Praksa 2: end-to-end ML system, od ingestion do serving
End-to-end ML sistem: od sirovih podataka do production serving-a
Predavač se utvrđuje
O kursu
Studenti u malim timovima grade potpun ML sistem sa realnim datasetom: ingestion, feature engineering, obučavanje, CI/CD, deploy i monitoring. Praksa učvršćuje znanja iz kurseva MLOps i Reliable ML u uslovima maksimalno bliskim production okruženju. Rezultat je funkcionalan servis sa dokumentovanim SLO i postmortem izveštajem prve iteracije.
Šta ćete naučiti
✓Implementirati end-to-end ML servis u timu od 2-3 osobe uz podelu odgovornosti
✓Dokumentovati SLO (latency, availability, accuracy) i sprovesti testiranje opterećenja
✓Napisati postmortem izveštaj prve production iteracije sa root cause analysis
Ključne teme
•Timski razvoj ML sistema: uloge, Git workflow, code review
•Ingestion i validacija podataka sa Great Expectations / Pandera
•Feature engineering pipeline sa dbt ili Feast
•Training pipeline sa praćenjem eksperimenata (MLflow/W&B)
•Deploy REST/gRPC servisa sa verzionisanjem
•Testiranje opterećenja i latency profiling
•Monitoring drifta i alerting u production okruženju
Opis je automatski generisan i predavač ga još nije proverio — ovo je nacrt za diskusiju.