Архитектура платформ машинного обучения

Бакалавриат 2026/2027

ID 1143426

Статус: Курс по выбору (Прикладной анализ данных и искусственный интеллект)

Кто читает: Департамент информатики

Где читается: Школа информатики, физики и технологий

Когда читается: 3-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Колодяжный Кирилл Николаевич

Язык: русский

Кредиты: 4

Контактные часы: 52

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена изучению принципов построения и эксплуатации индустриальных платформ для жизненного цикла машинного обучения (ML Lifecycle). Основное внимание уделяется переходу от локальных экспериментов в Jupyter Notebook к созданию масштабируемых, отказоустойчивых и воспроизводимых систем. Студенты узнают, как объединить Data Science с практиками DevOps для автоматизации поставки моделей в продакшн. Цель дисциплины — научить студентов проектировать архитектуру систем, которые обеспечивают эффективный сбор данных, обучение, хранение и мониторинг ML-моделей.

Цель освоения дисциплины

Формирование целостного понимания принципов проектирования и эксплуатации индустриальных платформ машинного обучения, обеспечивающих переход от локальных экспериментов к масштабируемым, воспроизводимым и отказоустойчивым системам. Дисциплина ориентирует на интеграцию практик Data Science и DevOps для автоматизации полного жизненного цикла ML-моделей — от сбора данных и обучения до мониторинга и переобучения в продакшн-среде.

Планируемые результаты обучения

Классифицирует уровни зрелости MLOps-процессов, проектирует архитектурные схемы ML-платформ с учётом требований воспроизводимости и масштабируемости, обосновывает выбор компонентов платформы для конкретных сценариев.
Настраивает пайплайны версионирования данных и моделей, интегрирует Feature Store в архитектуру ML-платформы, организует отслеживание экспериментов с фиксацией воспроизводимости результатов.
Разрабатывает DAG-конвейеры для автоматизации ML-процессов, конфигурирует триггеры переобучения моделей, диагностирует узкие места в оркестрации пайплайнов.
Упаковывает ML-модели в контейнеры с оптимизированными образами, разворачивает сервисы инференса в Kubernetes, проектирует архитектуру API для отказоустойчивой подачи модели.
Настраивает системы мониторинга метрик инференса и инфраструктуры, идентифицирует признаки дрейфа данных и деградации модели, проектирует контуры обратной связи для сбора продакшн-данных.
Выстраивает CI/CD-процессы с тестированием ML-артефактов, конфигурирует Model Registry для управления версиями моделей, оценивает риски безопасности ML-систем и применяет практики управления для обеспечения соответствия требованиям.