Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Introducción a los modelos Devstral y Mistral
- Vista general de los modelos de código abierto de Mistral
- Licencia Apache-2.0 y adopción empresarial
- El papel de Devstral en flujos de trabajo de codificación y agentes
Autoalojamiento de los modelos Mistral y Devstral
- Preparación del entorno y opciones de infraestructura
- Contenedor e implementación con Docker/Kubernetes
- Consideraciones de escalabilidad para uso en producción
Técnicas de ajuste fino
- Ajuste fino supervisado vs ajuste de parámetros de alta eficiencia
- Preparación y limpieza de conjuntos de datos
- Ejemplos de personalización específica del dominio
Model Ops y versionado
- Buenas prácticas para la gestión del ciclo de vida de los modelos
- Estrategias de versionado y reversión de modelos
- Tuberías CI/CD para modelos de ML
Gobernanza y cumplimiento
- Consideraciones de seguridad para la implementación de código abierto
- Monitoreo y auditoría en contextos empresariales
- Marco de cumplimiento y prácticas de IA responsable
Monitoreo y observabilidad
- Seguimiento de la deriva del modelo y la degradación de la precisión
- Instrumentación para el rendimiento de inferencia
- Flujos de trabajo de alertas y respuesta
Estudios de casos y mejores prácticas
- Casos de uso en la industria de la adopción de Mistral y Devstral
- Equilibrio entre costos, rendimiento y control
- Lecciones aprendidas del Model Ops de código abierto
Resumen y próximos pasos
Requerimientos
- Conocimiento de los flujos de trabajo de aprendizaje automático (ML).
- Experiencia con marcos de ML basados en Python.
- Conocimiento de la contenedor y los entornos de implementación.
Público objetivo
- Ingenieros de ML
- Equipos de plataformas de datos
- Ingenieros de investigación
