Инфраструктура машинного обучения

2026/2027

ID 1143372

Статус: Маго-лего

Кто читает: Департамент информатики

Где читается: Школа информатики, физики и технологий

Охват аудитории: для своего кампуса

Преподаватели: Доронькин Максим Вячеславович

Язык: русский

Кредиты: 3

Контактные часы: 44

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена изучению набора инженерных практик, нацеленных на надежное и эффективное развертывание и сопровождение моделей машинного обучения на производстве. В ходе изучения дисциплины рассматриваются все этапы автоматизации жизненного цикла систем машинного обучения: сбор и очистка данных, разметка данных, обучение модели, оценка качества, развертывание и мониторинг. Большое внимание уделяется современным инструментальным средствам и фреймворкам.

Цель освоения дисциплины

Формирование инженерных компетенций, необходимых для надёжного и эффективного развёртывания и сопровождения моделей машинного обучения в производственной среде. Курс охватывает полный жизненный цикл ML-систем — от управления данными и версионирования экспериментов до автоматизации пайплайнов, деплоя в высоконагруженных окружениях и мониторинга качества моделей в реальном времени. Особое внимание уделяется инструментальным средствам и фреймворкам MLOps, обеспечивающим воспроизводимость, масштабируемость и отказоустойчивость ML-инфраструктуры.

Планируемые результаты обучения

Классифицирует уровни зрелости MLOps и обосновывает выбор архитектуры для конкретного сценария. Настраивает версионирование данных и моделей с использованием DVC и MLflow. Контейнеризирует ML-окружение и обеспечивает воспроизводимость экспериментов на разных платформах. Организует структуру ML-проекта в соответствии с инженерными стандартами.
Проектирует воспроизводимый ML-пайплайн с использованием Airflow или Kubeflow. Настраивает CI/CD-процесс для автоматического тестирования и деплоя ML-моделей. Конфигурирует планировщик для регулярного переобучения модели на новых данных. Управляет артефактами экспериментов и моделей в рамках пайплайна.
Выбирает паттерн деплоя в зависимости от требований к задержке и пропускной способности. Разворачивает ML-модель как REST API и контейнеризирует сервис для промышленной эксплуатации. Масштабирует ML-сервис с использованием Kubernetes для обработки высоких нагрузок. Оптимизирует инференс модели для снижения задержки и потребления ресурсов.
Настраивает систему мониторинга для отслеживания ключевых метрик ML-сервиса. Выявляет дрейф данных и концепции с помощью статистических тестов и инструментов визуализации. Конфигурирует алертинг при деградации качества модели и инициирует переобучение. Реализует стратегию безопасного обновления модели в продакшене.