Месяц 6 — MLOps и Production
🎯 Цель этого месяца
**Этот месяц — самый важный для вашей главной цели.**Чтобы стать ML Engineer / MLOps Engineer, именно знания этого месяца станут центром вашего портфолио.
К концу месяца вы сможете:
- Знать MLOps lifecycle от начала до конца
- Отслеживать эксперименты и версионировать модели с MLflow
- Обеспечивать data versioning и reproducibility с DVC
- Запускать ML-модели через FastAPI + BentoML/TorchServe
- ML deployment в Docker + Kubernetes
- Мониторинг и drift detection через Prometheus + Grafana + Evidently AI
- Оркестрация ML pipeline через Apache Airflow
- ML CI/CD через GitHub Actions
Распределение по неделям
| Неделя | Тема | Время |
|---|---|---|
| Неделя 1 | MLOps intro + MLflow + DVC | 10-12 часов |
| Неделя 2 | FastAPI serving + Docker + K8s | 12-15 часов |
| Неделя 3 | Мониторинг + CI/CD | 10-12 часов |
| Неделя 4 | Airflow + End-to-End capstone | 12-15 часов |
Порядок глав
- Введение в MLOps
- MLflow — отслеживание экспериментов
- DVC — версионирование данных
- FastAPI + ML Serving
- Docker и Kubernetes
- Мониторинг моделей
- CI/CD для ML
- Airflow и Prefect
- Упражнения
Что вы сможете делать в конце месяца?
- Строить полную production ML system: training → versioning → serving → monitoring
- Деплой ML-моделей в Kubernetes
- Автоматическое обнаружение деградации модели через drift detection
- CI/CD pipeline для ML (test, validate, deploy)
- Еженедельный retraining через Airflow DAG
- Соответствовать требованиям к MLOps Engineer в вакансиях
Совет для Backend Dev — этот месяц для вас золотой!
Именно в этом месяце ваши существующие знания дают сильное преимущество:
| Знание backend | Применение в MLOps |
|---|---|
| Docker, docker-compose | ML контейнеры |
| PostgreSQL | Feature store, prediction logs |
| Redis | Model cache, feature cache |
| Celery, Kafka | Async inference, streaming |
| GitHub Actions / GitLab CI | ML CI/CD |
| Nginx, load balancing | ML model serving |
| Prometheus, Grafana | ML monitoring |
| REST API design | ML inference endpoints |
| Async/await | Concurrent inference |
| Microservices | Архитектура ML-сервисов |
Большинство ML Engineer-ов (пришедших из data scientist) изучают эти вещи с нуля. Ваша стартовая позиция значительно выше.
Cloud Cost (опционально)
В этом месяце вам понадобятся cloud-сервисы. Варианты:
- AWS Free Tier($300 credit для новых аккаунтов)
- GCP Free Tier($300 credit)
- DigitalOcean($200 credit student/coupon)
- Hetzner — самый дешёвый (€5/мес. сервер)
- Локальный Kubernetes(minikube, kind, k3s) — бесплатно, достаточно для небольших проектов
**Совет:**основные упражнения на локальном Docker + minikube, реальный cloud — только для capstone.
Начать
Начните с раздела Введение в MLOps.