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
- Resumen de los modelos open-source 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 opciones de infraestructura
- Contenedorización e implementación con Docker/Kubernetes
- Consideraciones de escalabilidad para uso en producción
Técnicas de ajuste fino
- Ajuste fino supervisado vs. ajuste eficiente de parámetros
- Preparación y limpieza de conjuntos de datos
- Ejemplos de personalización específica del dominio
Operación de modelos (Model Ops) y versionado
- Mejores prácticas para la gestión del ciclo de vida del modelo
- Estrategias de versionado y reversión de modelos
- Pipelines CI/CD para modelos de ML
Gobernanza y cumplimiento normativo
- Consideraciones de seguridad para despliegues open-source
- Monitoreo y capacidad de auditoría en contextos empresariales
- Marcos de cumplimiento y prácticas de IA responsable
Monitoreo y observabilidad
- Seguimiento del sesgo del modelo (model drift) 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 de la industria de la adopción de Mistral y Devstral
- Equilibrio entre costo, rendimiento y control
- Lecciones aprendidas de la operación de modelos open-source (Model Ops)
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 contenedorización y entornos de implementación
Público objetivo
- Ingenieros de ML
- Equipos de plataformas de datos
- Ingenieros de investigación
