Проектируйте
ML-системы
для реального мира.

Вводная глава: когда задаче действительно нужен ML, чем ML-система отличается от модели в ноутбуке и кто в команде отвечает за результат.

• Когда хватает правил, а когда нужна модель
• Метрики модели и польза для бизнеса
• Роли и зоны ответственности в ML-проекте
• Latency и throughput: оценка нагрузки сервиса
• Чем ML-разработка отличается от обычной

Лабораторные: расчёт нагрузки ML-сервиса; правила против ML.

Из каких компонентов состоит ML-система и как устроены данные, на которых она работает: от форматов и моделей данных до хранилищ.

• Компоненты ML-системы и систем данных
• Форматы данных и сериализация
• Реляционные модели, документы и графы
• Декларативные ML-системы и AutoML
• Хранение: OLTP, OLAP и транзакции

Лабораторные: контракт событий и quality gate; batch и streaming агрегации.

Как собрать обучающий набор, которому можно доверять: выборка, метки, дисбаланс классов и разбиение без утечек.

• Метки во времени и задержки событий
• Случайная и невероятностная выборка, importance sampling
• Разметка: ручная, weak supervision, LLM, активное обучение
• Дисбаланс классов: метрики, ресэмплинг, focal loss
• Разбиение данных, утечки и версии наборов

Лабораторные: сборка набора на момент прогноза; разметка отзывов правилами.

Как превратить сырые данные в признаки, которые одинаково считаются при обучении и в работающем сервисе.

• Пропуски, выбросы, масштабирование и дискретизация
• Кодирование категорий и target encoding
• Временные признаки без информации из будущего
• Аугментация и проверка устойчивости модели
• Эмбеддинги, поиск похожих и train/serving skew

Лабораторные: совпадение признаков офлайн и онлайн; поиск по эмбеддингам.

От первой версии модели до воспроизводимого обучения в заданном бюджете: выбор подхода, цикл обучения и учёт экспериментов.

• Baseline и честное сравнение моделей
• Функция потерь и критерий качества
• Градиентный бустинг, бэггинг и стекинг
• Когда нужна нейросеть и как её обучать
• Бюджет, гиперпараметры, эксперименты и отладка

Лабораторные: сравнение моделей по срезам; воспроизводимый запуск обучения; обучение и возобновление нейросети.

Как до выкатки убедиться, что модель лучше текущего решения, и как ускорить обучение на нескольких устройствах.

• Базовые показатели и методы offline-оценки
• Калибровка и уверенность модели
• Оценка по срезам данных
• Параллелизм данных, моделей и pipeline

Как превратить обученную модель в работающий сервис: выбрать способ прогноза, ускорить модель и безопасно её выкатить.

• Batch и online prediction
• Объединение пакетного и потокового конвейеров
• Сжатие: квантизация, pruning, дистилляция
• Canary-выкатка и автоматический откат

Структура ответа на ML System Design интервью: от уточнения задачи до плана оценки решения.

• Требования и границы задачи
• Дерево метрик и оценка нагрузки
• Высокоуровневая архитектура
• Данные, утечки, выбор модели и baseline
• Offline- и online-оценка

Разбор типовых систем, о которых спрашивают на интервью и которые строят в продуктах.

• Лента новостей, поиск маркетплейса, рекомендации видео
• Реклама и модерация контента
• Мультимодальный поиск и People You May Know
• Fraud-детекция в реальном времени
• ETA доставки и прогноз спроса

Проектирование продуктов на языковых моделях: когда LLM оправдана и как сделать систему надёжной и безопасной.

• RAG от начала до конца
• Prompting, fine-tuning и маршрутизация моделей
• Оценка качества LLM
• Serving и стоимость
• Prompt injection и безопасность

Архитектура AI-агентов: инструменты, память, надёжное исполнение, оценка и безопасность.

• Workflow, copilot или агент
• Инструменты и MCP-контракты
• Память, контекст и состояние агента
• Multi-agent и durable execution
• Guardrails, права доступа и наблюдаемость

Тренировка полного интервью на реальных кейсах с разбором сильных и слабых ответов.

• Recommendation feed
• Fraud detection
• Enterprise RAG
• Research agent
• Разбор слабого ответа

Итоговое интервью по случайному кейсу: применяете весь курс в формате настоящего собеседования.

• Правила и критерии оценки
• Случайный вариант кейса
• Численная часть с автопроверкой