Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Съдържание и теми, включени в курса
Въведение в моделите Devstral и Mistral
- Преглед на моделите с отворен код на Mistral
- Лицензиране под Apache-2.0 и корпоративно приемане
- Ролята на Devstral в работни потоци за кодиране и агентни системи
Самостоятелно хостване на моделите Mistral и Devstral
- Подготовка на средата и избор на инфраструктура
- Контейнеризация и внедряване с Docker/Kubernetes
- Съображения за мащабиране при продукционна употреба
Техники за фина настройка
- Контролирана фина настройка срещу параметрично-ефективна настройка
- Подготовка и почистване на набори от данни
- Примери за персонализиране за конкретен домейн
Операции с модели и управление на версиите
- Най-добри практики за управление на жизнения цикъл на моделите
- Стратегии за версиониране на модели и връщане назад
- CI/CD потоци за ML модели
Управление и съответствие
- Съображения за сигурност при внедряване с отворен код
- Мониторинг и проследимост в корпоративен контекст
- Рамки за съответствие и практики за отговорен AI
Мониторинг и наблюдаемост
- Проследяване на дрейф на модела и влошаване на точността
- Инструментиране за производителност на инференциите
- Работни потоци за предупреждения и реакция
Казуси и най-добри практики
- Индустриални случаи на приемане на Mistral и Devstral
- Балансиране на разходи, производителност и контрол
- Научени уроци от операции с отворени модели (Model Ops)
Обобщение и следващи стъпки
Изисквания
- Разбиране на работни потоци в машинното обучение
- Опит с ML рамки, базирани на Python
- Запознатост с контейнеризация и среди за внедряване
Аудитория
- ML инженери
- Екипи за платформи за данни
- Научноизследователски инженери
14 Часа