Проектирование систем машинного обучения

Магистратура 2026/2027

Статус: Курс обязательный (Машинное обучение в цифровом продукте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 1 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён тому, как проектировать и разрабатывать ML-системы на практике — от понимания задачи до запуска в продакшн. Он помогает научиться мыслить как ML-инженер и готовит к реальным рабочим задачам и техническим собеседованиям. Курс охватывает ключевые этапы разработки ML-систем: от product и solution design до построения training и inference pipeline, внедрения моделей в продакшн и организации их жизненного цикла. Рассматриваются вопросы масштабируемости, надежности, стоимости и latency, а также методы мониторинга, экспериментов и итеративного улучшения систем. Практическая часть курса включает решение кейсов, моделирующих реальные задачи индустрии, а также подготовку к прохождению ML System Design интервью, в рамках которого студенты демонстрируют способность структурированно и аргументированно представлять архитектуру и решения ML-систем.

Цель освоения дисциплины

Сформировать системное понимание процесса проектирования и разработки ML-систем и развить практические навыки прохождения всех этапов -- от постановки задачи до продакшена – с ориентацией на реальные индустриальные практики и технические собеседования.

Планируемые результаты обучения

Уметь правильно формулировать ML-задачу в бизнес-контексте: структурировать MLSD-разбор, обосновывать необходимость применения ML в системе, связывать техническое решение с бизнес-ценностью и метриками.
Уметь проектировать solution design до выбора модели, разрабатывать верхнеуровневую архитектуру ML-системы: описывать компоненты системы и их взаимодействие, учитывать и ясно формулировать системные ограничения (data, latency, scale, cost).
Формализовывать ML-задачу и требования к данным: корректно определять ML задачу, выбирать target, label и единицу предсказания, определять требования к данным и обосновывать их необходимость.
Обоснованно выбирать ML-методы и проводить валидацию: аргументированно выбирать подходы и алгоритмы под задачу, проектировать evaluation framework с учётом бизнес-целей, выбирать и объяснять схему валидации под конкретный use case.
Проектировать внедрение модели в продакшн: разрабатывать training и inference pipeline, интегрировать модель в существующую систему, анализировать и объяснять production trade-offs (latency, freshness, cost, reliability).
Уметь описывать полный жизненный цикл ML-системы: планировать запуск (deployment) и стратегию релиза, проектировать мониторинг, алертинг и переобучение, описывать operational lifecycle и поддержку системы после деплоя.
Знать, как проходить ML System Design интервью: структурированно презентовать дизайн решения, объяснять архитектурные и ML-решения на уровне ожиданий индустрии, демонстрировать системное мышление на всех этапах MLSD.

Содержание учебной дисциплины

ML Product Design
Solution Design: требования, ограничения и верхнеуровневая архитектура
Data Science Methodology I: постановка ML-задачи и дизайн данных
Data Science Methodology II: методы, метрики, валидация и оценка качества
Production ML System Design: training/inference pipelines и внедрение модели в прод
Launch, Experimentation, Monitoring & Iteration
MLSD Кейс: RecSys
MLSD Кейс: LLM

Элементы контроля

Домашняя работа
На курсе предусмотрены практические работы в формате кейсов. Решение каждого кейса имитирует работу над одним из этапов дизайна ML-системы
Экзамен
Экзамен в формате mock-собеседования по ML-System Design
Вовлечённость

Промежуточная аттестация

2026/2027 1st module
0.4 * Экзамен + 0.4 * Домашняя работа + 0.2 * Вовлечённость

Список литературы

Авторы

Емашева Валерия Анатольевна

Программа дисциплины