Инженерия жизненного цикла моделей машинного обучения (MLOps)

Бакалавриат 2026/2027

ID 1190252

Статус: Курс обязательный (Технологии искусственного и дополненного интеллекта)

Кто читает: Кафедра информационных систем и технологий (Нижний Новгород)

Где читается: Факультет информатики, математики и компьютерных наук (Нижний Новгород)

Когда читается: 3-й курс, 3, 4 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Саратовцев Артем Романович

Язык: русский

Кредиты: 5

Контактные часы: 80

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Инженерия машинного обучения» посвящён полному жизненному циклу ML‑систем: от разработки модели и работы с данными до развёртывания, мониторинга и оркестрации в продакшене. Студенты знакомятся с методологией CRISP‑ML, современными инструментами разработки (Git, bash, виртуальные окружения, Docker, Docker Compose), хранилищами данных (PostgreSQL, ClickHouse, S3, Redis, брокеры сообщений, векторные движки), системами разметки и трекинга экспериментов (Label Studio, MLflow), инструментами деплоя (FastAPI, Nvidia Triton), мониторингом (Prometheus, Grafana, Evidently) и оркестрацией (Airflow, Kubernetes, Kubeflow). Особое внимание уделено проектно‑ориентированному подходу: в рамках домашних заданий и итогового проекта студенты строят воспроизводимый ML‑сервис, проходящий через разработку, деплой, мониторинг и автоматизацию.

Цель освоения дисциплины

Понимать жизненный цикл ML‑проекта в терминах CRISP‑ML и место MLOps‑практик на каждом этапе.
Проектировать и реализовывать инфраструктуру для разработки и эксплуатации ML‑моделей (репозитории кода, окружения, контейнеры, регистри образов и моделей).
Разворачивать и интегрировать ML‑сервисы с использованием FastAPI и специализированных фреймворков инференса (Nvidia Triton, TorchServe, MLflow Serving).
Организовывать трекинг экспериментов, управление версиями моделей и воспроизводимость с помощью MLflow и связанных инструментов.
Настраивать мониторинг сервисов и ML‑моделей (Prometheus, Grafana, Evidently), выявлять деградацию качества (data/concept drift) и инициировать цикл улучшений.
Применять инструменты оркестрации (Airflow, Kubernetes, при наличии — Kubeflow) для автоматизации регулярных расчётов и пайплайнов ML.

Планируемые результаты обучения

Объяснять этапы жизненного цикла ML‑систем в рамках CRISP‑ML и соотносить их с промышленным жизненным циклом ML‑сервиса, а также описывать роли участников ML/DS‑команд и распределение ответственности в MLOps‑контуре.
Использовать инструменты разработки и окружения: уверенно работать с Git и GitLab (ветки, SSH‑ключи, pull/commit/push, code review), создавать и настраивать виртуальные окружения (venv, poetry), управлять зависимостями, собирать Docker‑образы и применять Docker Compose для мультиконтейнерных приложений, публиковать образы и пакеты в registry.
Описывать различия между реляционными и аналитическими СУБД, key‑value хранилищами, объектными хранилищами и брокерами сообщений, поднимать соответствующие сервисы в Docker (PostgreSQL, ClickHouse, Minio, Redis, Kafka) и загружать из них данные, использовать Polars или DuckDB для анализа данных и сохранять результаты в формате Parquet в S3‑совместимое хранилище.
Объяснять цели и подходы к разметке данных (асессоры, краудсорсинг, валидация качества), организовывать процесс разметки в Label Studio, а также разворачивать MLflow Tracking Server, логировать параметры, метрики, артефакты и версии кода и управлять версиями моделей через Model Registry.
Применять веб‑скрейпинг для получения данных из веб‑источников, используя requests/Playwright и BeautifulSoup, обрабатывать HTML и динамические страницы и учитывать типичные ограничения и защитные механизмы сайтов.
Создавать сервисы инференса на FastAPI, интегрировать их с MLflow Model Registry, разворачивать инференс‑сервисы на базе Nvidia Triton, подготавливать и сохранять модели в форматах ONNX и скриптованных форматах и настраивать model repository для промышленного использования.
Настраивать сбор и визуализацию метрик сервисов с помощью Prometheus и Grafana, объяснять и применять понятия data drift и concept drift, использовать Evidently для мониторинга данных и качества моделей и выявления деградации.