MLOps в SberCloud
ML Space: от ноутбука
до REST API
ML Space: от ноутбука
до REST API
MLOps в SberCloud
ML Space: от ноутбука до REST API
ML Space: от ноутбука до REST API
Автоматизируйте жизненный цикл ML‑модели: проведите эксперимент в Jupyter Lab,
зафиксируйте метрики в MLflow и задеплойте её в GPU‑кластер ML Space Serving,
получив продовый REST‑endpoint за один интенсив.
зафиксируйте метрики в MLflow и задеплойте её в GPU‑кластер ML Space Serving,
получив продовый REST‑endpoint за один интенсив.
-
Что?Эксперимент в Jupyter Lab → логирование в MLflow → деплой модели в GPU‑K8s через ML Space Serving и выдача REST‑endpoint. -
Формат и длительностьдо 25 человек; 8 часов -
Для кого?ML‑/Data‑инженеры и MLOps‑команды, которым нужен воспроизводимый продакшн‑пайплайн.
Содержание
Онбординг в ML Space. Создание проекта, подключение GPU‑кластера и Git‑репозитория.
Экспериментирование в Jupyter Lab. Подготовка данных, обучение модели, логирование метрик и артефактов в MLflow.
Пакетирование и версионирование модели. Docker/Conda‑env, сохранение в Model Registry.
Продовой деплой. Развёртывание в Kubernetes Serving, настройка autoscale и выделения GPU.
REST‑интерфейс и тесты. Экспонирование endpoint, Swagger‑документация, нагрузочные тесты.
Мониторинг и следующий шаг. Отслеживание latency / accuracy, план CI/CD для непрерывного релиза.
Экспериментирование в Jupyter Lab. Подготовка данных, обучение модели, логирование метрик и артефактов в MLflow.
Пакетирование и версионирование модели. Docker/Conda‑env, сохранение в Model Registry.
Продовой деплой. Развёртывание в Kubernetes Serving, настройка autoscale и выделения GPU.
REST‑интерфейс и тесты. Экспонирование endpoint, Swagger‑документация, нагрузочные тесты.
Мониторинг и следующий шаг. Отслеживание latency / accuracy, план CI/CD для непрерывного релиза.
Технологический стек
SberCloud ML Space, Jupyter Lab, MLflow, Kubernetes Serving
Предварительные требования
Python, Conda, Git, базовые навыки Kubernetes.
Эксперты
-
Дмитрий ЖечковЭксперт по AI и облачным решениям, архитектор облачных решений в Yandex Cloud, сосредоточен на разработке ПО с использованием Generative AI и агентных архитектур. -
Носов АндрейПрофильный специалист с более чем 20-летним опытом в ИТ, специализирующийся на архитектуре решений в области ИИ, LLM, RAG, NLP, системной интеграции и руководстве мультидисциплинарными командами. Практический опыт разработки 27 AI/ML решений. Эксперт в построении AI-инфраструктур и развитии продуктовых команд. -
Александр МиленкинML Team Lead | Dodo Brands
Senior Data Scientist | Red Mad Robot
Senior Data Scientist | X5 Retail Group
Стоимость
Фиксированная цена
за командный пакет
25 000 ₽/участник
для физических лиц
Ознакомьтесь с другими
мастер-классами
мастер-классами
Закрываем конкретный вызов: внедрить RAG‑конвейер на LangChain, настроить MLOps‑CI/CD и мониторинг, освоить LoRA/RLHF‑тонкую настройку или добавить guardrails и безопасность
Ваша команда умеет собирать AI уже завтра: технологично, практично, экономно
Напишите нам, и мы подберем решение
Напишите нам, и мы подберем решение
ОБРАЗОВАТЕЛЬНАЯ ЭКОСИСТЕМА
НАПРАВЛЕНИЯ ОБУЧЕНИЯ
СЕРВИСЫ
Через обучение - к успеху! Знания работают на вас