Kurzusleírás

Bevezetés a Devstral és Mistral Modellekbe

  • A Mistral nyílt forráskódú modelljeinek áttekintése
  • Apache-2.0 licenc és vállalati alkalmazás
  • A Devstral szerepe a kódolásban és az ügynök-alapú munkafolyamatokban

Mistral és Devstral Modellek Önhostingja

  • Környezet előkészítése és infrastruktúra választások
  • Konténerizálás és üzembe helyezés Docker/Kubernetes segítségével
  • Skálázási szempontok éles használathoz

Finomhangolási Technikák

  • Felügyelt finomhangolás vs. paraméterhatékony finomhangolás
  • Adathalmaz előkészítése és tisztítása
  • Területspecifikus testreszabási példák

Model Ops és Verziókezelés

  • Legjobb gyakorlatok a modell életciklus-kezeléshez
  • Modell verziókezelés és visszaállítási stratégiák
  • CI/CD folyamatok ML modellekhez

Irányítás és Megfelelőség

  • Biztonsági szempontok nyílt forráskódú üzembe helyezéshez
  • Monitorozás és ellenőrizhetőség vállalati környezetben
  • Megfelelőségi keretrendszerek és felelős AI gyakorlatok

Monitorozás és Megfigyelhetőség

  • Modell drift és pontosság romlásának követése
  • Inferencia teljesítmény mérésére szolgáló eszközök
  • Riasztási és válaszfolyamatok

Esettanulmányok és Legjobb Gyakorlatok

  • Ipari használati esetek a Mistral és Devstral alkalmazásában
  • Költség, teljesítmény és irányítás egyensúlya
  • Tapasztalatok a nyílt forráskódú Model Ops-ból

Összefoglalás és Következő Lépések

Követelmények

  • Gépi tanulási munkafolyamatok ismerete
  • Tapasztalat Python-alapú ML keretrendszerekben
  • Ismeret a konténerizálás és üzembe helyezési környezetek terén

Közönség

  • ML mérnökök
  • Adatplatform csapatok
  • Kutatómérnökök
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák