Просмотр кода страницы Современные технологии разработки сервисов анализа данных осень 2026

==Общие сведения==
* Семестр: 1 (шестой курс)
* Форма контроля: дифференцированный зачет
* Дни и время занятий: понедельник, 9:00-12:00 (две пары подряд)
* Первое занятие: 7 сентября 2026 года

'''Преподаватель'''
* Ахтямов Павел

'''Приглашённые практики'''
* Недели 9-11 ведёт приглашённый архитектор промышленных систем: ландшафт из сотен систем, работа под пиковой нагрузкой и разбор инцидентов, архитектурные компромиссы

==Важная информация==
* Ссылка на чат: [ссылка]
* Задания сдаются на платформе https://akhcheck.ru, там же ведомость. Оценки не публикуются в вики по закону о персональных данных
* Дедлайны мягкие: за каждые три дня просрочки снимается 20% от баллов задания

==О курсе==

Модель, которая хорошо работает в ноутбуке, и модель, которая держит нагрузку в продукте, различаются не качеством, а всем остальным: способом упаковки, воспроизводимостью данных, порядком выкатки, поведением под нагрузкой и тем, что происходит в момент отказа. Курс посвящён этому остальному.

Мы берём одну модель и доводим её от кода на машине разработчика до сервиса, который переживает перезапуск, обновление и наплыв запросов. По дороге разбираем инструменты, которыми это делается в промышленности, и на каждом шаге отвечаем на вопрос, что именно ломается без этого инструмента.

Курс посвящён '''эксплуатации моделей''', а не их обучению. Мы не занимаемся распределённым обучением, не разбираем алгоритмы синхронизации градиентов и не соревнуемся в качестве моделей. Курс начинается с уже обученной модели и заканчивается сервисом, которым пользуются люди.

Такое сужение сделано намеренно. Обучению моделей посвящены другие курсы программы, а вот доведению до работающего сервиса не посвящён почти никакой, хотя именно на этом участке теряется большинство проектов.

=== Формат ===

Занятия идут парами по понедельникам утром: первая пара разбирает тему, вторая отводится под работу руками.

'''NewsPulse''' мы собираем вместе в аудитории, шаг за шагом: он служит образцом, на котором видно целевое состояние каждого слоя.

Собственный проект каждый ведёт сам, и '''брать его желательно из своей выпускной работы'''. Курс занимается ровно тем, чего у выпускных работ по машинному обучению обычно нет: модель обучена и показывает метрики, но запустить её у себя не может никто, кроме автора. Пройдя курс на своей теме, мы получаем не учебное задание в стол, а работающую часть выпускной работы, которую можно показать на защите.

Тем, у кого подходящей темы нет, мы предлагаем готовую: '''CEREBRO''', сервис анализа звучащей речи. Модель в нём та же, что и в аудиторном проекте, поэтому внимание уходит на инженерию, а не на возню с предметной областью.

=== Кому подойдёт ===

Курс рассчитан на тех, кто уже уверенно пишет на Python с asyncio и Pydantic, работает с Git и SQL и запускал контейнеры. Вводных занятий по этим темам нет, мы начинаем сразу с нагруженного сервиса.

Остальные темы разбираются с нуля в связке с изученными инструментами. Основное время уходит на связку, вокруг которой построен курс: MLOps, Kubernetes и serving моделей.

Требуется готовность каждую неделю приносить растущий проект и разбираться с тем, что сломалось. Курс инженерный, и большая часть понимания приходит в момент, когда сервис не поднялся.

== План курса ==

Курс идёт пятнадцать недель. Каждая неделя состоит из лекции на 80 минут и семинара на 80 минут, семинар всегда про работу руками.

Три недели в середине семестра ведёт приглашённый архитектор промышленных систем. Блок стоит после Triton намеренно: к нему мы уже собрали сервис, развернули его в кластере и увидели разницу между задержкой и пропускной способностью, поэтому разговор про ландшафт и инциденты ложится на собственный опыт, а не на воображение.

=== Недели 1-5. Фундамент, взаимодействие и MLOps ===

{| class="wikitable"
! № !! Лекция !! Семинар
|-
| 1 || Высоконагруженные ML-системы: продакшн как 80 процентов работы, задержка против пропускной способности, физические ограничения сети, три паттерна инференса, блокировка цикла событий, контракты, структурное логирование || Проект на poetry, сервис с намеренной ошибкой, первый нагрузочный тест и починка
|-
| 2 || Продвинутая контейнеризация и конвейер сборки: multi-stage, distroless, образы с CUDA, тестирование внутри конвейера || Уменьшение образа, конвейер в GitLab CI, тесты сервиса
|-
| 3 || Асинхронные паттерны и высокая нагрузка: очереди сообщений, семантика доставки, отложенный инференс, обратное давление || Сервис, который читает задачи из очереди и пишет результат в другую
|-
| 4 || Данные и модели: DVC, удалённые хранилища, реестр моделей, рассинхрон признаков между обучением и выводом || Связка DVC с MinIO и MLflow
|-
| 5 || Оркестрация: Airflow 3, идемпотентность шага, изоляция ML-задач, непрерывное переобучение || DAG регулярного переобучения
|}

Очереди стоят третьей неделей не случайно. На первом занятии задана рамка из трёх паттернов инференса, и потоковая обработка в ней только названа. Очереди её раскрывают, а без них дальше не собирается ни оркестрация, ни разговор про реальный ландшафт систем.

