Методология обучения
Курс построен вокруг production-артефактов и проверяемых результатов. Мы не измеряем прочитанные страницы — мы измеряем pull request, pipeline, Docker-образ, Terraform plan, dashboard и runbook.
Структура каждого занятия
Единый формат: одна и та же структура даёт предсказуемое обучение. Занятия для разного уровня отличаются глубиной, а не структурой.
- Контекст — зачем это нужно в production.
- Измеримый outcome — что должно быть на выходе.
- Архитектура — схема компонентов и потоков.
- Worked example — полностью выполненный пример.
- Guided lab — пошаговое выполнение.
- Challenge — самостоятельное изменение.
- Tests — локальные и CI-проверки.
- Deliverables — файлы, PR, dashboard, endpoint.
- Rubric — Basic / Proficient / Advanced.
- Troubleshooting — типовые ошибки и диагностика.
- Cost and cleanup — стоимость ресурсов и удаление.
- Next step — связь со следующим модулем.
Как оцениваем
- 30% — лаборатории с автотестами
- 20% — короткие проверочные квизы
- 40% — capstone с защитой
- 10% — peer review минимум трёх работ
Rubric открыта и одинакова для всех. Пример rubric — на странице Треки.
Актуальность материалов
- Дата последней проверки на каждом занятии
- Pinned версии всех инструментов
- Changelog модуля виден на странице
- Полная regression-проверка минимум ежеквартально
Матрица версий — на странице Стек.
Мастер-гейты между блоками
Каждый следующий production-модуль открывается только после выполнения минимальных критериев предыдущего. Это защищает от tool-sprawl и пропуска базовых навыков.
- После foundation: работающий pytest и FastAPI на своей машине.
- После платформы: развёрнутая модель в kind + Helm rollback.
- После MLOps-цикла: полный E2E-контур с промоушеном.
- После observability: dashboards + алерты + runbook.
Governance и этика
Отдельный блок посвящён модельным карточкам, ownership, риск-реестру, ограничениям применения, приватности и процедуре вывода модели из эксплуатации. Используем подходы NIST AI RMF как ориентир — с явной датой актуальности.