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 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