Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
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.