Zaawansowane wdrożenia AI w analityce finansowej: od prototypu do produkcji
Zapytaj o dostęp
Program
-
Etap 1: Architektura systemu ML w finansach
Jak projektować system od początku z myślą o produkcji- Feature store: koncepcja i implementacja z Feast
- Separacja trenowania od serwowania
- Wzorce projektowe dla systemów wysokiej dostępności
-
Etap 2: Śledzenie eksperymentów i rejestr modeli
MLflow w praktyce finansowej- Logowanie metryk, parametrów i artefaktów
- Porównywanie wersji modeli przed wdrożeniem
-
Etap 3: Serwowanie modeli i API
FastAPI, Dockeryzacja, podstawy Kubernetes -
Etap 4: Monitoring produkcyjny
Evidently, alerty, automatyczne raporty jakości modelu- Dryfowanie danych
- Zmiana rozkładu zmiennych wejściowych w czasie
- Dryfowanie koncepcyjne
- Zmiana relacji między zmiennymi a wynikiem modelu
-
Etap 5: Zgodność regulacyjna i audytowalność
Dokumentacja modeli, logi decyzji, wymogi SR 11-7 -
Etap 6: Projekt końcowy
Pełny pipeline od danych do monitorowanego wdrożenia
Zbudowanie modelu to dopiero połowa pracy. Znacznie trudniejsza część to utrzymanie go w środowisku produkcyjnym, gdzie dane się zmieniają, wymagania regulacyjne ewoluują, a użytkownicy mają własne oczekiwania.
Co odróżnia ten kurs
Skupiamy się na tym, co dzieje się po fazie eksperymentowania. MLflow do śledzenia eksperymentów, FastAPI do serwowania modeli, Evidently do monitorowania dryfu. Wszystko w kontekście finansowym.
Zagadnienia techniczne
- Wersjonowanie modeli i danych z użyciem MLflow i DVC
- Budowa pipeline ML z Prefect lub Airflow
- Monitoring dryfu koncepcyjnego i danych w czasie rzeczywistym
- Strategie retrenowania modeli bez przerywania działania systemu
Kurs prowadzi Wiktor Sobieski, inżynier ML z doświadczeniem w fintechach i instytucjach bankowych. Materiały są aktualizowane co kwartał, bo narzędzia w tej dziedzinie zmieniają się szybko.
Wymagania wstępne
Kurs zakłada znajomość Pythona na poziomie średniozaawansowanym, podstaw uczenia maszynowego i elementarnej wiedzy o konteneryzacji z Dockerem. Nie jest to kurs dla początkujących.
Środowisko laboratoryjne
Uczestnicy otrzymują dostęp do środowiska chmurowego na czas trwania kursu. Wszystkie ćwiczenia są skonfigurowane tak, żeby nie wymagały własnej infrastruktury.