Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in Devstral- und Mistral-Modelle
- Überblick über die Open-Source-Modelle von Mistral
- Lizenzierung unter Apache-2.0 und Unternehmensadoption
- Rolle von Devstral in der Programmierung und agentenbasierten Workflows
Selbsthosting von Mistral- und Devstral-Modellen
- Umgebungspreparation und Infrastrukturwahl
- Containerisierung und Deployment mit Docker/Kubernetes
- Skalierungsaspekte für die Produktivnutzung
Fine-Tuning-Techniken
- Überwachtes Fine-Tuning vs. parameter-effizientes Tuning
- Vorbereitung und Reinigung von Datensätzen
- Beispiele für domänenspezifische Anpassungen
Modelle-Operations und Versionierung
- Bewährte Methoden zur Lebenszyklusmanagement von Modellen
- Versionierung und Rollback-Strategien
- CI/CD-Pipelines für ML-Modelle
Governance und Compliance
- Sicherheitsaspekte bei der Open-Source-Bereitstellung
- Monitoring und Auditabilität in Unternehmenskontexten
- Compliance-Frameworks und verantwortungsvolle AI-Praktiken
Monitoring und Observabilität
- Nachverfolgung von Modellverschiebungen und Genauigkeitsabfall
- Instrumentierung zur Leistungsmessung bei Inferenz
- Alerting- und Reaktionsworkflows
Fallstudien und Best Practices
- Branzeneutrale Anwendungsfälle der Adaption von Mistral- und Devstral-Modellen
- Kosten, Leistung und Kontrolle im Gleichgewicht bringen
- Erfahrungen aus Open-Source Modelle-Operations
Zusammenfassung und Nächste Schritte
Voraussetzungen
- Eine Understanding von Machine Learning Workflows
- Erfahrung mit Python-basierten ML-Frameworks
- Vertrautheit mit Containerisierung und Deployment-Umgebungen
Zielgruppe
- ML-Engineer
- Data Platform Teams
- Forschungsingenieure
14 Stunden