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
Einblick in die Devstral- und Mistral-Modelle
- Übersicht über die Open-Source-Modelle von Mistral
- Die Apache-2.0-Lizenz sowie deren Anwendung im Unternehmensumfeld
- Die Rolle von Devstral bei Programmierung und agentenbasierten Workflows
Selbsthosting der Mistral- und Devstral-Modelle
- Vorbereitung der Umgebung sowie Auswahl geeigneter Infrastrukturen
- Containerisierung und Deployment mittels Docker bzw. Kubernetes
- Skalierungsaspekte für den produktiven Einsatz
Feinabstimmungstechniken
- Unterschiede zwischen überwachtem Feinabstimmen und parameter-effizienten Methoden
- Erstellung sowie Bereinigung geeigneter Datensätze
- Praktische Beispiele zur Anpassung der Modelle an bestimmte Anwendungsfälle
Model Operations und Versionierung
- Bewährte Verfahren zum Management des gesamten Lebenszyklus von Modellen
- Strategien zur Versionierung sowie zum Zurücksetzen auf frühere Modelle
- Einsatz von CI/CD-Pipelines für ML-Modelle
Governance und Compliance
- Sicherheitsaspekte bei der Implementierung Open-Source-basierter Modelle
- Überwachung und Nachvollziehbarkeit in unternehmenskritischen Kontexten
- Relevante Compliance-Richtlinien sowie verantwortungsvolle KI-Praktiken
Überwachung und Beobachtbarkeit
- Erkennung von Modelldrift oder nachlassender Genauigkeit
- Messung der Inferenzleistung und Reaktionszeiten<\/li
- Konfiguration von Warnungen sowie Abläufen zur Problembehebung
Fallstudien und bewährte Praktiken
- Praktische Beispiele aus der Industrie, in denen Mistral- und Devstral-Modelle erfolgreich eingesetzt wurden
- Ausgewogene Abwägung zwischen Kosten, Leistung und Kontrolle
- Erkenntnisse aus der Praxis beim Management Open-Source-basierter Modelle
Zusammenfassung und weitere Schritte
Voraussetzungen
- Grundverständnis der Abläufe im maschinellen Lernen
- Erfahrung mit Python-basierten ML-Frameworks
- Bekanntschaft mit Containerisierung und Deploymentszenarien
Zielgruppe
- ML-Ingenieure
- Datenplattform-Teams
- Forschungsingenieure
14 Stunden