Plan Szkolenia

Wprowadzenie do modeli Devstral i Mistral

  • Przegląd modeli open-source Mistral
  • Licencja Apache-2.0 i wdrożenia w przedsiębiorstwach
  • Rola Devstral w procesach kodowania i agentowych

Samodzielne hostowanie modeli Mistral i Devstral

  • Przygotowanie środowiska i wybory infrastruktury
  • Konteneryzacja i wdrażanie z użyciem Docker/Kubernetes
  • Rozważania dotyczące skalowania w produkcji

Techniki dostrajania

  • Dostrajanie nadzorowane vs. dostrajanie parametrów
  • Przygotowanie i oczyszczanie zbiorów danych
  • Przykłady dostosowania do konkretnych dziedzin

Model Ops i wersjonowanie

  • Najlepsze praktyki zarządzania cyklem życia modelu
  • Strategie wersjonowania i cofania modeli
  • CI/CD dla modeli ML

Zarządzanie i zgodność

  • Rozważania dotyczące bezpieczeństwa w wdrożeniach open-source
  • Monitorowanie i możliwość weryfikacji w kontekście przedsiębiorstw
  • Ramy zgodności i odpowiedzialne praktyki AI

Monitorowanie i obserwowalność

  • Śledzenie zmian w modelach i degradacji dokładności
  • Instrumentacja dla wydajności inferencji
  • Procedury alertowania i reagowania

Przykłady i najlepsze praktyki

  • Przykłady zastosowań Mistral i Devstral w przemyśle
  • Bilansowanie kosztów, wydajności i kontroli
  • Wnioski z zarządzania modelami open-source

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie procesów uczenia maszynowego
  • Doświadczenie w używaniu ram frameworków uczenia maszynowego bazujących na Pythonie
  • Znałomość konteneryzacji i środowisk wdrażania

Grupa docelowa

  • Inżynierowie ML
  • Zespoły platform danych
  • Inżynierowie badawczy
 14 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie