Архитектура ML-систем

Программа курса

Ознакомьтесь с программой курса «Архитектура ML-систем» от Школа Больших Данных - bigdataschool.ru

1. Этапы ML-проекта и инструменты - 4 часа. основные этапы ML-проекта и ресурсы, необходимые для его реализации Углубленное изучение жизненного цикла ML-решения: от постановки бизнес-задачи до вывода из эксплуатации Роли в команде (DS, DE, DevOps, ML инженер) и…
2. Трекинг экспериментов, хранение артефактов и ML-моделей - 4 часа. Важность воспроизводимости экспериментов Архитектура систем трекинга (MLflow, ClearML) Принципы организации хранилищ артефактов и моделей Практическая часть: Проектирование архитектуры для цент…
3. Сценарии использования ML-моделей и feature engineering - 4 часа. Паттерны эксплуатации ML-моделей: онлайн (real-time), пакетный (batch) и потоковый (streaming) инференс Проектирование Feature Store: архитектура, компоненты, онлайн и офлайн слои Паттерны дост…
4. Инструменты оркестрации и их использование в ML-проекте - 4 часа. Глубокий разбор и сравнение оркестраторов: Apache Airflow, Argo Workflows, Mage.AI. Их место в MLOps-пайплайне Проектирование отказоустойчивых и масштабируемых ETL/ML-пайплайнов Практическая ча…
5. Инференс ML-моделей - 4 часа. Архитектура инференс-сервисов Обзор и сравнение инструментов: MLServer, Triton Inference Server, TensorFlow Serving, TorchServe Оптимизация моделей для инференса (квантизация, дистилляция) Практическая часть: Проектирование архит…
6. Сопровождение ML-моделей в production - 4 часа. Концепция наблюдаемости (observability) для ML-систем Мониторинг производительности моделей, дрейфа данных (data drift) и концепта (concept drift) Подходы к A/B-тестированию моделей ML Security и Data Privacy Пр…
7. middle - 1 час. Дистанционный.

Чему вы научитесь

• Освоите и сможете применять: архитектура инференс сервисов обзор и сравнение инструментов mlserver, triton inference server, tensorflow serving, torchserve оптимизация моделей для инференса (квантизация, дистилляция…
• Освоите и сможете применять: концепция наблюдаемости (observability) для ml систем мониторинг производительности моделей, дрейфа данных (data drift) и концепта (concept drift) подходы к a/b тестиров…
• Глубокий разбор и сравнение оркестраторов Apache Airflow, Argo Workflows, Mage.AI. Их место в MLOps пайплайне Проектирование отказоустойчивых и масшта…
• Паттерны эксплуатации ML моделей онлайн (real time), пакетный (batch) и потоковый (streaming) инференс Проектирование Feature Store архитектура, комп…
• Разберётесь в теме: дистанционный.