивать зависимости контейнерного образа ML-сервиса
• Уметь запускать сервис в изолированной среде
• Уметь организовывать воспроизводимый конвейер подготовки данных
• Уметь настраивать контроль качества и версионирование наборов данных
• Уметь выбирать метрики качества модели
• Уметь проводить оценку на контрольных данных
• Уметь обосновать критерии допуска модели к развертыванию
• Уметь сравнивать пакетный, потоковый и онлайн-инференс
• Уметь выбирать и реализовывать подходящий паттерн развертывания модели
• Иметь представление о ландшафте решений для непрерывного цикла обучения и инференса
• Иметь навык развертывания моделей в промышленных средах
• Уметь настраивать сбор метрик ML-сервиса
• Уметь выявлять снижение качества модели, дрейф данных и технические сбои
• Уметь оценивать требования к производительности ML-сервиса
• Уметь подбирать способ масштабирования
• Уметь выявлять основные угрозы для ML-систем
• Уметь применять меры защиты данных и моделей
• Уметь проектировать базовую архитектуру внутренней ML-платформы
• Уметь определять сервисы ML-платформы
• Понимать пользовательский путь ML-команды
• Понимать устройство платформ по обслуживанию ML моделей

Содержание учебной дисциплины

• Зачем MLOps организациям
• Обзор современного MLOps-стека
• Контейнеризация
• DataOps
• Качество моделей
• Паттерны инференса и развертывания моделей
• Мониторинг
• Масштабирование
• MLSecOps
• Платформенная инженерия

Элементы контроля

• Домашнее задание 1
  Подготовка локальной инфраструктуры для сервинга моделей и пайплайнов обработки данных.
• Домашнее задание 2
• Домашнее задание 3
• Устная защита
  Три вопроса по архитектуре ML-решений.

Промежуточная аттестация

• 2026/2027 2nd module
  0.4 * Устная защита + 0.2 * Домашнее задание 1 + 0.2 * Домашнее задание 2 + 0.2 * Домашнее задание 3

Список литературы

Рекомендуемая основная литература

• Machine learning fundamentals : a concise introduction, Jiang, H., 2021
• Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications © 2017 // https://library.books24x7.com/toc.aspx?bookid=117434

Рекомендуемая дополнительная литература

• Machine learning in action, Harrington, P., 2012
• Site Reliability Workbook: практическое применение - 978-5-4461-1087-2 - Бетси Бейер , Дэвид Рензин, Кент Кавахара, Стивен Торн - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/371684 - 371684 - iBOOKS

Авторы

• Емашева Валерия Анатольевна