Kurzusleírás

Devstral és Mistral Modellek Bevezetése
  • Mistral nyílt forrású modelljeinek áttekintése
  • Apache-2.0 licenc és vállalati alkalmazás
  • Devstral szerepe a kódolási és ügynöki munkafolyamatokban

Mistral és Devstral Modellek Ön-házirendelése

  • Környezet előkészítése és infrastruktúra választások
  • Docker/Kubernetes konténerizáció és telepítés
  • Skálázási szempontok a termelési használathoz

Finomhangolási Technikák

  • Felügyelt finomhangolás vs. paraméterhatékony finomhangolás
  • Adathalmaz előkészítése és tisztítása
  • Tartományspecifikus customizálási példák

Model Ops és Verziókezelés

  • A model élettartam-kezelés legjobb gyakorlatai
  • Model verziókezelés és visszaállási stratégiák
  • CI/CD pipelinek ML modelljeihez

Governing and Compliance

  • Biztonsági szempontok nyílt forrású telepítéshez
  • Monitoring és auditability vállalati kontextusban
  • Compliance keretek és felelős AI gyakorlatok

Monitoring és Obszervabilitás

  • Model drift és pontatlanság romlásának követése
  • Inference teljesítményének eszközök
  • Értesítési és válaszfolyamatok

Eseményvizsgálatok és Legjobb Gyakorlatok

  • Mistral és Devstral adaptálás ipari esetek
  • Költség, teljesítmény és kontroll egyensúlyozása
  • Nyílt forrású Model Ops tapasztalatokból tanulás

Összegzés és Következő lépések

Követelmények

  • Gépesített tanulási folyamatok megértése
  • Pyton alapú ML keretrendszerek tapasztalata
  • Ismeret a konténerizálással és telepítési környezetekkel

Célközönség

  • ML mérnökök
  • Adatplatform-csapatok
  • Kutatómérnökök
 14 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák