ОБНОВЛЁННАЯ ПРОГРАММА · 2026

Проектируйте
ML-системы
для реального мира.

Курс ML System Design 2026

Учитесь проектировать ML-системы: от данных и оценки моделей до деплоя, GenAI и безопасных AI-агентов. Разбирайте кейсы и готовьтесь к системным интервью.

Production MLGenAI & AgentsSystem Design Interview
УЧИМСЯ ДУМАТЬ СИСТЕМНОАртемий Мазаев — автор курса ML System Design
Артемий МазаевРуководитель платформы AI Factory6 лет в AI-индустрии
8 из 16глав уже открыты
Кейсыretrieval, ranking, forecasting
Практикапроектная мастерская и итоговый проект

НЕ ТОЛЬКО МОДЕЛЬ

Хорошая модель —
это только начало.

В реальной системе важны не только метрики качества. Нужно учитывать данные, задержки, стоимость, инфраструктуру и цели продукта.

На курсе разбираем, как связать эти решения в работающую архитектуру и объяснить выбранные компромиссы.

ПРОГРАММА ОБУЧЕНИЯ

Весь путь ML-системы

Все главы и уроки ↗
01 / ФУНДАМЕНТ

ML в продакшене

Цели ML-проекта, архитектура системы, основы обработки данных.

02 / ДАННЫЕ

От данных к признакам

Обучающие выборки, качество данных и feature engineering.

03 / МОДЕЛИ

Обучение и оценка

Разработка моделей, offline-оценка и распределённое обучение.

04 / ПРОДУКТ

Деплой и реальные кейсы

Вывод модели в продакшен. Поиск, ранжирование и прогнозирование.

05 / НОВАЯ ПРОГРАММА

LLM, GenAI и агенты

Проектирование генеративных систем и архитектура AI-агентов.

06 / ПРАКТИКА

System Design Interview

Фреймворк интервью, пробные собеседования и финальный экзамен.

ОТ ОСНОВ К ПРАКТИКЕ

16 глав. Один системный взгляд.

Нажмите на главу, чтобы увидеть темы

01ML в продакшенеОткрыта

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.

22 урока · 2 лабораторные · 4 тестаОткрыть в LMS ↗
02Основы ML-систем и обработки данныхОткрыта

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.

24 урока · 2 лабораторные · 3 тестаОткрыть в LMS ↗
03Обучающие данныеОткрыта

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.

59 уроков с видео · 2 лабораторные · 3 тестаОткрыть в LMS ↗
04Feature EngineeringОткрыта

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.

56 уроков с видео · 2 лабораторные · 3 тестаОткрыть в LMS ↗
05Model DevelopmentОткрыта

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.

40 уроков с видео · 3 лабораторные · 3 тестаОткрыть в LMS ↗
06Offline-оценка и DDPОткрыта

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

  • DDP, шардирование, тензорный и конвейерный параллелизм
  • План офлайн-оценки, базовые линии и доверительные интервалы
  • Поведенческие тесты модели
  • Калибровка вероятностей и отказ от автоматического решения
  • Оценка по срезам и ранжирования по историческим логам

Лабораторные: парное сравнение моделей и срезы; DDP на CPU и аудит данных.

36 уроков с видео · 2 лабораторные · 3 тестаОткрыть в LMS ↗
07Model DeploymentОткрыта

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

  • Пакетный, потоковый и онлайн-прогноз, онлайн-признаки и паритет
  • Сервис прогнозирования, задержка и среды выполнения
  • Сжатие: квантизация, прунинг, дистилляция, низкий ранг
  • Инференс языковых моделей: память, KV-кеш, пропускная способность
  • Canary-выкатка, A/B-тесты и откат
  • Сдвиг данных, мониторинг и переобучение

Лабораторные: API прогнозирования; оптимизация инференса; canary и откат; монитор сдвигов.

64 урока с видео · 4 лабораторные · 3 тестаОткрыть в LMS ↗
08Как устроены большие языковые моделиОткрыта

Что происходит внутри LLM: от токенов и внимания до обучения, инференса и типичных ошибок.

  • Токены, эмбеддинги, внимание и блок трансформера
  • Архитектуры современных LLM и стратегии декодирования
  • Предобучение, постобучение, промптинг и дообучение LoRA
  • Рассуждения, инференс, KV-кеш и длинный контекст
  • Структурированный вывод, вызов инструментов и мультимодальность
  • Галлюцинации, инъекции, оценка моделей и ландшафт 2026 года

Лабораторные: токенизатор и маленькая языковая модель; JSON-вывод и вызов инструментов; KV-кеш и скорость генерации; настоящая маленькая модель.

56 уроков с видео · 4 лабораторные · 3 тестаОткрыть в LMS ↗
09LLM и RAGСкоро

Как построить ассистента, который отвечает по документам компании и честно говорит, когда ответа нет.

  • Корпус документов, нарезка и эмбеддинги
  • Векторный индекс, гибридный поиск и переранжирование
  • Контекст, цитаты и отказ
  • Оценка LLM-системы и судьи
  • Права доступа, безопасность, задержка и стоимость
Глава откроется позже — пришлём письмо, когда она появится.
10Агентные системыСкоро

Как устроены AI-агенты, которым можно доверить действия: инструменты, состояние, права и проверки.

