Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione ai modelli Devstral e Mistral
- Cenni generali sui modelli open source sviluppati da Mistral
- Licenza Apache-2.0 e impieghi nell’ambito enterprise
- Il ruolo di Devstral nelle attività di programmazione e nei flussi di lavoro automatizzati.
Auto-ospitamento dei modelli Mistral e Devstral
- Preparazione dell’ambiente e scelta delle infrastrutture adeguate
- Containerizzazione e distribuzione mediante Docker/Kubernetes
- Aspetti legati alla scalabilità in scenari produttivi.
Tecniche di fine-tuning
- Differenze tra il fine-tuning supervisionato e i metodi ad efficienza parametrica elevata
- Preparazione e pulizia dei dataset utilizzati
- Esempi pratici di personalizzazione per contesti settoriali specifici.
Gestione operativa dei modelli e versionamento
- Prassi consigliate per gestire il ciclo di vita dei modelli
- Strategie di versionamento e ripristino del modello in caso di necessità
- Pipeline CI/CD dedicate all’implementazione dei modelli ML.
Governance e conformità normativa
- Aspetti legati alla sicurezza nella distribuzione di modelli open source
- Tracciabilità e capacità di audit nei contesti aziendali
- Quadri normativi rilevanti e linee guida per un utilizzo responsabile dell’AI.
Monitoraggio e osservabilità dei modelli
- Rilevamento della deriva del modello e peggioramenti nelle prestazioni previste
- Tecniche di monitoraggio delle performance durante l’inferenza
- Impostazione di avvisi automatici e procedure di reazione agli eventi.
Casi pratici e best practice
- Esempi concreti d’utilizzo industriale dei modelli Mistral e Devstral
- Equilibrio tra costi, prestazioni operative e controllo complessivo
- Considerazioni ricavate dalle esperienze pratiche nel settore Model Ops.
Sintesi e prospettive future
Requisiti
- Conoscenza dei flussi di lavoro legati al machine learning
- Esperienza con i framework ML basati su Python
- Familiarità con la containerizzazione e gli ambienti di distribuzione
Destinatari del corso
- Ingegneri ML
- Team specializzati nella gestione di piattaforme dati
- Ingegneri della ricerca
14 ore
