Версия 18:19, 9 сентября 2025

Введение в MLOps (ИИ24, 5 модуль)

Аннотация

Курс посвящён практическим инструментам и подходам MLOps, которые позволяют автоматизировать процесс обучения и эксплуатации моделей машинного обучения. Студенты знакомятся с Docker, Airflow и MLflow, учатся строить пайплайны, логировать эксперименты и организовывать сервинг моделей. Практическая часть реализуется на Python.

Цели

• Развернуть окружение для MLOps с помощью Docker и docker-compose.
• Понимать архитектуру Airflow и MLflow.
• Строить DAG’и и использовать XCom для передачи данных.
• Работать с MLflow для логирования экспериментов и организации Model Registry.
• Разворачивать MLflow Tracking Server с внешними хранилищами (S3).
• Использовать MLflow Model Serving для развёртывания моделей.
• Реализовать end-to-end пайплайн: обучение моделей в Airflow + логирование в MLflow.

Структура курса

Вебинар 1. Введение и установка окружения.

• Обзор Архитектуры Airflow&MLFlow
• Docker и docker-compose. Установка Jupyter, Airflow, MLflow. Подключение S3.

Вебинар 2. Airflow для ML-пайплайнов

• Архитектура Airflow (scheduler, worker, executor, база данных)
• DAG: структура, параметры, расписание
• Connections, Variables, Hooks
• XCom и передача данных между задачами
• Примеры DAG для ML

Вебинар 3. MLflow: эксперименты и хранилище моделей

• Архитектура MLflow Tracking Server
• Логирование экспериментов в Jupyter и Airflow
• MLflow Projects и Models
• Model Registry

Вебинар 4. MLflow Model Serving и финальный проект

• Развёртывание моделей через MLflow Model Serving
• Пример: HuggingFace модель, интеграция через Flask/FastAPI
• DockerOperator
• Финальный проект и разбор требований

Система оценивания

• Домашнее задание 1 (Airflow) — 20%
• Домашнее задание 2 (MLflow + Serving) — 20%
• Финальный проект (Airflow + MLflow) — 60%

Формула: Итог = ДЗ1 × 0.2 + ДЗ2 × 0.2 + Проект × 0.6

Домашнее задание 3 (Финальный проект). End-to-End MLOps c MLflow → Docker → Serving

Цель: собрать полноценный конвейер: обучение моделей в Airflow → логирование в MLflow → выбор лучшей версии → сборка Docker-образа → сервинг

Требования к функционалу:

1. Обучение и логирование

• DAG в Airflow обучает ≥2 моделей на одном датасете (можно классический ML, легковесные сетки).
• Логирование метрик, артефактов и самих моделей в MLflow Tracking.
• Регистрация модели в MLflow Model Registry под именем `NAME_SURNAME_MODELTYPE`.

2. Выбор лучшей модели

• Автоматический выбор по метрике (например, ROC-AUC/F1/MAPE).
• Перевод версии в `Staging` или `Production` (правила — на ваше усмотрение).

3. Сборка и публикация Docker-образа

• Сборка PyFunc-сервиса с помощью mlflow.
• Публикация образа в registry.

4. Сервинг

• docker run...
• Проверка через `POST`:
• JSON-ответ согласно формату MLflow PyFunc (`{"inputs": [[...], [...]]}` или DataFrame-подобный формат).

Что сдаём

• Код DAG’а: `dags/*.py`.

Критерии оценивания (60% итоговой оценки курса)

• Точность и воспроизводимость (10%)— читаемый понятный код, запускаемый без дебага, выполняющий все шаги из задания.
• Airflow (20%) — чистая DAG-логика, XCom/Variables/Connections, понятные таски.
• MLflow (20%) — корректное логирование, Registry, промоушен версий.
• Сборка/сервинг (10%) — рабочий образ, публикация в реестр, успешный REST.

Обязательные требования к неймингу Airflow Variables (будут дополнены позже):

• `MLFLOW_TRACKING_URI`, `MODEL_NAME`, `MODEL_STAGE` (Staging/Production),
• `REGISTRY`, `IMAGE_NAME`, `TAG`,
• `CI_REGISTRY_USER`, `CI_REGISTRY_PASSWORD`

Метрики и данные — на ваш выбор.

Литература

• Noah Gift, Alfredo Deza — Practical MLOps. O’Reilly, 2021.
• А. В. Платонов — Машинное обучение. Юрайт, 2023.
• Б. Харенслак — Apache Airflow и конвейеры обработки данных. ДМК Пресс, 2022.