Zkuste nás kontaktovat
 Doba trvání 14 hodiny

Návrh Školení

Úvod do modelů Devstral a Mistral

  • Přehled open-source modelů Mistral
  • Licencování Apache-2.0 a nasazení v podnikovém sektoru
  • Role Devstral v kódování a agenticích workflowech

Self-hosting modelů Mistral a Devstral

  • Příprava prostředí a volba infrastruktury
  • Kontejnerizace a nasazení pomocí Docker/Kubernetes
  • Zvažování škálovatelnosti pro produkční použití

Techniky ladění (fine-tuning)

  • Dohledné ladění (supervised fine-tuning) vs. efektivní ladění parametrů
  • Příprava a čištění datasetů
  • Příklad přizpůsobení pro specifickou doménu

Model Ops a verzování

  • Dobré praxe pro správu životního cyklu modelů
  • Verzování modelů a strategie vrácení (rollback)
  • CI/CD pipeline pro ML modely

Správa (Governance) a soulad s předpisy

  • Zvažování bezpečnosti při nasazení open-source
  • Monitorování a auditovatelnost v podnikovém kontextu
  • Rámce souladu s předpisy a praktiky zodpovědné AI

Monitorování a pozorovatelnost (observability)

  • Sledování driftu modelů a degradace přesnosti
  • Instrumentace výkonu inferencí
  • Pracovní postupy pro alarmování a reakce

Kazuistiky a nejlepší praxe

  • Příklady použití z praxe nasazení Mistral a Devstral v průmyslu
  • Rovnováha mezi náklady, výkonem a kontrolou
  • Zkušenosti a lekce z open-source Model Ops

Shrnutí a další kroky

Požadavky

  • Pochopení toků práce (workflow) strojového učení.
  • Znalost ML frameworků založených na Pythonu.
  • Ovládání kontejnerizace a deployovacího prostředí.

Cílová skupina

  • Strojozí inženýři (ML engineers).
  • Tímy datových platforem.
  • Výzkumní inženýři.

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie