Návrh Školení

Úvod do modelů Devstral a Mistral

  • Přehled otevřených zdrojových modelů Mistralu
  • Licencování Apache-2.0 a podpora v podnikání
  • Role Devstralu ve kódování a agentních pracovních postupech

Samohosting modelů Mistral a Devstral

  • Příprava prostředí a volba infrastruktury
  • Kontejnerizace a nasazení pomocí Docker/Kubernetes
  • Zvážení škálování pro produkční použití

Techniky jemného nastavení (fine-tuning)

  • Jemné nastavení pod dohledem vs. efektivnější nastavení parametrů
  • Příprava a čištění datových souborů
  • Příklady doménového přizpůsobení

Operační a verze modelů (Model Ops)

  • Osvědčené postupy pro správu životního cyklu modelů
  • Správa verzí modelů a strategie vrácení zpět
  • CI/CD kanály pro ML modely

Řízení a dodržování předpisů (governance)

  • Zásady zabezpečení pro nasazení otevřených zdrojů
  • Sledování a auditovatelnost v podnikovém kontextu
  • Dodržování rámce předpisů a odpovědné praxe AI

Sledování a pozorovatelnost (monitoring)

  • Sledování posunu modelu a úbytku přesnosti
  • Nástroje pro sledování výkonu inferencí
  • Upozornění a pracovní postupy reakce

Případové studie a osvědčené postupy

  • Průmyslové příklady nasazení modelů Mistral a Devstral
  • Vyvažování nákladů, výkonu a řízení
  • Zkušenosti z otevřených zdrojů Model Ops

Souhrn a další kroky

Požadavky

  • Pochopení pracovních postupů strojového učení
  • Zkušenosti s pythonovskými rámcovými systémy pro ML
  • Oznamování se s kontejnerizací a prostředími nasazení

Cílová skupina

  • Inženýři strojového učení (ML)
  • Timy datových platform
  • Výzkumní inženýři
 14 hodiny

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie