План на курса

Введение в модели Devstral и Mistral

  • Обзор на отворено изходните модели на Mistral
  • Лицензиране с Apache-2.0 и корпоративно прилагане
  • Ролята на Devstral в кодиране и агентични процеси

Самостоятелно хостиране на моделите на Mistral и Devstral

  • Подготовка на средата и избори за инфраструктура
  • Контейнеризация и развертане с Docker/Kubernetes
  • Разширяване за производствено използване

Техники за точна настройка

  • Супервизиран тон настройка срещу параметрично ефективна настройка
  • Подготовка и почистване на данни
  • Примери за специфична домейнна настройка

Model Ops и версия

  • Наи-добри практики за управление на жизнения цикъл на моделите
  • Версиониране на модели и стратегии за връщане назад
  • CI/CD конвейери за ML модели

Управление и съответствие

  • Безопасност за отворено изходно развертане
  • Мониторинг и прозрачност в корпоративни контексти
  • Рамки за съответствие и отговорно използване на AI

Мониторинг и наблюдение

  • Следване на отклонение и намаляване на точността на моделите
  • Инструменти за производителност на извличане
  • Алармиране и процеси за реагиране

Примерни изследвания и наи-добри практики

  • Примери за използване на Mistral и Devstral в индустрията
  • Баланс между разходи, производителност и контрол
  • Уроци, извлечени от отворено изходно Model Ops

Резюме и следващи стъпки

Изисквания

  • Разбиране на процеси за машинно обучение
  • Опит с Python базирани рамки за машинно обучение
  • Знакомство с контейнеризация и среди за развертане

Целева аудитория

  • Инженери за машинно обучение
  • Екипи за платформи за данни
  • Инженери-изследователи
 14 часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории