Kom i kontakt
 Varaktighet 14 timmar

Kursplan

Introduktion till Devstral- och Mistral-modeller

  • Översikt över Mistrals modeller med öppen källkod
  • Apache-2.0-licensiering och implementering i företag
  • Devstrals roll i koding och agenta flöden

Självhosting av Mistral- och Devstral-modeller

  • Miljöförberedelse och val av infrastruktur
  • Containerisering och utrollning med Docker/Kubernetes
  • Skalbarhetsöverväganden för produktionsbruk

Finjusteringstekniker

  • Superviserad finjustering jämfört med parameter-effektiv justering
  • Förberedelse och rensning av dataset
  • Exempel på domänspecifik anpassning

Model Ops och versionering

  • Bästa praxis för modell-livscykelhantering
  • Modellversionering och återställningsstrategier
  • CI/CD-pipelinjer för ML-modeller

Styrning och efterlevnad

  • Säkerhetsaspekter vid utrollning av öppen källkod
  • Övervakning och revisionerbarhet i företagskontext
  • Efterlevnadsramverk och principer för ansvarig AI

Övervakning och observerbarhet

  • Säkra modelldrift och försämrad noggrannhet
  • Instrumentering för slutföringsprestanda
  • Alertning och responsflöden

Case Studies och bästa praxis

  • Branschbruk av Mistral och Devstral
  • Balansera kostnad, prestanda och kontroll
  • Insikter från öppen källkod Model Ops

Sammanfattning och nästa steg

Krav

  • Grundläggande förståelse för machine learning-flöden
  • Erfarenhet av Python-baserade ML-ramverk
  • Medvetenhet om containerisering och utrollningsmiljöer

Målgrupp

  • ML-ingenjörer
  • Dataplattformsteam
  • Forskningsingenjörer

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier