Kontakt aufnehmen
 Dauer 14 Stunden

Schulungsübersicht

Einführung in Devstral- und Mistral-Modelle

  • Überblick über die Open-Source-Modelle von Mistral
  • Apache-2.0-Lizenzierung und Etablierung im Unternehmensumfeld
  • Rolle von Devstral bei Coding- und Agenten-Workflows

Self-Hosting von Mistral- und Devstral-Modellen

  • Vorbereitung der Umgebung und Infrastrukturwahl
  • Containerisierung und Bereitstellung mit Docker/Kubernetes
  • Skalierbarkeitserwägungen für den Produktiveinsatz

Feinabstimmungstechniken

  • Überwachtes Feintuning im Vergleich zu parametereffizientem Tuning
  • Vorbereitung und Bereinigung von Datensätzen
  • Beispiele für branchenspezifische Anpassungen

Model Ops und Versionierung

  • Best Practices für das Lebenszyklus-Management von Modellen
  • Strategien zur Modellversionierung und Rollback
  • CI/CD-Pipelines für ML-Modelle

Governance und Compliance

  • Sicherheitsaspekte bei der Open-Source-Bereitstellung
  • Überwachung und Auditierbarkeit im Unternehmenskontext
  • Compliance-Rahmenwerke und verantwortungsvolle KI-Praktiken

Überwachung und Beobachtbarkeit

  • Erfassung von Modell-Drift und Genauigkeitsverlust
  • Instrumentierung für Inferenzleistung
  • Alerting- und Reaktions-Workflows

Fallstudien und Best Practices

  • Branchenanwendungsbeispiele für die Einführung von Mistral und Devstral
  • Gleichgewicht zwischen Kosten, Leistung und Kontrolle
  • Erfahrungen aus dem Open-Source-Model-Ops

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundverständnis von Machine-Learning-Workflows
  • Erfahrung mit Python-basierten ML-Frameworks
  • Kenntnisse in der Containerisierung und Bereitstellungsumgebungen

Zielgruppe

  • ML-Ingenieure
  • Datenplattformteams
  • Forschungsingenieure

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien