Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction aux modèles Devstral et Mistral
- Aperçu des modèles open-source de Mistral.
- Licence Apache-2.0 et adoption en entreprise.
- Rôle de Devstral dans les workflows de codage et d'agents.
Auto-hébergement des modèles Mistral et Devstral
- Préparation de l'environnement et choix d'infrastructure.
- Conteneurisation et déploiement avec Docker/Kubernetes.
- Considérations de mise à l'échelle pour la production.
Techniques d'affinement
- Affinement supervisé vs affinement efficace en paramètres.
- Préparation et nettoyage des jeux de données.
- Exemples de personnalisation spécifique au domaine.
Ops de modèles et gestion de versions
- Meilleures pratiques pour la gestion du cycle de vie des modèles.
- Stratégies de versionning et de retour en arrière des modèles.
- Pipelines CI/CD pour les modèles ML.
Gouvernance et conformité
- Considérations de sécurité pour le déploiement open-source.
- Suivi et traçabilité dans un contexte d'entreprise.
- Cadres de conformité et pratiques d'IA responsable.
Suivi et observabilité
- Suivi de la dérive des modèles et de la dégradation de la précision.
- Instrumentation des performances d'inférence.
- Travaux d'alerte et de réponse.
Études de cas et bonnes pratiques
- Cas d'utilisation sectoriels d'adoption de Mistral et Devstral.
- Équilibrage du coût, des performances et du contrôle.
- Leçons tirées des Model Ops open-source.
Résumé et prochaines étapes
Pré requis
- Une compréhension des workflows d'apprentissage automatique.
- Expérience avec les frameworks ML basés sur Python.
- Connaissance des environnements de conteneurisation et de déploiement.
Public cible
- Ingénieurs ML.
- Équipes de plateformes de données.
- Ingénieurs de recherche.
14 Heures
