Ponte en Contacto
 Duración 14 horas

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 papel de Devstral en los flujos de trabajo de codificación y agentes

Autoalojamiento de los modelos Mistral y Devstral

  • Preparación del entorno y selección de infraestructura
  • Contenerización e implementación con Docker/Kubernetes
  • Consideraciones sobre la escalabilidad para su uso en producción

Técnicas de ajuste fino

  • Ajuste fino supervisado vs. ajuste eficiente en parámetros
  • Preparación y limpieza de conjuntos de datos
  • Ejemplos de personalización específica por dominio

Model Ops y gestión de versiones

  • Mejores prácticas para la gestión del ciclo de vida del modelo
  • Estrategias de versionamiento y reversión de modelos
  • Pipelines de CI/CD para modelos de ML

Gobernanza y cumplimiento normativo

  • Consideraciones de seguridad para la implementación de código abierto
  • Monitoreo y auditoría en contextos empresariales
  • Marco de cumplimiento normativo y prácticas de IA responsable

Monitoreo y observabilidad

  • Seguimiento del desplazamiento del modelo y la degradación de la precisión
  • Instrumentación para el rendimiento de la inferencia
  • Flujos de trabajo de alertas y respuesta

Estudios de caso y mejores prácticas

  • Casos de uso de la adopción de Mistral y Devstral en la industria
  • 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 trabajo de ML basados en Python.
  • Conocimiento de la contenerización y los entornos de implementación.

Público objetivo

  • Ingenieros de ML.
  • Equipos de plataformas de datos.
  • Ingenieros de investigación.

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas