Влад – один из немногих преподавателей с техническим бэкграундом, а именно магистратура факультета компьютерных наук ВШЭ. Тем не менее, путь в Data Science начался гораздо раньше, когда после окончания второго курса бакалавриата он поехал по программе Work&Travel в Южную Каролину и, подозревая, что субтропический пляж с океаном – довольно скучное место, решил взять с собой несколько книг из университетской библиотеки. Среди них была монография «От моделей поведения к искусственному интеллекту» и сборник выпусков журнала об искусственном интеллекте и нейронных сетях. Разумеется, на второкурсника тогда еще аэромеханического факультета подобный набор произвел неизгладимое впечатление, и было решено углубить практические знания в машинном обучении. Первым местом работы в DS стал банк «Открытие», где Влад анализировал проблемные задолженности и строил скоринговые модели. Через полгода он перешел строить маркетинговые модели в Ostrovok, откуда спустя год попал в команду Валерия Бабушкина в X5 Retail Group. Сейчас Владислав уже 2,5 года работает ML-инженером в X5 и ведет модуль «Поддержание жизни ML-модели» на курсе HARD ML.
Зачем нужно изучать жизненный цикл ML-модели? Лучше всего расскажет сам лектор блока:
«Даже простой веб-проект превращается в проблему, если в нём неправильно настроен (или не настроен) хотя бы один из процессов разработки, тестирования, развертки или мониторинга. Что уж говорить про проект, построенный на машинном обучении:) Помимо уже упомянутых процессов, проект с ML требует особого внимания к этапам, выстраивающим жизненный цикл моделей, ведь в случае ошибки, легко не только не принести пользу, но и навредить.
После моего модуля студенты смогут самостоятельно выбрать базовую архитектуру ML-проекта, спроектировать своё приложение так, чтобы его удобно было развивать, тестировать, выводить в прод и поддерживать. Мы научимся создавать пайплайны экспериментов, а для работающего в бою приложения, настраивать аналитику и процессы мониторинга. Уделим внимание разным сценариям развертки приложения. Ну, и в качестве бонуса: с полученными знаниями можно уже самостоятельно ориентироваться в стандартах индустрии разработки софта, которые бывают нужны в ML-проектах».
Зачем нужно изучать жизненный цикл ML-модели? Лучше всего расскажет сам лектор блока:
«Даже простой веб-проект превращается в проблему, если в нём неправильно настроен (или не настроен) хотя бы один из процессов разработки, тестирования, развертки или мониторинга. Что уж говорить про проект, построенный на машинном обучении:) Помимо уже упомянутых процессов, проект с ML требует особого внимания к этапам, выстраивающим жизненный цикл моделей, ведь в случае ошибки, легко не только не принести пользу, но и навредить.
После моего модуля студенты смогут самостоятельно выбрать базовую архитектуру ML-проекта, спроектировать своё приложение так, чтобы его удобно было развивать, тестировать, выводить в прод и поддерживать. Мы научимся создавать пайплайны экспериментов, а для работающего в бою приложения, настраивать аналитику и процессы мониторинга. Уделим внимание разным сценариям развертки приложения. Ну, и в качестве бонуса: с полученными знаниями можно уже самостоятельно ориентироваться в стандартах индустрии разработки софта, которые бывают нужны в ML-проектах».