Systems Reliability Engineering

Delivered at:: Department of Informatics

Course type:: Elective course

When:: 2 year, 3 module

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.

Содержание учебной дисциплины

Тема 1. Основы MLOps: управление жизненным циклом ML-моделей
Тема 2. Автоматизация ML-пайплайнов и CI/CD
Тема 3. Развёртывание и масштабирование ML-моделей в высоконагруженных системах
Тема 4. Мониторинг, надёжность и управление дрейфом моделей

Элементы контроля

Практическая работа №1
Практическая работа №2
Экзамен

Промежуточная аттестация

2026/2027 3rd module
0.4 * Практическая работа №1 + 0.4 * Практическая работа №2 + 0.2 * Экзамен

Список литературы

Авторы

Архимандритов Игорь Борисович
Солнцева Дарья Александровна

Systems Reliability Engineering

Machine Learning Infrastructure

Программа дисциплины