Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Karta Przedmiotu

Politechnika Białostocka									Wydział Informatyki
Kierunek studiów		Data Science							Poziom i forma studiów				pierwszego stopnia stacjonarne
Grupa przedmiotów / specjalność									Profil kształcenia				ogólnoakademicki
Nazwa przedmiotu		MLOps w technologiach AI							Kod przedmiotu				DS1S3MLO
Nazwa przedmiotu		MLOps w technologiach AI							Rodzaj zajęć				obowiązkowy
Formy zajęć i liczba godzin		W	Ć	L	P	Ps	T	S	Semestr				3
Formy zajęć i liczba godzin		30				30			Punkty ECTS				5
Program obowiązuje od											2025/2026
Przedmioty wprowadzające		Przegląd metod i narzędzi AI (DS1S2PMN), Rachunek prawdopodobieństwa (DS1S2RPR), Wprowadzenie do systemu Linux (DS1S1WSL),
Cele przedmiotu		Przekazanie kompleksowej wiedzy z zakresu administracji systemami, konteneryzacji i praktyk DevOps w kontekście systemów AI/ML. Rozwój praktycznych umiejętności w zakresie tworzenia, zarządzania i budowania nowoczesnych środowisk na potrzeby procesów Artificial Intelligence / Machine Learning. Wpływ konsumpcji zasobów infrastruktury oraz sposobu składowania danych w kontekście zasad zrównoważonego rozwoju. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: IT Infrastructure ITOP - poziom 4 Availability Management AVMT - poziom 3 Programming/Software Development PROG - poziom 3 Systems Installation/Decommissioning HSIN - poziom 3 Release and Deployment RELM - poziom 3 Software Development Process Improvement SPIM - poziom 4 Data Management DATM - poziom 3 Machine Learning MLNG - poziom 3
Ramowe treści programowe		Konteneryzacja i orkiestracja, modele abstrakcji środowiska uruchomieniowego. Porównanie wybranych platform. Problemy systemów rozproszonych, algorytmy konsensusu, redundancja i wysokiej dostępności. Infrastructure as Code (IaC), konfiguracja i provisioning zasobów w wybranych platformach. Ciągła integracja i dostarczanie (CI/CD), strategie wdrożeniowe, automatyzacja procesów wdrożeniowych i baking warstw kodu. Zarządzanie procesami uczenia maszynowego, wersjonowanie danych i modeli, inżynieria cech, ewaluacja modeli AI. Wdrożenie modeli do produkcji. Bezpieczeństwo systemów i modeli AI. Wpływ konsumpcji zasobów infrastruktury oraz sposobu składowania danych w kontekście zasad zrównoważonego rozwoju.
Inne informacje o przedmiocie		treści przedmiotu odwołują się do zasad zrównoważonego rozwoju
		przedmiot ma związek z prowadzoną na Uczelni działalnością naukową
		przedmiot kształtuje umiejętności praktyczne
Wyliczenie:		Nakład pracy studenta związany z:											Godzin ogółem	W tym kontaktowych	W tym praktycznych
		udziałem w wykładach											30	30
		udziałem w innych formach zajęć											30	30	30
		indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w zaliczeniach organizowanych poza planem zajęć											4	4
		przygotowaniem do zaliczenia wykładu											10
		przygotowaniem do bieżących zajęć o charakterze praktycznym											10		10
		wykonaniem projektu											41		41
										Razem godzin:			125	64	81
										Razem punktów ECTS:			5	2.6	3.2
Zakładane kierunkowe efekty uczenia się													Wiedza	Umiejętności	Kompetencje społeczne
													DS1_W03	DS1_U04	DS1_K05
													DS1_W04	DS1_U07
													DS1_W05	DS1_U15
													DS1_W10	DS1_U17
													DS1_W19
													DS1_W21
Cele i treści ramowe sformułował(a)			dr inż. Andrzej Chmielewski, mgr inż. Kamil Zabielski										Data:		29/05/2025
Realizacja w roku akademickim								2026/2027
Treści programowe
		Wykład
		1.	Podstawy sieci komputerowych. Model OSI
		2.	Wybrane protokoły sieciowe
		3.	Podstawowe narzędzia diagnostyki sieci komputerowej
		4.	Treści dotyczące konteneryzacji; wyjaśnienie problematyki konteneryzacji. Wprowadzenie do technik abstrakcyjnych nad środowiskiem uruchomieniowym kontenera, różnice architektoniczne w technologiach takich jak Kubernetes, Nomad i Mesos
		5.	Problemy systemów rozproszonych (split brain), algorytmy konsensusu (Raft), problemy wysokiej dostępności oraz redundancji. Wpływ konsumpcji zasobów infrastruktury w kontekście zasad zrównoważonego rozwoju
		6.	Różnice domenowe między elementami środowiska budowania kontenera i środowiskiem uruchomieniowym kontenera
		7.	Idealny podział domenowy między środowiskiem uruchomieniowym kontenera, a środowiskiem uruchomieniowym aplikacji. Wpływ doboru zasobów w kontekście zasad zrównoważonego rozwoju
		8.	Wykorzystanie technik na rozwiązania pokroju GitLab, GitHub Actions, Azure Pipelines, AWS CodeBuild. Techniki bakingu warstw abstrakcyjnych oraz warstw kodu źródłowego
		9.	Elementy wprowadzające do uczenia maszynowego. Zarządzanie kodem z poziomu notatnika Jupytera, budowania generycznych i agnostycznych środowisk uruchomieniowych oraz deweloperskich
		10.	Procesy zarządzania modelami uczenia maszynowego. Elementy przygotowania danych, proces normalizacji danych, techniki specyficzne określonych klas cech jak stemmingizacja i lemmatizacja, techniki inżynierii cech oraz zarządzania cechami (feature store), elementy wersjonowania modelu
