Основы MLOps

Репозиторий публикует структуру курса, оценочные материалы и методическую поддержку по дисциплине Основы MLOps.

• Вуз: Московский технический университет связи и информатики (МТУСИ)
• Направление подготовки: 09.03.01 Информатика и вычислительная техника
• Профиль: ТОП-ИИ: Инженерия систем искусственного интеллекта
• Квалификация: бакалавр
• Форма обучения: очная
• Семестр: 5
• Трудоемкость: 3 з.е. / 104 академических часа
• Форма промежуточной аттестации: зачет

Дисциплина формирует практические навыки MLOps для полного жизненного цикла систем машинного обучения: подготовки воспроизводимого окружения, контейнеризации, CI/CD, логирования экспериментов, версионирования данных и моделей, развертывания, мониторинга и сопровождения ML-сервисов.

1. Сформировать представление об MLOps как совокупности практик DevOps, Data Engineering и ML Engineering.
2. Научить создавать воспроизводимые ML-окружения и контейнеризированные сервисы.
3. Освоить автоматизацию проверок качества, тестирования и поставки через CI/CD.
4. Научить управлять экспериментами, датасетами, моделями и артефактами на всем жизненном цикле ML.
5. Освоить развертывание моделей в виде API-сервисов и мониторинг их работы.

Пререквизиты: Программная инженерия, Основы машинного обучения, Программирование (Python), Управление данными

Кореквизиты: DevOPS, Облачные технологии и платформы больших данных

Постреквизиты: Технологии распознавания естественного языка, Мультиагентные системы

• Описание модуля
• Лабораторная работа 01: Docker и настройка воспроизводимого окружения
• Лабораторная работа 02: Создание Docker-образа и работа с контейнерами
• Лабораторная работа 03: Создание CI/CD pipeline для ML-проекта

• Описание модуля
• Лабораторная работа 04: Реализация ML pipeline от данных до модели
• Лабораторная работа 05: Логирование экспериментов с MLflow
• Лабораторная работа 06: Отслеживание изменений в моделях и данных с DVC

• Описание модуля
• Лабораторная работа 07: Сервис на FastAPI для модели
• Лабораторная работа 08: Мониторинг модели с Prometheus и Grafana

По итогам освоения дисциплины студент должен уметь:

1. Выбирать и обосновывать стек MLOps-инструментов для обучения и эксплуатации модели.
2. Строить воспроизводимые ML-pipeline и отслеживать эксперименты и артефакты.
3. Версионировать датасеты, модели и этапы pipeline в контролируемом виде.
4. Развертывать модели как сопровождаемые API-сервисы.
5. Контролировать состояние сервиса и ранние признаки деградации модели.
6. Документировать архитектуру и жизненный цикл ML-решения, оценивать эксплуатационные риски и предлагать меры по обеспечению его надёжности, безопасности и этичного применения.

• Текущий контроль: 8 лабораторных работ с выполнением и защитой
• Рубежный контроль по модулям не предусмотрен: отдельные модульные контрольные работы, коллоквиумы и проверки не проводятся и не влияют на итоговый балл.
• Допуск к зачету: выполнены и защищены все лабораторные работы
• Промежуточная аттестация: материалы зачета
• Максимум: 100 баллов
• Порог успешного прохождения: 60 баллов
• Полная интерактивная трассировка элемента, компетенции, индикатора, уровня, дескриптора, формы контроля, КИМ и ресурса: модель измерения
• Детальные правила ЛР: рубрики

• Рабочая программа дисциплины
• Сверка КРМ и РПД
• Модель измерения
• Методические указания
• Подборка ресурсов
• Исполняемый учебный baseline
• Чек-лист готовности репозитория

• sources/ содержит актуальные и архивные версии исходных материалов, на основе которых собрана опубликованная структура.
• Для локального baseline требуется Nix development shell; Docker Compose нужен только для полного контура наблюдаемости.

Оригинальные учебные, методические и оценочные материалы лицензированы по CC BY 4.0. Исполняемый baseline и другой оригинальный программный код лицензированы по MIT. Правообладатель: Команда проекта «Основы MLOps». Архивные и внешние материалы сохраняют указанные в них условия использования.

uv поставляется только из Nix development shell. Поддерживаются Linux, macOS на Apple Silicon и WSL 2 с Nix, установленным внутри Linux-дистрибутива; Intel macOS не поддерживается, так как используемый nixpkgs прекращает эту платформу. В корне репозитория выполните nix develop, затем в resources/reference-mlops-project/ - uv sync --extra dev и uv run ./scripts/verify.sh.

Nix shell предоставляет Python 3.12 с пакетом openpyxl, uv, Git, lychee и вспомогательные инструменты, но не Docker daemon, Prometheus, Grafana или MLflow server. На macOS Docker Desktop должен быть установлен и запущен на хосте. В WSL 2 для Docker Compose включите WSL integration в Docker Desktop либо настройте совместимый Linux Docker daemon.