DevOps и MLOps в ИТМО: два направления про эксплуатацию, а не про написание кода
«Автоматизация разработки» и «Управление эксплуатацией систем ИИ» ИТМО учат держать системы и модели на плаву. Kubernetes и SRE против MLOps — что сдавать и куда идти.
Содержание
Отдельная профессия: не писать код, а держать системы живыми
Есть большой пласт IT, который абитуриенты часто не замечают: не разработка продукта, а его эксплуатация. Модель мало обучить, сервис мало написать — их нужно развернуть, мониторить, обновлять, защищать и держать под нагрузкой. В ИТМО под это заточены две отдельные программы, и обе — про инженерию эксплуатации, а не про придумывание алгоритмов.
Это «Автоматизация разработки и управления информационными системами» (мир DevOps и SRE) и «Управление эксплуатацией систем ИИ» (мир MLOps). Экзамены у обеих одинаковые — математика, русский, информатика, порог 60, — а вот содержание и роли разные. Разберём, чем они отличаются и кому подходят.
Автоматизация разработки: DevOps и SRE с нуля
«Автоматизация разработки и управления информационными системами» идёт по направлению 11.03.02 и готовит инженеров, которые автоматизируют разработку и держат большие системы на плаву. Здесь учат не только писать код, но и строить конвейеры доставки, управлять инфраструктурой и следить за надёжностью сервисов — это ровно то, чем занимаются DevOps- и SRE-инженеры.
Стек практический и современный: языки Python, C++, C#, Java, Go; Docker, Kubernetes, Ansible, Terraform для инфраструктуры; PostgreSQL, MongoDB, Redis для данных. Это набор, который реально спрашивают на собеседованиях. Мест много — 95 бюджетных и 275 контрактных, год 599 тысяч. Несмотря на код направления «Инфокоммуникационные технологии», телеком-теории тут минимум, основной упор — инфраструктура и инструменты.
Управление эксплуатацией систем ИИ: это MLOps
Вторая программа, «Управление эксплуатацией систем ИИ», идёт по направлению 09.03.03 «Прикладная информатика» и выстроена вокруг MLOps — эксплуатации моделей машинного обучения на всех этапах их жизни. Разработчик модели придумывает и обучает алгоритм, а MLOps-инженер делает так, чтобы этот алгоритм стабильно работал в продакшне: разворачивает, мониторит, обновляет и защищает.
Студенты получают базу по математике и программированию, а дальше углубляются в машинное обучение, DevOps- и MLOps-практики, мониторинг, инфраструктуру ML и безопасность. Это инженерная, а не исследовательская роль: важнее не придумать новую архитектуру, а сделать так, чтобы ИИ работал в реальной компании. Набор небольшой — 30 бюджетных и 55 платных мест, и по данным самообследования 2024 года средний балл ЕГЭ за предмет здесь был очень высоким (около 98,8), так что конкуренция серьёзная.
Как выбрать между DevOps и MLOps
Разница по сути одна: что именно ты эксплуатируешь. «Автоматизация разработки» — про инфраструктуру и надёжность любых информационных систем: контейнеры, оркестрация, CI/CD, мониторинг сервисов. «Управление эксплуатацией систем ИИ» — про то же самое, но применительно к моделям машинного обучения: как вывести ИИ в продакшн и поддерживать его.
Если тебе ближе классическая инфраструктура, высоконагруженные сервисы и роль SRE — «Автоматизация разработки», где к тому же гораздо больше мест. Если тянет именно к ИИ, но не в research, а в то, чтобы модели надёжно работали, — MLOps-программа. Обе профессии с высокими зарплатами и устойчивым спросом, и обе — хороший ответ тем, кто любит инженерию систем больше, чем бесконечную разработку фич.