		11.	Badanie zdolności generycznych modelu dla klasyfikacji i regresji; tworzenie matrycy pomyłek, błąd średniokwadratowy, czułość, swoistość, dokładność, statystyka F(alfa). Procesy ewaluacji modelu, badanie regresji modelu oraz zdolności generycznych, porównywanie różnych wersji modelu
		12.	Modele wdrożenia modelu do środowiska produkcyjnego. Techniki wdrożenia modelu poprzez aplikację REST, elementy batch-processingu za pomocą Spark / Apache Airflow
		13.	Wprowadzenie do narzędzi zależnych od domeny, takich jak MLFlow / Kubeflow, Comet.ml, TensorBoard
		14.	Elementy bezpieczeństwa architektury systemu teleinformatycznego (denial of the service, oraz modelu (zatruwanie danych, techniki inwersji modelu, exploitacja progu, prompt injection)
		15.	Zaliczenie wykładu
		Pracownia specjalistyczna
		1.	Konfiguracja interfejsów sieciowych oraz podstawy diagnostyki sieci komputerowych
		2.	Budowanie środowisk uruchomieniowych oraz deweloperskich z wykorzystaniem technologii konteneryzacji, na potrzeby modeli i technologii pokrewnych machine learning (4h)
		3.	Elementy orkiestracji środowiska deweloperskiego z wykorzystaniem wybranej technologii cloud-computing (np. Kubernetes, Azure Apps) (6h )
		4.	Wdrożenie bazowych procesów ciągłej integracji i ciągłego dostarczania korzystając z dowolnego narzędzia. (Wymogiem jest element współpracy zespołowej, wzajemnego code-review oraz automatyzacja finalnego wdrożenia) (8h)
		5.	Zbudowanie procesów wersjonowania danych surowych, ekstrakcji cech, automatyzacji wdrożenia oraz monitorowania regresji modelu w czasie (8h)
		6.	Zaliczenie pracowni specjalistycznej
Metody dydaktyczne (realizacja stacjonarna)
		W	wykład problemowy; wykład informacyjny; wykład z prezentacją multimedialną
		Ps	programowanie z użyciem komputera
Metody dydaktyczne (realizacja zdalna)
		W	wykład problemowy; wykład informacyjny; wykład z prezentacją multimedialną
		-
Forma zaliczenia
		W	zaliczenie pisemne z pytaniami testowymi i otwartymi
		Ps	ocena wybranych programów realizowanych na zajęciach, ocena zadania projektowego
Warunki zaliczenia
		W	Uzyskanie min. 30% punktów z każdego E1-E2, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0
		Ps	Uzyskanie min. 30% punktów z każdego E3-E5, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0
Symbol efektu		Zakładane efekty uczenia się											Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów
Symbol efektu		Zakładane efekty uczenia się											Wiedza	Umiejętności	Kompetencje społeczne
	Wiedza: student zna i rozumie
E1		różne modele wdrażania oprogramowania oraz stosowane w tym celu narzędzia											DS1_W03 DS1_W10 DS1_W19
E2		procesy konteneryzacji i orkiestracji oraz modele środowiska uruchomieniowego											DS1_W04 DS1_W05 DS1_W19 DS1_W21
	Umiejętności: student potrafi
E3		budować procesy ciągłego dostarczania i ciągłej integracji dla różnych modeli oprogramowania												DS1_U04
E4		budować środowiska oparte o technologie kontenerowe, także mając na uwadze wpływ konsumpcji zasobów infrastruktury w kontekście zasad zrównoważonego rozwoju												DS1_U07 DS1_U15
E5		budować proste hurtownie modeli												DS1_U07
E6		analizować i badać regresję modelu uczenia maszynowego												DS1_U17
	Kompetencje społeczne: student jest gotów do
E7		łączenia domeny technicznej z zastosowaniem biznesowym modeli AI													DS1_K05
Symbol efektu		Sposób weryfikacji efektu uczenia się										Forma zajęć na której zachodzi weryfikacja
E1		zaliczenie pisemne										W
E2		zaliczenie pisemne										W
E3		ocena programów realizowanych na zajęciach, ocena zadania projektowego										Ps
E4		ocena programów realizowanych na zajęciach, ocena zadania projektowego										Ps
E5		ocena programów realizowanych na zajęciach, ocena zadania projektowego										Ps
E6		ocena programów realizowanych na zajęciach, ocena zadania projektowego										Ps
E7		ocena programów realizowanych na zajęciach, ocena zadania projektowego										Ps
Literatura podstawowa
		1.	Podręcznik systemowy GNU Linux
		2.	P. Chudzik, Konteneryzacja z wykorzystaniem Dockera. Podstawy, Helion, Gliwice, 2024
		3.	Y.Hattori, Pełnia możliwości DevOps, Git i GitHub. Zastosowanie podejścia opartego na automatyzacji, współpracy i innowacji, Helion, Gliwice, 2025
		4.	A. Król-Nowak, K. Kotarba, Podstawy uczenia maszynowego, Wydawnictwo AGH, 2022
Literatura uzupełniająca
		1.	G. Kim, P. Debois, et al, The DevOps Handbook, 2016
		2.	P. M. Duvall, S. Matyas, A. Glover, Continuous Integration: Improving Software Quality and Reducing Risk, 2007
		3.	I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, 2016
		4.	Google Site Reliability Workbook: https://sre.google
Koordynator przedmiotu:		dr inż. Andrzej Chmielewski, dr hab. inż. Ireneusz Mrozek											Data:		13/10/2025