ML System Design / Проектирование систем машинного обучения [Otus] [Николай Осипов, Игорь Матвеев, Игорь Стурейко]

Складчина: ML System Design / Проектирование систем машинного обучения [Otus] [Николай Осипов, Игорь Матвеев, Игорь Стурейко]

Для кого этот курс?

• ML Engineer, ML Ops Engineer, Data Engineer, желающие научиться создавать ML-систему, которая устойчива к деградации моделей и масштабируема
• Team Lead, Tech Lead, Solution Architect, которые хотят уметь проектировать ML-системы на уровне команды и продукта
• Data Scientist, заинтересованные научиться строить архитектуру ML-систем, оценивать масштабируемость и надежность решений

Необходимые знания

• Базовые знания машинного обучения
• Опыт в одной из следующих сфер: CV, NLP, RecSys, Speech Recognition

Чему научится студент на курсе?

• Понимать и применять концепцию ML System Design (MLSD): оценивать требования и ограничения проектов, строить архитектуру ML-систем, планировать жизненный цикл ML-проекта
• Проектировать архитектуру и конвейеры ML-систем: выбирать модели и слои, организовывать сервисы и доступ к данным, строить data pipeline с EDA, feature engineering и схемами валидации
• Обеспечивать надежность и наблюдаемость ML-систем: внедрять CI/CD для ML, оркестрацию пайплайнов, мониторинг деградации моделей, интеграцию с сервисами
• Решать реальные бизнес-задачи через MLSD: строить ML-конвейеры для визуального поиска, фильтрации контента, корпоративных ассистентов и предиктивных моделей на сенсорных данных
• Анализировать и повышать эффективность моделей: оценивать производительность и безопасность моделей, проводить обработку больших данных и мультимодальных источников

Программа:

Постановка задачи, данные и модель

В этом модуле вы разберёте, как превратить бизнес-цель в ML-задачу с измеримыми критериями успеха и границами первой версии. Научитесь оценивать данные до старта разработки: источники, объёмы, разметку, доступность на инференсе и риски утечек. А также спроектируете методологию решения: baseline, схему валидации и этапы от прототипа до production.

Тема 1: Введение: ML-система и design doc
Тема 2: Постановка задачи
Тема 3: Данные
Тема 4: Методология и модель // ДЗ

Архитектура, метрики и экономика

В этом модуле вы спроектируете архитектуру системы и посчитаете нагрузку: RPS, latency budget, ресурсы, SLA. Разберёте стратегии serving и безопасного выката модели, включая shadow, canary и A/B-тесты. А также свяжете метрики модели с бизнес-эффектом и посчитаете экономику решения: cost per 1k requests и ROI.

Тема 1: Архитектура и нагрузка
Тема 2: Эксплуатационная готовность и масштабирование // ДЗ
Тема 3: Метрики и валидация
Тема 4: Экономика системы // ДЗ

Эксплуатация, риски и завершение документа

В этом модуле вы спроектируете мониторинг, обнаружение дрифта, переобучение, алерты и fallback после запуска. Проверите дизайн на устойчивость: adversarial-сценарии, human-in-the-loop, карта рисков и premortem. А также сведёте trade-off’ы, спланируете развитие системы и доведёте design doc до состояния, готового к ревью.

Тема 1: Мониторинг и надёжность
Тема 2: Устойчивость и риски // ДЗ
Тема 3: Trade-off'ы и альтернативы
Тема 4: Развитие и готовность документа

Проектная работа

Заключительный месяц курса посвящен проектной работе. Проект – это самая интересная часть обучения. Вы будете разрабатывать его на основе полученных на курсе навыков и компетенций. В процессе работы над проектом можно получить консультацию преподавателей.

Тема 1: Выбор темы и организация проектной работы // Проектная работа
Тема 2: Консультации по проектам и домашним заданиям
Тема 3: Защита проектных работ
Тема 4: Подведение итогов курса

Цену установит организатор
Скрытая ссылка