МФТИ Физтех Центр бизнес-образования МФТИ
Центр бизнес-образования МФТИ г. Долгопрудный Программа ЦБО-МФТИ-001 Набор 2026
профессиональная переподготовка набор открыт

MLOps и инженерия данных: инженер, который доводит
модели до продакшна, а не до демо-стенда

Ближайший поток 23 ноября 2026
Стоимость 175 000 ₽
Оставьте почту: пришлём программу и ответим на вопросы об обучении
Записаться на консультацию

Оплатить обучение можно лично или через компанию по договору с МФТИ

манифест программы

MLOps - это не следующая ступень data scientist. Это отдельная инженерная профессия

По разным оценкам, до восьмидесяти процентов ML-моделей, обученных в компаниях, в промышленную эксплуатацию так и не попадают. Они остаются в ноутбуках, в демо-презентациях, в PoC-папках. Причина почти всегда не в качестве модели. Её просто некому довести до продакшна и поддерживать там в рабочем состоянии

Программа собрана как ответ на эту проблему. Мы не готовим ещё одного data scientist: таких специалистов в стране уже больше, чем инфраструктуры под их работу. Мы готовим инженера, который соберёт трубопровод для данных, упакует модель в контейнер, развернёт её в кластере, настроит мониторинг и вовремя заметит, что модель устарела

На выходе у слушателя - сквозной дипломный проект: от загрузки сырых данных через обучение модели до развёртывания, мониторинга и автоматического переобучения. Это не абстрактная учебная задача, а рабочий шаблон. С ним можно идти на собеседование или применить его на своей текущей работе

кто ведёт программу

Программа - это человек, который за неё отвечает

Павел Ахтямов - академический руководитель программ Центра бизнес-образования МФТИ

Павел Ахтямов

Академический руководитель портфеля Центра бизнес-образования МФТИ, главный по программам искусственного интеллекта

«Мы запускаем программы, которые сами хотели бы пройти, если бы оказались на другой стороне стола.»
Опыт
  • Техлид photolab.me
  • Старший преподаватель МФТИ
  • Эксперт по MLOps и промышленной разработке
МФТИ
  • Один из ведущих технических вузов России: основан 25 ноября 1946 года, в 2026 году Физтеху 80 лет
  • Выпускники Физтеха Андрей Гейм и Константин Новосёлов - лауреаты Нобелевской премии по физике 2010 года
  • Десятки тысяч выпускников в технологических и научных компаниях
  • Базовые кафедры в Сбере, Яндексе, T-Банке, Ozon, Wildberries, JetBrains, ВТБ, ЦБ РФ
кому подходит

Кому программа даст заметный сдвиг в карьере

Подходит

  • Разработчик с опытом на Python от одного года, который планирует переход в ML-инфраструктуру и работу на стыке данных и эксплуатации
  • Data engineer, знакомый с конвейерами данных, но без промышленной практики MLOps: контейнеров, оркестрации, мониторинга моделей
  • DevOps-инженер, который движется в сторону ML и хочет освоить специфику работы с моделями, а не только с сервисами
  • Выпускник технического вуза с сильной математикой и кодом, готовый зайти в инженерную профессию через полноценную переподготовку

Не подходит

  • Руководитель без кода, которому нужно «разобраться в ИИ» на управленческом уровне - подходящий вариант ЦБО-МФТИ-003
  • Бизнес-аналитик или продакт без опыта программирования: Python обязателен и проверяется на входном тестировании
  • Слушатель без технического образования и без опыта работы с кодом: программа опирается на Python с первой недели
  • Тот, кто ищет короткий курс на месяц-два: здесь шесть месяцев, 400 часов и командный итоговый проект
для ИТ-специалистов Python обязателен MLOps в продакшн диплом МФТИ
учебный план

Шесть модулей. От инженерной гигиены до системы, живущей в кластере под нагрузкой

01 блок · 24 часа

Онбординг и инженерная гигиена

Короткий выравнивающий модуль. Программировать с нуля здесь не учат: приводим рабочие привычки к промышленному уровню - репозиторий, экспертиза кода, типизация, тесты и понимание того, почему блокирующая операция кладёт сервис

Темы блока и часы
Рабочий процесс инженера: репозиторий, ветвление, запрос на слияние, экспертиза кода6 ч
Командная оболочка как рабочий интерфейс: потоки, конвейеры команд, диагностика узла4 ч
Гигиена кода промышленного уровня: структура проекта, типизация, тестирование4 ч
Синхронная и асинхронная модели выполнения: цикл событий и его блокирование4 ч
Самостоятельная работа и зачёт по модулю6 ч
24часа
02 блок · 60 часов

Сервис и упаковка

Модель превращается в сервис. Контракт интерфейса, асинхронное ядро, контейнер минимального состава и конвейер, который сам собирает и публикует образ. Рабочий принцип модуля: изменение, не собранное в конвейере, не существует

Темы блока и часы
Архитектура сервиса машинного обучения: режимы обслуживания, протоколы, контракты6 ч
Асинхронное выполнение и наблюдаемость: журналирование, сквозной идентификатор запроса8 ч
Контейнеризация сервиса: многоэтапная сборка, образы минимального состава8 ч
Описание многокомпонентной среды и сетевое взаимодействие компонентов6 ч
Непрерывная интеграция и поставка: проверки, сборка образов, реестр8 ч
Самостоятельная работа и зачёт по модулю24 ч
60часов
03 блок · 76 часов

Данные, воспроизводимость, оркестрация

Не корпоративное хранилище, а конвейеры под обучение и инференс: версии наборов данных, трекинг экспериментов, реестр моделей, идемпотентные запуски и переобучение по событию готовности данных

Темы блока и часы
Хранение данных для машинного обучения: объектное хранилище, форматы наборов и весов6 ч
Версионирование данных: данные как код, воспроизводимые конвейеры подготовки6 ч
Трекинг экспериментов и реестр моделей: параметры, метрики, стадии жизненного цикла6 ч
Оркестрация конвейеров: граф задач, планирование запусков, идемпотентность8 ч
Событийная оркестрация и непрерывное переобучение6 ч
Очереди сообщений и обратное давление; асинхронный инференс6 ч
Витрина признаков и контроль качества данных; расхождение обучения и инференса6 ч
Самостоятельная работа и зачёт по модулю32 ч
76часов
04 блок · 76 часов

Высокопроизводительный инференс на графических ускорителях

Профильный модуль программы. Инференс переезжает с интерпретируемого языка на специализированный сервер: пакетирование запросов, компиляция графа, обслуживание больших языковых моделей. Принцип модуля - измерять, а не предполагать

Темы блока и часы
Ограничения инференса на интерпретируемом языке: блокировка интерпретатора, обмен с ускорителем6 ч
Сервер инференса: архитектура, репозиторий моделей, конфигурация экземпляров8 ч
Динамическое пакетирование запросов: пропускная способность против задержки8 ч
Компиляция вычислительного графа: экспорт, слияние слоёв, снижение разрядности весов8 ч
Обслуживание больших языковых моделей: кэш ключей и значений, непрерывное пакетирование8 ч
Нагрузочное тестирование и сравнение вариантов обслуживания модели6 ч
Самостоятельная работа и зачёт по модулю32 ч
76часов
05 блок · 74 часа

Кластер и эксплуатация

Система выходит в общий кластер и начинает жить самостоятельно: пробы, лимиты, узлы с ускорителями, масштабирование по длине очереди, панели наблюдения, обнаружение дрейфа данных и безопасный выпуск с возможностью отката

Темы блока и часы
Декларативное управление кластером: объекты, самовосстановление, конфигурации и секреты8 ч
Кластер под нагрузки машинного обучения: запросы и лимиты, пробы, узлы с ускорителями8 ч
Эластичность и экономика вычислительных ресурсов6 ч
Наблюдаемость: метрики, журналы, трассировки, показатели ускорителей, оповещения8 ч
Контроль качества в эксплуатации: дрейф данных и схемы переобучения6 ч
Стратегии выпуска и безопасность эксплуатации: поэтапное включение, теневой трафик, откат6 ч
Самостоятельная работа и зачёт по модулю32 ч
74часа
06 дипломный проект

Итоговый проект: сквозная ML-система

Команда из 2–3 человек собирает сквозную систему. Она начинается с приёма и версионирования данных, продолжается экспериментами и реестром моделей, дальше идёт сервис инференса в кластере, а замыкают её наблюдаемость, эластичность и переобучение. Заявленные характеристики подтверждаются нагрузочным тестированием. Защита перед комиссией МФТИ и приглашёнными представителями индустрии

Темы блока и часы
Постановка задачи и архитектурный разбор замысла8 ч
Сборка сквозного решения: данные, обучение, обслуживание модели, развёртывание12 ч
Наблюдаемость, эластичность и доводка конвейера поставки10 ч
Проверка устойчивости: нагрузочное тестирование и поведение при отказах8 ч
Самостоятельная работа команды над выпускной работой40 ч
Защита выпускной работы перед комиссией и индустрией12 ч
90часов
программа в цифрах

Что считается в деле, а не на обложке

часов
400
академических, из них 150 - на инференс на ускорителях и эксплуатацию в кластере
месяцев
6
26 учебных недель по 14–16 часов, рассчитано на работающего разработчика
модулей
6
от инженерной гигиены до сквозного итогового проекта на 90 часов
потока в год
2–3
фиксированными потоками, не круглогодично - для качества групповой работы

««Модель в Jupyter-ноутбуке - ещё не продукт».»

