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.
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