Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Wprowadzenie do modeli Devstral i Mistral
- Przegląd otwartoźródłowych modeli Mistral
- Licencjonowanie Apache-2.0 i adopcja w środowisku korporacyjnym
- Rola Devstral w kodowaniu i przepływach pracy agentów (agentic workflows)
Samoobsługa modeli Mistral i Devstral
- Pprzygotowanie środowiska i wybór infrastruktury
- Konteneryzacja i wdrażanie za pomocą Docker/Kubernetes
- Rozważania dotyczące skalowania dla użycia produkcyjnego
Techniki dostosowywania (Fine-Tuning)
- Nadzorowane dostosowywanie w porównaniu z efektywnym parametrowo dostosowywaniem
- Przygotowanie i czyszczenie zbiorów danych
- Przykłady dostosowania specyficznego dla danej dziedziny
Model Ops i wersjonowanie
- Praktyki optymalne dla zarządzania cyklem życia modeli
- Strategie wersjonowania i wycofywania modeli
- Rurociągi CI/CD dla modeli ML
Zarządzanie i zgodność
- Kwestie bezpieczeństwa w wdrożeniach otwartoźródłowych
- Monitorowanie i audytowalność w kontekście korporacyjnym
- Ramy zgodności i praktyki odpowiedzialnego AI
Monitorowanie i obserwowalność
- Śledzenie dryfu modelu i degradacji dokładności
- Instrumentacja dla wydajności wnioskowania
- Przepływy pracy alertowania i reagowania
Studium przypadków i praktyki optymalne
- Przypadki użycia w branży przy adopcji Mistral i Devstral
- Wyważanie kosztów, wydajności i kontroli
- Lekcje wyniesione z otwartoźródłowego Model Ops
Podsumowanie i kolejne kroki
Wymagania
- Znajomość procesów w uczeniu maszynowym
- Doświadczenie w pracy z frameworkami ML opartymi na Pythonie
- Znajomość konteneryzacji i środowisk wdrażania
Grupa docelowa
- Inżynierowie ML
- Zespoły platform danych
- Inżynierowie badawczy