Kontakt aufnehmen

Schulungsübersicht

Einführung in Devstral- und Mistral-Modelle

  • Überblick über die Open-Source-Modelle von Mistral
  • Lizenzierung unter Apache-2.0 und unternehmerische Akzeptanz
  • Rolle von Devstral in Coding- und Agentic-Workflows

Selbst-Hosting von Mistral- und Devstral-Modellen

  • Umweltvorbereitung und Infrastrukturoptionen
  • Containerisierung und Bereitstellung mit Docker/Kubernetes
  • Skalierungsaspekte für den Produktiveinsatz

Fine-Tuning-Techniken

  • Supervised Fine-Tuning im Vergleich zu parameter-effizientem Tuning
  • Datensatzvorbereitung und -bereinigung
  • Beispiele für domänenspezifische Anpassungen

Model Ops und Versionierung

  • Best Practices für das Management des Modelllebenszyklus
  • Modellversionierung und Rollback-Strategien
  • CI/CD-Pipelines für ML-Modelle

Governance und Compliance

  • Sicherheitsaspekte bei Open-Source-Bereitstellungen
  • Überwachung und Nachverfolgbarkeit in unternehmerischen Kontexten
  • Compliance-Rahmenwerke und verantwortungsvolle KI-Praktiken

Monitoring und Observability

  • Verfolgung von Modellabweichungen und Genauigkeitsverlust
  • Instrumentierung für die Inference-Leistung
  • Alarmierungs- und Reaktionsworkflows

Studien und Best Practices

  • Industrieuse-Cases zur Akzeptanz von Mistral und Devstral
  • Balance zwischen Kosten, Leistung und Kontrolle
  • Erfahrungen aus Open-Source-Model Ops

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Machine-Learning-Workflows
  • Erfahrung mit Python-basierten ML-Frameworks
  • Vertrautheit mit Containerisierung und Bereitstellungsplattformen

Zielgruppe

  • ML-Ingenieure
  • Data-Platform-Teams
  • Forschungsinstrumente
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien