- Суть
- Разработка MLOps-архитектуры, автоматизация жизненного цикла ML-моделей и их мониторинг в продакшне.
- На выходе
- Оценивать зрелость проекта и разрабатывать под его задачи MLOps-архитектуру; Автоматизировать жизненный цикл ML-модели от обработки данных до мониторинга; Развёртывать ML-модели в продакшне и оптимизировать их; Настраивать CI/CD-процессы для автоматизации обновлений ML-моделей; Обеспечивать непрерывный мониторинг метрик, сбоев и логов
- Навыки
- MLOps · Docker · ClearML · ML flow · Kubernetes · Airflow · Yandex Cloud · Kserve
- Кому подойдёт
- Специалистам по Data Science и Machine Learning; ML-инженерам и специалистам по DevOps; Инженерам данных
- Знать заранее
- SQL на уровне аналитических запросов и записи в БД; Объектно ориентированное программирование на Python; Python для решения ML-задач; Написание веб-сервисов на Flask, FastAPI или Django