  • Цикл агента, инструменты и MCP
  • Планирование, память и состояние
  • Устойчивое выполнение и человек в контуре
  • Права, защитные проверки и оценка агента
  • Трассировка, стоимость и маршрутизация
Глава откроется позже — пришлём письмо, когда она появится.
11ML-платформа и инфраструктураСкоро

Общая инфраструктура, на которой десятки команд обучают и выкатывают модели.

  • Вычисления, хранение и общий GPU-пул
  • Конвейеры, планировщики и воспроизводимость
  • Метаданные, реестр моделей и платформа признаков
  • Платформы сервинга и LLM
  • Строить или покупать, FinOps
Глава откроется позже — пришлём письмо, когда она появится.
12Ответственное применение MLСкоро

Как модель влияет на людей и что делать, чтобы она не вредила.

  • Интерфейс решения, команда и design doc
  • Инциденты и восстановление
  • Смещения и метрики справедливости
  • Приватность и объяснимость
  • Безопасность ML и управление рисками
Глава откроется позже — пришлём письмо, когда она появится.
13Продуктовые ML-системыСкоро

Разборы типовых систем, которые строят в продуктах: от ленты и поиска до антифрода и прогнозов.

  • Лента, рекомендации и уведомления
  • Поиск на маркетплейсе и по изображению
  • Ранжирование рекламы и цены
  • Модерация и потоковый антифрод
  • Прогноз времени доставки и спроса
Глава откроется позже — пришлём письмо, когда она появится.
14Проектирование и защита ML-системыСкоро

Как довести решение от требований до защиты проекта и обосновать каждый выбор.

  • Требования, метрики и цена ошибок
  • Нагрузка, ресурсы и архитектура
  • Данные, модель, эксперименты и выпуск
  • Генеративные системы и агенты в проекте
  • Обсуждение проекта и журнал решений
Глава откроется позже — пришлём письмо, когда она появится.
15Проектная мастерскаяСкоро

Самостоятельные разборы проектов с взаимным ревью.

  • Похожие товары и фейковые отзывы
  • Помощник по внутренней документации
  • Исследовательский агент аналитика
  • Платформа обучения и выпуска моделей
  • Взаимное ревью и исправление решений
Глава откроется позже — пришлём письмо, когда она появится.
16Итоговый проект и завершение курсаСкоро

Итоговый проект по назначенному варианту и его защита.

  • Правила итогового экзамена
  • Банки вариантов: классический ML и GenAI
  • Подготовка и защита проекта
  • Итоговый тест по всему курсу
  • Как продолжать практику после курса
Глава откроется позже — пришлём письмо, когда она появится.

ДЛЯ КОГО

Следующий шаг
в ML-инженерии

Для ML-инженеров, data scientists и разработчиков, которые хотят видеть систему целиком и принимать архитектурные решения.

Что пригодится на старте

  • Основы программирования и алгоритмов машинного обучения.
  • Знакомство с PyTorch, TensorFlow или другим ML-фреймворком.
  • Базовая теория вероятностей, Docker и контейнеры.
Артемий Мазаев

АВТОР КУРСА

Артемий Мазаев

Руководитель платформы AI Factory

6 лет опыта работы в AI-индустрии.

В основе курса — проектирование реальных систем машинного обучения: от целей продукта и данных до выбора моделей, масштабирования и внедрения.

В программе 2026 года к фундаментальным темам добавлены GenAI, AI-агенты, прикладные кейсы и практика системных интервью.

Познакомиться с программой ↗

ПЕРЕД СТАРТОМ

Частые вопросы

Подойдёт ли курс начинающему?

Курс рассчитан на знакомство с программированием и базовыми алгоритмами машинного обучения. Также пригодятся основы теории вероятностей, опыт работы с ML-фреймворком и Docker.

Как начать обучение?

Откройте курс ML System Design 2026 в LMS. Для доступа к своему обучению войдите в аккаунт или зарегистрируйтесь, в том числе через Яндекс ID.

Что нового в версии 2026?

В программе есть главы про устройство LLM, RAG и AI-агентов, ML-платформу и ответственное применение ML, продуктовые кейсы, проектирование и защиту ML-системы, проектную мастерскую и итоговый проект.

Когда откроются следующие главы?

Главы публикуются по очереди, по мере готовности. Сейчас открыты главы 1–8. Когда выйдет новая глава, студенты курса получат письмо.

Где найти старый курс?

Программа 2023 года остаётся доступной отдельно. Перейти к курсу 2023 года ↗

Где смотреть свой прогресс?

В личном кабинете LMS откройте вкладку «Статистика»: там отображаются ваши курсы, прогресс, завершённые курсы и сертификаты.

ГОТОВЫ НАЧАТЬ?

Спроектируйте свою
следующую ML-систему.

Открыть ML System Design 2026 ↗
ML System DesignПрограмма 2026
Открыть курс