Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie do modeli Devstral i Mistral

  • Przegląd otwartoźródłowych modeli Mistral
  • Licencja Apache-2.0 i adopcja w przedsiębiorstwach
  • Rola Devstral w przepływach pracy związanych z kodowaniem i agentami

Samodzielne hostowanie modeli Mistral i Devstral

  • Przygotowanie środowiska i wybór infrastruktury
  • Konteneryzacja i wdrażanie za pomocą Docker/Kubernetes
  • Zagadnienia związane ze skalowaniem w środowiskach produkcyjnych

Techniki dostrajania

  • Dostrajanie nadzorowane vs dostrajanie efektywne parametrowo
  • Przygotowanie i czyszczenie zbiorów danych
  • Przykłady dostosowywania do konkretnych domen

Model Ops i wersjonowanie

  • Najlepsze praktyki zarządzania cyklem życia modeli
  • Strategie wersjonowania i wycofywania modeli
  • Potoki CI/CD dla modeli uczenia maszynowego

Zarządzanie i zgodność

  • Zagadnienia związane z bezpieczeństwem wdrażania open-source
  • Monitorowanie i audytowalność w kontekście przedsiębiorstw
  • Ramy zgodności i praktyki odpowiedzialnego AI

Monitorowanie i obserwowalność

  • Śledzenie dryfu modelu i degradacji dokładności
  • Instrumentacja wydajności inferencji
  • Procesy alertowania i reagowania

Studia przypadków i najlepsze praktyki

  • Przykłady zastosowań modeli Mistral i Devstral w przemyśle
  • Balansowanie między kosztami, wydajnością i kontrolą
  • Lekcje z otwartoźródłowego Model Ops

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie procesów uczenia maszynowego
  • Doświadczenie w pracy z frameworkami ML opartymi na Pythonie
  • Znajomość konteneryzacji i środowisk wdrażania

Grupa docelowa

  • Inżynierowie uczenia maszynowego
  • Zespoły platform danych
  • Inżynierowie badawczy
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie