ML System Design. Проектирование систем машинного обучения

Курс знакомит с проектированием отказоустойчивых и масштабируемых ML-систем: от перевода бизнес-задачи в технические требования до вывода моделей в production и мониторинга.

Для кого

• ML-инженеры, специалисты по MLOps и Data Engineer, которым необходимо создавать стабильные решения, устойчивые к деградации моделей.
• Team Lead, Tech Lead и Solution Architect, планирующие проектировать ML-архитектуру на уровне команды и продукта.
• Data Scientist, заинтересованные в построении надёжной инфраструктуры и оценке масштабируемости решений.

Требования к участникам

Для прохождения программы понадобятся базовые знания машинного обучения и практический опыт минимум в одном из направлений: CV, NLP, RecSys или Speech Recognition.

Что внутри

Обучение сфокусировано на методологии ML System Design и подготовке документа архитектурного решения (design doc). В программу входят оценка доступности данных и рисков утечек, выбор baseline-моделей, расчёт нагрузки (RPS, latency budget, SLA) и стратегии развёртывания (canary, shadow, A/B-тесты). Также рассматриваются экономика решения (ROI и стоимость запросов), отслеживание дрифта данных и защита итоговой проектной работы.

Чему вы научитесь

• Оценивать требования и ограничения проектов, планируя жизненный цикл ML-систем.
• Проектировать конвейеры обработки данных: от EDA и генерации признаков до схем валидации и выбора слоёв модели.
• Настраивать CI/CD для машинного обучения, оркестрацию пайплайнов и мониторинг метрик деградации.
• Решать прикладные задачи, включая конвейеры для визуального поиска, фильтрации контента, корпоративных ассистентов и предиктивных моделей на сенсорных данных.
• Анализировать производительность моделей, оценивать их безопасность и специфику работы с мультимодальными данными.