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 de código abierto de Mistral
- Licencia Apache-2.0 y adopción empresarial
- El rol de Devstral en flujos de trabajo de codificación y agentes
Autoalojamiento de los modelos Mistral y Devstral
- Preparación del entorno y selección de infraestructura
- Contenerización y despliegue con Docker/Kubernetes
- Consideraciones de escalabilidad para su uso en producción
Técnicas de ajuste fino (Fine-Tuning)
- Ajuste fino supervisado vs. ajuste eficiente en parámetros
- Preparación y limpieza de conjuntos de datos
- Ejemplos de personalización para dominios específicos
Model Ops y gestión de versiones
- Mejores prácticas para la gestión del ciclo de vida del modelo
- Estrategias de versionado y reversión (rollback)
- Pipelines CI/CD para modelos de ML
Gobierno y cumplimiento normativo
- Consideraciones de seguridad para el despliegue de código abierto
- Monitoreo y capacidad de auditoría en contextos empresariales
- Marcos de cumplimiento y prácticas de IA responsable
Monitoreo y observabilidad
- Seguimiento del desfase del modelo (model drift) y la degradación de la precisión
- Instrumentación para el rendimiento de inferencia
- Flujos de trabajo de alertas y respuesta
Estudios de caso y mejores prácticas
- Casos de uso en la industria de la adopción de Mistral y Devstral
- Equilibrio entre costo, rendimiento y control
- Lecciones aprendidas de Model Ops de código abierto
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de machine learning
- Experiencia con marcos de ML basados en Python
- Conocimiento de la contenerización y entornos de despliegue
Público objetivo
- Ingenieros de ML
- Equipos de plataformas de datos
- Ingenieros de investigación
