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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien