Kom i kontakt

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

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier