Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Introduktion till Devstral- och Mistral-modeller
- Översikt över Mistrals öppna källkodsmodeller
- Apache-2.0-licensiering och adoption inom företagen
- Devstrals roll i kodning och agentic flöden
Självhostning av Mistral- och Devstral-modeller
- Förberedelse av miljöer och val av infrastruktur
- Containerisering och implementering med Docker/Kubernetes
- Skalbarhetsöverväganden för produktionsanvändning
Finjusteringstekniker
- Overvakad finjustering mot parameter-effektiv justering
- Förberedelse och rensning av datamängder
- Exempel på anpassning för specifika domäner
Model Ops och versionering
- Bästa praxis för hantering av modellens livscykel
- Versionering av modeller och strategier för återgång
- CI/CD-pipelines för ML-modeller
Styrning och efterlevnad
- Säkerhetsöverväganden vid implementering av öppen källkod
- Övervakning och spårbarhet i företagskontext
- Efterlevnadsramverk och ansvarsfulla AI-praktiker
Övervakning och observerbarhet
- Spåra modelldrift och försämrad noggrannhet
- Instrumentering för slutnätsprestanda
- Varnings- och hanteringsflöden
Kasestudier och bästa praxis
- Branschanvändningsfall för adoption av Mistral och Devstral
- Avvägning av kostnad, prestanda och kontroll
- Lärdomar från öppen källkod Model Ops
Sammanfattning och nästa steg
Krav
- En grundläggande förståelse för maskininlärning-flöden
- Erfarenhet av Python-baserade ML-ramverk
- Kunskap om containerisering och implementeringsmiljöer
Målgrupp
- ML-ingenjörer
- Dataplattformsteamer
- Forskningsingenjörer
14 Timmar