Компании не нанимают тех, кто просто пишет код. Им нужны те, кто проектирует системы: выбирает базы данных, деплоит модели на GPU-кластеры и чинит прод в 3 часа ночи.
Три ситуации, в которых оказываются инженеры прямо сейчас
Компании нанимают меньше. На каждую позицию — десятки откликов. Если ваш главный навык — писать код, вы конкурируете и с другими инженерами, и с AI-агентами.
Всё меньше вопросов про алгоритмы, всё больше — про System Design. Как устроена система целиком, какие trade-off'ы, почему выбрали это решение.
Вы хороший инженер, но при переходе на новое место выясняется: нужен опыт с K8s, Docker, CI/CD, мониторингом. Всё то, чему не учат на курсах по ML.
Пишет код по ТЗ. Конкурирует с AI-агентами и сотнями таких же инженеров. Зависит от DevOps-команды.
Проектирует систему целиком. Выбирает технологии, управляет инфраструктурой, принимает решения, которые агенты не умеют.
Этот курс — про переход из первой роли во вторую.
Умеете обучать модели, писать пайплайны, решать задачи. Но на позицию Senior/Lead не берут — потому что там спрашивают не код, а архитектуру. Вы знаете PyTorch, но не знаете, почему упал Kafka-консюмер в проде.
Вы видите волну сокращений и понимаете: просто «уметь кодить» уже не защита. Нужно что-то, что нельзя автоматизировать. Нужно понимание систем, инфраструктуры, архитектурных решений.
Вакансии, которые вам интересны, требуют SD-раунд. Вы открываете «Designing Data-Intensive Applications» — и понимаете, что между прочитать книгу и спроектировать систему — пропасть. Нужна практика.
Модель работает в ноутбуке. Но как её вытащить в прод? Docker, Kubernetes, мониторинг, балансировка — и всё это надо было знать вчера. Вы хотите системный подход, а не судорожный гуглинг в 2 часа ночи.
Не просто «новые навыки» — другая роль на рынке
Вы перестанете бояться System Design интервью
Разберёте реальные кейсы и научитесь структурировать мышление: от требований к архитектурной диаграмме за 45 минут
Вы будете понимать всю систему, а не только свой кусок
Базы данных, очереди, кеши, балансировщики, мониторинг — вы увидите, как всё связано, и сможете проектировать с нуля
Вы сможете задеплоить что угодно
Docker, Kubernetes, GPU-кластеры, self-hosted LLM — вы перестанете зависеть от DevOps-команды и сможете сами поднять инфраструктуру
Вы станете тем, кого не заменит агент
Агент напишет FastAPI-эндпоинт. Но выбрать между Kafka и RabbitMQ, спроектировать failover и объяснить почему — это можете только вы
Вы перейдёте с позиции «руки» на позицию «голова»
Вместо того, чтобы писать код по чужим техническим решениям, вы будете принимать эти решения сами — и управлять агентами
Вы получите практический опыт, а не теорию из книг
Каждый модуль — это задание на реальной инфраструктуре. Вы руками поднимете K8s-кластер, настроите Redis, задеплоите LLM через vLLM
Полный стек для проектирования и деплоя ML-систем в продакшн
Лекция каждую неделю. После каждой темы — домашнее задание с фидбеком от лектора. Раз в 4-5 недель — Q&A-сессия для разбора вопросов.
