DevOps

Магистратура 2026/2027

ID 1148054

Статус: Курс обязательный (Прикладные нейросетевые технологии)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 4 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 24

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён современной инженерной практике разработки и эксплуатации программных систем: контейнеризации, автоматизации сборки и доставки кода, инфраструктуре как коду, оркестрации, мониторингу и надёжности (SRE). Особое внимание уделяется применению DevOps-инструментария в задачах машинного обучения: студент осваивает полный жизненный цикл нейросетевого сервиса — от обученной модели до устойчиво работающего продакшена с автоматическим развёртыванием, версионированием моделей и мониторингом качества предсказаний. Курс опирается на практические навыки Python и Linux, полученные студентами в предыдущих модулях.

Цель освоения дисциплины

Воспроизводить классический цикл разработки ПО (SDLC) и объяснять, какие этапы автоматизирует DevOps-подход и зачем он нужен ML-проектам.
Работать с Git в команде: ветвление, rebase, pull request'ы, разрешение конфликтов, GitFlow/транк-базед workflow.
Собирать и публиковать Docker-образы: писать Dockerfile с учётом кэширования слоёв и размера образа, описывать многоконтейнерные приложения через docker-compose.
Строить CI/CD-конвейер (GitLab CI или GitHub Actions): запуск тестов и линтеров, сборка артефактов, автодеплой в тестовое окружение.
Автоматизировать настройку серверов с помощью Ansible: идемпотентные плейбуки, роли, инвентори.
Разворачивать сервисы в Kubernetes: описывать Deployment, Service, Ingress, ConfigMap, Secret, выполнять rolling update и откат.
Настраивать мониторинг и логирование: метрики приложения в формате Prometheus, дашборды Grafana, алерты.
Применять базовые практики MLOps: версионирование датасетов и моделей (DVC, MLflow), API-обёртка модели (FastAPI), оценка качества и деградации модели в проде.
Объяснять принципы SRE: SLI/SLO/error budget, инцидент-менеджмент.
Осознанно применять практики безопасности: хранение секретов, least privilege, сканирование образов на уязвимости.

Планируемые результаты обучения

Студент знает: архитектуру и назначение основных DevOps-инструментов (Git, Docker, CI/CD, Ansible, Kubernetes, Prometheus/Grafana), этапы жизненного цикла ML-системы и специфику MLOps;
Студент умеет: упаковать приложение и модель в контейнер, описать конвейер доставки кода, развернуть сервис в кластере Kubernetes и настроить его наблюдаемость;
Студент владеет: навыками работы в команде над общим репозиторием с код-ревью, навыками чтения документации инструментов, навыками отладки инфраструктурных проблем (сеть, ресурсы, логи);
Студент демонстрирует: способность довести учебный ML-проект до автоматически развёртываемого и мониторимого сервиса — как самостоятельный артефакт в портфолио.

Содержание учебной дисциплины

Введение в DevOps: культура, SDLC, «три пути», зачем это ML-инженеру. Обзор инструментов курса
Linux для разработчика: файловая система, права, процессы, systemd, журналирование (journald), основы сетей (TCP/IP, порты, DNS)
Контейнеризация: зачем нужны контейнеры, изоляция (namespaces, cgroups). Docker: образы, слои, Dockerfile, volumes, сети
CI/CD: пайплайны, стадийность, артефакты, environments. GitLab CI и GitHub Actions: синтаксис, runners, кэш, секреты
Конфигурация и инфраструктура как код: Ansible (плейбуки, роли, идемпотентность) и обзор Terraform
Мониторинг и логирование: типы метрик, RED/USE-методы, Prometheus и Grafana, структурированные логи, Loki/ELK (обзор)
Kubernetes: архитектура кластера, pods, Deployment, Service, Ingress, ConfigMap/Secret, rolling update
Kubernetes продвинуто: Helm-чарты, автоскейлинг (HPA), liveness/readiness probes, resource limits. Менеджмент секретов (Vault — обзор)
MLOps: жизненный цикл модели, версионирование данных и моделей (DVC, MLflow), модельный реестр, A/B-выкатка, деградация модели и мониторинг качества предсказаний. DevSecOps: сканирование образов, least privilege
SRE и надёжность: SLI/SLO/error budget, постмортемы, инцидент-менеджмент. Итоги курса, защита проектов

Элементы контроля

Домашнее задание 1.
Практическое задание, сдается через git-репозиторий (автотесты + ручная проверка). ДЗ 1 выдаётся на 2-й неделе (дедлайн — конец 3-й).
Домашнее задание 2.
Практическое задание, сдается через git-репозиторий (автотесты + ручная проверка). ДЗ2 выдаётся на 4-й неделе (дедлайн — конец 6-й).
Домашнее задание 3.
Практическое задание, сдается через git-репозиторий (автотесты + ручная проверка). ДЗ 3 выдаётся на 7-й неделе (дедлайн — конец 8-й).
Учебный проект
Индивидуальный проект, тема и пояснения к финальному заданию будут даны на 4-й неделе. Защита проекта проводится в период сессии.

Промежуточная аттестация

2026/2027 4th module
0.2 * Домашнее задание 3. + 0.2 * Домашнее задание 2. + 0.2 * Домашнее задание 1. + 0.4 * Учебный проект

Программа дисциплины