Kerangka Materi

Pendahuluan tentang Model Devstral dan Mistral

  • Pandangan umum tentang model open-source Mistral
  • Lisensi Apache-2.0 dan adopsi perusahaan
  • Peran Devstral dalam alur kerja coding dan agensial

Penyimpanan Sendiri Model Mistral dan Devstral

  • Persiapan lingkungan dan pilihan infrastruktur
  • Kontainerisasi dan penyebaran dengan Docker/Kubernetes
  • Perkembangan skala untuk penggunaan produksi

Teknik Penyempurnaan

  • Penyempurnaan terpantau vs penyempurnaan yang efisien parameter
  • Persiapan dan membersihkan dataset
  • Contoh penyesuaian khusus domain

Model Ops dan Pengversian

  • Prinsip terbaik untuk manajemen siklus hidup model
  • Strategi pengversian dan rollback model
  • Pipeline CI/CD untuk model ML

Pengawasan dan Kepatuhan

  • Konsiderasi keamanan untuk penyebaran open-source
  • Pengawasan dan auditabilitas dalam konteks perusahaan
  • Kerangka kepatuhan dan praktik AI bertanggung jawab

Pengawasan dan Observabilitas

  • Melacak drift model dan degradasi akurasi
  • Instrumen untuk kinerja inferensi
  • Alur kerja pemberitahuan dan tanggap

Kasus dan Prinsip Terbaik

  • Kasus penggunaan industri adopsi Mistral dan Devstral
  • Mempertimbangkan biaya, kinerja, dan kontrol
  • Pendapat dari Model Ops open-source

Ringkasan dan Langkah Berikutnya

Persyaratan

  • Pengertian tentang alur kerja machine learning
  • Pengalaman dengan framework ML berbasis Python
  • Kenyamanan dengan containerization dan lingkungan deployment

Penonton

  • Engineer ML
  • Tim platform data
  • Engineer penelitian
 14 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait