ЦБО · МФТИ г. Долгопрудный Программа ЦБО-МФТИ-001 Набор 2026
ЦБО-МФТИ-001 профессиональная переподготовка набор открыт

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

Ближайший поток 14 октября 2026
Места в группе 28 из 30
Заявки до 2026.09.30
Дата предварительная, возможен сдвиг ± 2–3 недели
Записаться на консультацию

Стоимость и условия оплаты — у контактного лица программы

Программа в одном абзаце

ЦБО-МФТИ-001 «Инженерия данных и MLOps» — программа профессиональной переподготовки ЦБО 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 — 14 октября 2026

Обновлено: 2026-08-31 · Академический руководитель: Павел Ахтямов · Прямой набор Центра, без посредников

01манифест 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

02программа в цифрах

Что считается в деле, а не на обложке

часов
0
академических, из них 150 — на инференс на ускорителях и эксплуатацию в кластере
месяцев
0
26 учебных недель по 14–16 часов, рассчитано на работающего разработчика
модулей
0
от инженерной гигиены до сквозного итогового проекта на 90 часов
потока в год
0–0
фиксированными потоками, не круглогодично — для качества групповой работы

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

Записка академического руководителя

03рынок 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

04кому подходит

Одним слушателям программа даёт заметный сдвиг, другим не окупится. Об этом честно на входе

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 — даже при сильной мотивации программа окажется ему не по силам
  • 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
05учебный 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

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

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

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

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

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: приём и версионирование данных → эксперименты и реестр моделей → сервис инференса в кластере → наблюдаемость, эластичность и переобучение. Заявленные характеристики подтверждаются нагрузочным тестированием. Защита перед комиссией МФТИ и приглашёнными представителями индустрии

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
06кто ведёт программу

Программа — это человек, который за неё отвечает

Павел Ахтямов — Академический руководитель портфеля ЦБО МФТИ

Павел Ахтямов

Академический руководитель портфеля ЦБО МФТИ

«Мы запускаем программы, которые сами хотели бы пройти, если бы оказались на другой стороне стола.»
ЦБО МФТИ уже ведёт корпоративные программы

ТехЭкспорт — экспортный акселератор МФТИ и ClubFirst для зрелых технологических компаний: три очных выездных модуля за рубежом, B2B-встречи с международными партнёрами и работа между модулями. Плановая экспортная выручка выпускников — более 5,3 млрд ₽ к 2029 году (оценка МФТИ)

МФТИ
  • Один из ведущих технических вузов России, основан в 1946 году
  • Десятки тысяч выпускников в технологических и научных компаниях
  • Базовые кафедры в Сбере, Яндексе, T-Банке, Тинькофф, Ozon, Wildberries, JetBrains, ВТБ, ЦБ РФ
07как поступить

Собственный отбор. Без отсева на входе диплом теряет вес

01шаг

Входное тестирование

Автоматически проверяемые задачи: Python на уровне уверенного джуниора, базовый SQL, математика в объёме первого курса технического вуза. Без проходного балла к собеседованию не допускаем

90 минут · онлайн
02шаг

Мотивационное собеседование

Короткий разговор с куратором программы: текущий опыт, причина перехода в MLOps, готовность работать 14–16 часов в неделю в течение шести месяцев. Тех, кто не потянет нагрузку, отсеиваем на этом шаге

20 минут · видеовстреча
03шаг

Решение и зачисление

Ответ направляем в течение пяти рабочих дней. Кандидатам, у которых результат пограничный из-за провала в одном блоке, предлагаем платный подготовительный модуль на четыре недели. 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 ЦБО, работа над итоговым проектом

первый поток — октябрь 2026
09часто 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 чужой 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. Это 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. Доступна рассрочка от партнёрских банков и частичная компенсация работодателем. 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. Если речь о группе от компании — укажите это в поле «О чём поговорить»