Исследование адаптивности, надежности и безопасности AutoML-пайплайнов в задачах прикладного машинного обучения

Описание:

Современные AutoML-системы позволяют автоматизировать ключевые этапы машинного обучения, включая предобработку данных, выбор алгоритмов и настройку гиперпараметров. Однако их использование в прикладных ML-системах требует учета дополнительных факторов: адаптивности, надежности, безопасности и прочих нефункциональных требований, обеспечивающих стабильную и эффективную работу ML-системы в реальных условиях.

Возможные направления работы:

  • Анализ существующих AutoML-решений (Auto-Keras, Auto-sklearn, MLBox, TPOT, H2O, FLAML и др.)
  • Разработка методов повышения адаптивности, надежности и безопасности AutoML-пайплайнов
  • Оптимизация AutoML-процессов с учетом определенных нефункциональных требований
  • Проектирование архитектурной схемы MLSecOps с адаптивными механизмами безопасности
  • Внедрение механизмов мониторинга и автоматизированной оценки качества AutoML-пайплайнов
Требования к студенту

Требования к студенту: * Глубокие знания Python и опыт работы с основными ML/AutoML-фреймворками * Понимание основных принципов, этапов и процессов AutoML * Понимание принципов MLOps и отличий от классического DevOps * Понимание принципов MLSecOps и подходов к обеспечению безопасности моделей * Опыт работы с контейнеризацией и оркестрацией * Навыки анализа производительности AutoML-процессов и интерпретируемости моделей * Желательно понимание принципов многопоточности * Готовность к публикации научных статей

Уровень

2 курс, 3 курс

Руководитель

Андриенко Виктор Александрович

Консультант

Андриенко Виктор Александрович

Источник

Кафедра системного программирования СПбГУ