Записка академического руководителя

рынок в цифрах

Зачем эта программа сейчас. Три цифры рынка, которые определяют ценность профессии

Рынок ML-инженерии устроен так: обученных моделей много, доведённых до стабильного промышленного режима - заметно меньше. Это и есть зазор, в котором живёт MLOps. Три цифры из открытых отчётов, на которые мы опираемся

87%

ML-моделей не доходят до продакшна

Большинство ML-моделей остаются прототипами. Причина почти всегда одна и та же: между моделью и промышленной системой нет грамотного инженера данных и MLOps-инфраструктуры

Источник: Algorithmia · State of Enterprise ML, 2024

$31 млрд

Мировой рынок MLOps к 2030 году

Среднегодовой рост - 41%. Спрос на инженеров, способных не учить модели, а ставить их на поток, растёт быстрее, чем на любую другую ML-специализацию

Источник: Markets and Markets · MLOps Market Report, 2024

15%

Дата-сайентистов умеют грамотно поднимать production-pipeline

Это и есть точка дефицита. Компании ищут не тех, кто умеет обучить модель в Jupyter, а тех, кто умеет довести её до промышленной системы с мониторингом, тестами и откатами

Источник: Anaconda · State of Data Science, 2024

как поступить

Четыре шага до старта. Проверяем базу, чтобы с первой недели учёба шла уверенно

01шаг

Входное тестирование

Автоматически проверяемые задачи: Python на уровне уверенного джуниора, базовый SQL, математика в объёме первого курса технического вуза. По результату видно, с какой базой вы приходите и что стоит подтянуть до старта

90 минут · онлайн
02шаг

Мотивационное собеседование

Короткий разговор с куратором программы: текущий опыт, цель перехода в MLOps и то, как вписать 14–16 часов в неделю в рабочий график на шесть месяцев

20 минут · видеовстреча
03шаг

Решение и зачисление

Ответ направляем в течение пяти рабочих дней. Если в одном из блоков не хватает базы, предлагаем платный подготовительный модуль на четыре недели, чтобы подтянуть её до старта. Зачисление - в ближайший поток

2–3 потока в год
04шаг

Старт программы

Онлайн, вечерний режим. Открытие потока, знакомство группы, разбор стартовых задач. Далее - еженедельные вебинары, лабораторные на инфраструктуре Центра, работа над итоговым проектом

старт 23 ноября 2026 года

Программа в одном абзаце

ЦБО-МФТИ-001 «Инженерия данных и MLOps» - программа профессиональной переподготовки Центра бизнес-образования МФТИ. ИТ-специалисты с опытом программирования. Длительность - 6 месяцев, объём - 400 академических часов. Формат - онлайн, вечерний режим. Python обязателен. По итогам - диплом мфти о профессиональной переподготовке установленного образца. Стоимость - 175 тысяч ₽. Ближайший поток стартует 23 ноября 2026 года

Обновлено: 2026-10-28 · Академический руководитель: Павел Ахтямов · Прямой набор Центра, без посредников

часто задаваемые вопросы

Что обычно спрашивают до подачи заявки

01 Я джуниор с Python год. Точно потяну? +
Это нижняя граница допуска. Если кандидат уверенно пишет функции и классы, читает незнакомый код, понимает базовый SQL - входное тестирование он пройдёт. При провале в одном блоке (например, в математике) до старта основного потока предусмотрен четырёхнедельный подготовительный модуль.
02 Сколько времени в неделю реально нужно? +
Программа рассчитана на 14–16 часов в неделю в течение 26 учебных недель: еженедельный вебинар, асинхронные модули, лабораторная со сдачей результата к концу недели, работа над итоговым проектом в команде. Формат подходит работающему разработчику, но нагрузка серьёзная - оценивайте свой график честно.
03 Что значит «MLOps» простыми словами? +
MLOps - это DevOps для машинного обучения. DevOps отвечает за то, чтобы обычный сервис стабильно работал в продакшне: его собирают, упаковывают, разворачивают, мониторят. MLOps делает то же самое для ML-моделей с поправкой на то, что модель устаревает по мере изменения данных и требует переобучения. Это эксплуатационная инженерия, а не наука о данных.
04 Можно ли совмещать с работой? Программа же вечерняя. +
Да, программа спроектирована под работающего ИТ-специалиста: онлайн, вечерний режим, асинхронные модули, дедлайны на конец недели. Многие слушатели применяют материалы программы на текущей работе. Такая практика поощряется и помогает в итоговом проекте.
05 Корпоративный набор группы - возможен? +
Да. Для компаний, направляющих пять и более сотрудников на один поток, действует корпоративный тариф и отдельные форматы согласования с HR и юридическим блоком. Итоговый проект в этом случае можно выполнять на инфраструктуре заказчика и закрыть им реальную задачу компании.
06 Какой документ я получу? +
Диплом МФТИ о профессиональной переподготовке установленного образца. Документ выдаёт сам МФТИ как лицензированная образовательная организация. Квалификация в дипломе - «Инженер данных и MLOps-инженер». Юридически документ даёт право вести профессиональную деятельность в этой области.
07 Сколько стоит? +
Обучение стоит 175 тысяч ₽ для частного слушателя. Обучение может оплатить работодатель по договору с МФТИ. Для компаний, направляющих группу от пяти сотрудников, условия согласовываются отдельно. Порядок оплаты уточняйте у контактного лица программы.

Заявка. С кодом, без лирики

Контактное лицо программы перезвонит в течение рабочего дня. Расскажет про программу, ответит на вопросы. Для консультации об обучении группы добавляем сведения о компании в поле «О чём поговорить»