=== Недели 6-8. Инфраструктура и инференс ===

{| class="wikitable"
! № !! Лекция !! Семинар
|-
| 6 || Kubernetes: управляющий слой, поды, контроллеры, сервисы и внешний доступ, конфигурация и секреты || Развёртывание сервиса в локальном кластере, написание манифестов
|-
| 7 || Kubernetes для ML: запросы и лимиты ресурсов, классы обслуживания, планирование GPU, выделение узлов, Helm || Упаковка сервиса в чарт, разбор падения по памяти
|-
| 8 || Инференс на сервере: Triton, репозиторий моделей, динамическое батчирование, бэкенды || Запуск Triton, конфигурация модели, сравнение с обычным сервисом
|}

Kubernetes занимает две недели: одну на устройство самого кластера, вторую на то, что в нём меняется для ML-нагрузки. Связка Kubernetes с serving и MLOps и есть стержень курса.

=== Недели 9-11. Блок приглашённого архитектора ===

{| class="wikitable"
! № !! Лекция !! Семинар
|-
| 9 || Анатомия ландшафта из сотен систем, интеграционные шаблоны, работа с унаследованным кодом || Студенты размещают свой сервис в схеме ландшафта и находят зависимости
|-
| 10 || Пиковая нагрузка, SLA и SLO, плавная деградация, стратегии выкатки || Разбор настоящего инцидента в группах по его фактуре
|-
| 11 || Компромиссы и нефункциональные требования, как архитектурные решения принимаются вместе с заказчиком || Проектирование архитектуры своего проекта в формате разбора решения
|}

=== Недели 12-15. Производительность, языковые модели и финал ===

{| class="wikitable"
! № !! Лекция !! Семинар
|-
| 12 || Оптимизация инференса: ONNX и TensorRT, квантование, профилирование || Конвертация модели и подключение к Triton, замер роста пропускной способности
|-
| 13 || Serving больших языковых моделей и поиск с дополнением генерации: KV-кэш, непрерывное батчирование || Развёртывание модели через vLLM, сравнение скорости
|-
| 14 || Наблюдаемость: метрики системы против метрик модели, дрейф данных, трассировка и OpenTelemetry || Панель с задержкой и утилизацией GPU, сквозной трейс запроса
|-
| 15 || Итоги курса и тренды || Защита проектов
|}

Облачная инфраструктура с Terraform в программу не входит. Отказ осознанный: растягивать курс ещё на одну тему в ущерб связке Kubernetes и serving мы не стали.

== Формат сдачи курса ==

Оценка складывается из баллов за домашние задания и за выпускной проект. Задания сдаются запросом на слияние в репозиторий курса, проверка автоматическая на https://akhcheck.ru, разбор ошибок ручной.

=== Минимальные требования ===

Для получения зачёта необходимо, чтобы проект удовлетворял всем условиям ниже. Предметная область значения не имеет: требования одинаковы и для темы выпускной работы, и для предложенной нами.

* Сервис поднимается одной командой на чистой машине по написанной инструкции.
* Сборка образа и прогон проверок выполняются автоматическим конвейером, а не руками.
* Данные и веса модели версионированы, состояние эксперимента восстанавливается.
* Сервис переживает перезапуск без потери принятых, но не обработанных запросов.
* Есть набор проверок, который краснеет при поломке, и он запускается конвейером.

=== Проверка на защите ===

Защита проходит на живом сервисе. Мы запускаем его по инструкции автора, подаём нагрузку, смотрим на метрики и обсуждаем, где он сломается раньше всего. Отдельно проверяется откат: автор выкатывает заведомо испорченную версию и возвращает рабочую.

=== Бонусы ===

Дополнительные баллы даются за то, что выходит за рамки минимальных требований: замеры ускорения вывода с воспроизводимой методикой, автоматическое масштабирование под реальную нагрузку, оповещения, которые срабатывают до того, как отказ заметит пользователь.

=== Вехи по ходу семестра ===

Вехи привязаны к темам занятий: каждая проверяется тем, что разбиралось на предыдущей неделе.

{| class="wikitable"
! Веха !! Неделя !! Что показываем !! Чем проверяется
|-
| Сервис держит нагрузку || 2 || Сервис отвечает под нагрузочным тестом || Прогон нагрузки и замер задержки
|-
| Сборка автоматическая || 3 || Образ собирается конвейером, тесты проходят || Зелёный pipeline в GitLab CI
|-
| Обработка вынесена в очередь || 4 || Тяжёлая задача уходит из обработчика запроса || Наплыв запросов без отказов
|-
| Данные версионированы || 6 || Восстановление состояния эксперимента || Откат к предыдущей версии данных и весов
|-
| Развёрнуто в кластере || 8 || Сервис работает в Kubernetes, упакован в чарт || Обновление без простоя и откат
|-
| Инференс через Triton || 9 || Модель отдаётся сервером инференса || Сравнение задержки с обычным сервисом
|-
| Оптимизация замерена || 13 || Модель конвертирована, прирост измерен || Замер до и после с воспроизводимой методикой
|-
| Наблюдаемость собрана || 15 || Панель с метриками и оповещения || Разбор отказа по журналам и метрикам
|}