Разберём, зачем ML-инженеру system design и как AI-агенты меняют роль инженера. Обсудим ключевые паттерны проектирования ML-систем, trade-off'ы и принципы принятия архитектурных решений
Основные темы:
Углубимся в выбор и проектирование баз данных под ML-задачи. От реляционных БД до векторных хранилищ — научитесь выбирать инструмент под задачу и проектировать схемы данных
Основные темы:
Научитесь строить эффективные Docker-образы для ML-сервисов. Разберём multi-stage builds, оптимизацию размера образов с тяжёлыми зависимостями и Docker Compose для локальной разработки
Основные темы:
Освоите Kubernetes с фокусом на ML-workload'ы. От базовых абстракций до продвинутых сценариев с GPU-нодами, автоскейлингом и canary deployments
Основные темы:
Изучим паттерны асинхронной обработки и кеширования для ML-пайплайнов. Redis, Kafka, RabbitMQ — когда и что использовать для высоконагруженных ML-систем
Основные темы:
Научитесь разворачивать и оптимизировать собственные ML-модели и LLM в продакшне. От выбора GPU до production-ready серверов инференса
Основные темы:
Построим пайплайны непрерывной доставки моделей в продакшн. От версионирования данных до автоматического деплоя и A/B-тестирования моделей
Основные темы:
Научитесь следить за здоровьем ML-систем в продакшне. Метрики, логи, трейсы и алерты — всё, что нужно, чтобы спать спокойно, когда модель в проде
Основные темы:
Разберём паттерны масштабирования ML-систем: от горизонтального скейлинга до geo-distributed архитектур. Как обеспечить надёжность и производительность при росте нагрузки
Основные темы:
Финальный модуль: разберём формат System Design интервью, потренируемся на реальных кейсах и научимся структурировать мышление для принятия архитектурных решений
Основные темы:
Онлайн-лекции, где можно задавать вопросы, обсуждать сложные кейсы и дискутировать. В конце — анонимный тест для закрепления материала
После каждой лекции — домашнее задание на реальной инфраструктуре: развернуть, настроить, задеплоить
Каждое домашнее задание проверит лектор и даст исчерпывающий фидбэк по вашему решению
Обсуждайте домашние задания, рабочие задачи или просто общайтесь. Кураторы курса всегда помогут
Раз в 4-5 недель спикеры собираются в zoom, чтобы ответить на ваши вопросы и помочь с практикой
Опытные инженеры будут вести Zoom-лекции и семинары, отвечать на ваши вопросы и ревьюить код
Яндекс
Senior-инженер с опытом проектирования высоконагруженных ML-систем
VK / ex-Сбер
MLOps-инженер, строит пайплайны CI/CD и инфраструктуру для ML
Тинькофф
DevOps/SRE с фокусом на ML-инфраструктуру и Kubernetes
Попадёте в чат с опытными инженерами, где мы проводим литклубы, random coffee и обсуждаем вопросы с работы
Получите сертификат о прохождении обучения от лицензированной образовательной организации
Доступ к записям лекций и материалам курса на один год после завершения обучения
Если поймёте, что программа вам не подходит. Позже — вернём деньги за вычетом пройденных занятий
Получите 13% от стоимости курса после обучения
Картой иностранного банка или другими удобными способами
Мы принимаем оплату от юрлиц. Напишите на b2b@deepschool.ru
Мы свяжемся, когда начнём собирать группу, расскажем о тарифах и подарим скидки первым участникам. Количество мест ограничено.
Лекции проходят по будням в 19:00 по московскому времени и длятся 1,5-2 часа. Q&A-сессии проходят после каждой 5-й лекции.
Базовые знания Python и опыт работы с ML-моделями. Вам не нужен глубокий опыт в DevOps — мы научим всему с нуля. Полезно иметь представление о Linux и командной строке.
Каждая лекция сопровождается практическим заданием на реальной инфраструктуре. Вы будете разворачивать сервисы в Docker и Kubernetes, настраивать мониторинг, деплоить модели — всё руками.
Да! Курс покрывает архитектурные паттерны и инфраструктуру, которые актуальны и для backend-разработчиков, желающих перейти в ML-инфраструктуру. Знание ML-моделей на глубоком уровне не требуется.
Да, если вы являетесь налоговым резидентом России и оплачиваете подоходный налог. Подать документы на вычет можно в году, следующем за годом оплаты обучения.
Да, мы подготовим счёт на полную или частичную оплату для юридического лица. Напишите на b2b@deepschool.ru для оформления документов.
Короткие посты по теории ML/DL, полезные библиотеки и фреймворки, вопросы с собеседований и советы, которые помогут в работе
Открыть Телеграм
