Kursplan

Introduktion till Devstral och Mistral Modeller

  • Översikt över Mistrals öppna källkodsmodeller
  • Licensering Apache-2.0 och företagsanvändning
  • Devstrals roll i kodnings- och agentbaserade arbetsflöden

Självhostning av Mistral och Devstral Modeller

  • Förberedelse av miljö och infrastrukturval
  • Containerisering och distribution med Docker/Kubernetes
  • Skalningsöverväganden för produktion

Fina-justeringsmetoder

  • Övervakad finjustering vs parametereffektiv justering
  • Förberedelse och rensning av dataset
  • Exempel på domänspecifik anpassning

Model Ops och Versionering

  • Bästa praxis för modellens livscykelhantering
  • Versionering och återställningsstrategier för modeller
  • CI/CD-pipelines för ML-modeller

Styrning och efterlevnad

  • Säkerhetsöverväganden för öppen källkodsdistribution
  • Övervakning och granskbarhet i företagsmiljöer
  • Efterlevnadsramverk och ansvarsfull AI-praxis

Övervakning och Observabilitet

  • Spårning av modelldrift och försämring av noggrannhet
  • Instrumentering för inferensprestanda
  • Varning och återhämtningsarbetsflöden

Fallstudier och Bästa Praxis

  • Industrifall av Mistral- och Devstral-användning
  • Balansering av kostnad, prestanda och kontroll
  • Lärdomar från öppen källkods Model Ops

Sammanfattning och Nästa Steg

Krav

  • Förståelse för maskininlärningsarbetsflöden
  • Erfarenhet av Python-baserade ML-ramverk
  • Kunskap om containering och distributionsmiljöer

Målgrupp

  • ML-ingenjörer
  • Dataplattformsteam
  • Forskningsingenjörer
 14 timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier