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.
Temario del curso
Introducción a los modelos Devstral y Mistral
- Resumen de los modelos de código abierto de Mistral
- Licencia Apache-2.0 y adopción empresarial
- El rol de Devstral en flujos de trabajo de codificación y agentes
Autoalojamiento de modelos Mistral y Devstral
- Preparación del entorno y elección de infraestructura
- Contenerización y despliegue con Docker/Kubernetes
- Consideraciones de escalado para uso en producción
Técnicas de ajuste fino
- Ajuste fino supervisado frente al ajuste eficiente en parámetros
- Preparación y limpieza de conjuntos de datos
- Ejemplos de personalización específica de dominio
Model Ops y versionado
- Mejores prácticas para la gestión del ciclo de vida de los modelos
- Versionado de modelos y estrategias de reversión
- Pipelines de CI/CD para modelos de ML
Gobernanza y cumplimiento
- Consideraciones de seguridad para el despliegue 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
Casos de estudio y mejores prácticas
- Casos de uso en la industria de la adopción de Mistral y Devstral
- Equilibrio entre costo, rendimiento y control
- Lecciones aprendidas del Model Ops de código abierto
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático.
- Experiencia con marcos de ML basados en Python.
- Familiaridad con la contenerización y entornos de despliegue.
Público objetivo
- Ingenieros de ML.
- Equipos de plataformas de datos.
- Ingenieros de investigación.
14 Horas
