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.
Продължителност 14 часa
Съдържание и теми, включени в курса
Въведение в моделите Devstral и Mistral
- Преглед на моделите с отворен код на Mistral
- Лицензиране Apache-2.0 и внедряване в корпоративен сектор
- Ролята на Devstral в програмирането и агентните потоци
Самохостинг на моделите Mistral и Devstral
- Подготовка на средата и избор на инфраструктура
- Контейнеризация и внедряване с Docker/Kubernetes
- Разглеждане на въпроси за мащабиране за продуктивно използване
Техники за дообучване
- Надзорено дообучване спрямо ефективното по параметрите дообучване
- Подготовка и почистване на данните
- Примери за персонализиране за конкретни области
Model Ops и версиониране
- Най-добри практики за управление на жизнения цикъл на моделите
- Стратегии за версиониране и откат (rollback) на моделите
- CI/CD пайплайни за ML модели
Управление и съответствие
- Съображения за сигурност при внедряване на отворен код
- Мониторинг и проследимост в корпоративни контексти
- Рамки за съответствие и практики за отговорен AI
Мониторинг и наблюдаемост
- Следене на дрейфа на моделите и влошаването на точността
- Инструментиране за производителност при инференс
- Потоци за алармиране и реагиране
Кейс студии и най-добри практики
- Примери за използване в индустрията при внедряване на Mistral и Devstral
- Балансиране на разходите, производителността и контрола
- Учения от Model Ops с отворен код
Резюме и следващи стъпки
Изисквания
- Разбиране на процесите в машинното обучение
- Опит с ML фреймуъркове, базирани на Python
- Знае с контейнеризация и среди за внедряване
Целева аудитория
- Инженери по машинно обучение
- Екипи за данъчни платформи
- Изследователи