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

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.

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

Wykład: zaliczenie pisemne z pytaniami testowymi i otwartymi
Pracownia specjalistyczna: ocena wybranych programów realizowanych na zajęciach, ocena zadania projektowego

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

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