Формат: цифровые практические инженерные воркшопы
Слушатели: инженеры Совкомбанк
Длительность: 1 день
Домен: Финтех / Банковская сфера
Уровень: Middle+ (опыт работы с данными и ML алгоритмами обязателен)
Данные в современном банке текут непрерывно: транзакции, действия пользователей, события систем. Но большинство команд до сих пор обрабатывает их «пакетами» — раз в час, раз в день. А когда приходит запрос на аналитику в реальном времени — начинается хаос.
И вторая боль — машинное обучение. Модель обучена, но запуск в прод занимает недели, а каждая новая версия — это риск что-то сломать. Эксперименты не воспроизводимы, модели деградируют, а мониторинга качества нет.
Формат обучения
- 80% времени за компьютером с инструментами из OSS
- Сквозной кейс: от бизнес-проблемы → к потоку данных → к модели на конвейере → к мониторингу в проде
- Примеры на данных банка: транзакции, события, кредитные решения
- Нет риска для продакшена — экспериментируем в изолированной среде
Модули программы
- Архитектура потоковых данных. Lambda-архитектура и Kappa-архитектура
- Брокеры сообщений и процессинговый движок
- Хранилища для потоковых данных
- Оконные операции (Windowing)
- Партиционирование / Шардирование / Backpressure
- От бизнес-проблемы к работающему алгоритму. Проверка гипотез до разработки
- Как поставить машинное обучение на конвейер
- ML-пайплайн: от данных к модели
- Воспроизводимость экспериментов
- Тестирование ML
- Версионирование: кода, данных и моделей
- Версионирование данных (DVC)
- Версионирование моделей (MLflow)
- Связка: код + данные + модель. CI/CD для ML-моделей
- Мониторинг качества моделей после запуска
- Дрейф данных (data drift) / Дрейф концепции (concept drift)