コース概要

Devstral と Mistral モデルの紹介

  • Mistral のオープンソースモデルの概要
  • Apache-2.0 ライセンスとエンタープライズ導入
  • Devstral がコーディングとエージェンシーワークフローに果たす役割

Mistral と Devstral モデルのセルフホスティング

  • 環境準備とインフラストラクチャ選択
  • Docker/Kubernetes を使用したコンテナ化と展開
  • プロダクション利用のスケーリング考慮事項

ファインチューニング手法

  • 教師ありファインチューニングとパラメータ効率的なチューニング
  • データセットの準備とクリーニング
  • ドメイン固有のカスタマイゼーション例

モデルオペレーションとバージョン管理

  • モデルライフサイクル管理のベストプラクティス
  • モデルバージョン管理とロールバック戦略
  • ML モデル用の CI/CD パイプライン

ガバナンスとコンプライアンス

  • オープンソース展開のセキュリティ考慮事項
  • エンタープライズコンテキストでの監視と追跡可能性
  • コンプライアンスフレームワークと責任ある AI プラクティス

監視と可観測性

  • モデルのドリフトと精度低下の追跡
  • 推論パフォーマンスのための計装
  • アラートおよび対応ワークフロー

事例研究とベストプラクティス

  • Mistral と Devstral の導入に関する業界ユースケース
  • コスト、パフォーマンス、およびコントロールのバランス
  • オープンソースのモデルオペレーションから得られる教訓

まとめと次なるステップ

要求

  • 機械学習ワークフローの理解
  • Python ベースの ML フレームワークの使用経験
  • コンテナ化と展開環境の知識

対象者

  • ML エンジニア
  • データプラットフォームチーム
  • 研究エンジニア
 14 時間

参加者の人数


参加者1人当たりの料金

今後のコース

関連カテゴリー