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.
Содержание учебной дисциплины
Архитектура MLOps-платформ и референсные модели
Управление данными и воспроизводимость экспериментов
Конвейеризация и оркестрация ML-процессов
Развёртывание моделей и сервисная архитектура
Мониторинг, дрейф и обратная связь
Безопасность, управление и CI/CD для ML
Элементы контроля
Практическая работа №1
Экзамен
Практическая работа №2
Промежуточная аттестация
2026/2027 2nd module
0.4 * Экзамен + 0.3 * Практическая работа №2 + 0.3 * Практическая работа №1
Список литературы
Рекомендуемая основная литература
Инженерия машинного обучения - Бурков А. - Издательство "ДМК Пресс" - 978-5-93700-125-2 - 2022 - русский - https://e.lanbook.com/book/314834 - ЛАНЬ - 314834
Безопасность систем искусственного интеллекта. Ч. 2: Доверенный искусственный интеллект - Ложников П. С., Самотуга А. Е., Жумажанова С. С., Сулавко А. Е. - Омский государственный технический университет - 978-5-8149-3731-5 - 2023 - русский - https://e.lanbook.com/book/421598 - ЛАНЬ - 421598
Технологии машинного обучения в кибербезопасности - Козачок А. В. - МИРЭА - Российский технологический университет - 978-5-7339-2187-7 - 2024 - русский - https://e.lanbook.com/book/420881 - ЛАНЬ - 420881
Преподаватель
Колодяжный Кирилл Николаевич
Программа дисциплины
Аннотация
Цель освоения дисциплины
Планируемые результаты обучения
Содержание учебной дисциплины
Элементы контроля
Промежуточная аттестация
Список литературы
Рекомендуемая основная литература
Рекомендуемая дополнительная литература
Авторы