Forge-processen
På denne side
Opdatering 2. november 2026 — Le Chat er nu Vibe. Fra den 28. maj 2026 er Le Chat blevet omdøbt til Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, der bevarer dine samtaler, indstillinger og abonnementer. Den tidligere Le Chat-oplevelse er stadig tilgængelig i Chat-tilstand. I Work-tilstand er agenter nu færdigheder (kaldes med
@), hukommelser fungerer som vidensbase, og dyb research er færdigheden Deep Research. Abonnementerne hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger navnet Vibe; bemærk, at nogle menuer beskrevet her kan have ændret navn eller placering.
Fra evaluering til implementering: hele rejsen
Et Forge-projekt følger fire faser, guidet af en Mistral Field Deployment Engineer (FDE). Du konfigurerer ikke noget alene fra en konsol. I stedet er projektet en fælles forpligtelse mellem din organisation og Mistral AI, med definerede milepæle, målbare leverancer og en forudsigelig tidsplan: 2 til 4 uger til evaluering, 4 til 8 uger til dataforberedelse, 4 til 6 uger til træning og iteration, og 2 til 4 uger til implementering og overvågning. I alt skal du forvente 3 til 6 måneder afhængigt af brugssagens kompleksitet og datakvaliteten. At kende denne sekvens på forhånd forhindrer dig i at love din ledelse et resultat på seks uger.
Fase 1: Evaluering (2 til 4 uger)
Målet er at afgøre, om Forge er den rigtige tilgang, og at definere succeskriterier. Mistral-teamet arbejder sammen med din forretningssponsor og dit tekniske team på fire fronter. Revisionen af brugssagen starter med de enkleste, men mest ubehagelige spørgsmål: Hvilket præcist problem løser du? Har du virkelig testet prompt engineering og RAG? Hvorfor er de utilstrækkelige? Datavurderingen måler det tilgængelige volumen og dets faktiske tilstand – struktureret eller ustruktureret, annoteret eller rå, aktuelt eller forældet.
Dernæst kommer baseline-måling, et trin mange springer over og senere fortryder. Du skal evaluere generalist-modellens ydeevne på målopgaver; uden dette kan du ikke kvantificere, hvad Forge tilføjer. Fasen afsluttes med at definere KPI’er: præcision, recall, behandlingstid og brugertilfredshed.
Leverancen er et scopedokument, der indeholder definitionen af brugssagen, datainventar, baseline-metrics, mål-KPI’er og en foreløbig tidsplan. En fælles go/no-go-beslutning følger. Hvis dataene er utilstrækkelige, eller brugssagen ikke retfærdiggør Forge, vil Mistral-teamet vejlede dig mod RAG eller prompt engineering i stedet. Et “nej” på dette tidspunkt sparer dig for flere måneders arbejde og et betydeligt budget.
Fase 2: Dataforberedelse (4 til 8 uger)
Denne fase opbygger træningssættet. Det er den mest kritiske og tidskrævende fase, fordi modelkvaliteten afhænger direkte af kvaliteten af de data, der bruges til at træne den. Arbejdet starter med indsamling: udtrækning af dokumenter, eksempler og brugssager fra dine interne systemer. Dernæst kommer oprydning – fjernelse af dubletter, forældede dokumenter og korrupte data – efterfulgt af strukturering, som transformerer rådata til instruktion-svar-par, der kan bruges til træning. Når brugssagen kræver det, tilføjer annotation udført af dine fageksperter labels, kategorier eller metadata. En endelig validering udført af disse samme eksperter sikrer, at korpset afspejler praksis i den virkelige verden og det forventede kvalitetsniveau.
Fordel rollerne skriftligt fra starten. Dit datateam håndterer indsamling, oprydning og strukturering. Dine fageksperter håndterer annotation og validering. Mistral FDE’en giver metodisk vejledning, validerer formater og anbefaler volumener og kvalitetsstandarder.
Fire faldgruber går igen konstant. Et korpus, der overrepræsenterer visse tilfælde, producerer en model, der er biased i samme proportioner. Forældede dokumenter skaber en model, der selvsikkert svarer baseret på forældede procedurer, hvilket er farligere end slet ikke at svare. Et par hundrede eksempler er aldrig nok til kvalitetssikret finjustering. Endelig, hvis du skal vælge, så vælg et mindre, homogent korpus frem for et massivt med ujævn kvalitet.
Fase 3: Træning og iteration (4 til 6 uger)
Basismodellen finjusteres på dit datasæt og evalueres derefter på et valideringssæt sammensat af data, den aldrig har set under træningen. Resultaterne sammenlignes med baseline og mål-KPI’er defineret i Fase 1. Ethvert afkald udløser en iteration: justering af hyperparametre, berigelse af datasættet eller korrektion af identificerede fejl. Parallelt hermed udfører dine eksperter forretningsvalidering ved at teste modellen mod rigtige tilfælde. En model, der opfylder metrics, men fejler på hverdagsfiler, er ikke klar.
I praksis kræver det at nå målniveauet 2 til 4 iterationer, der hver varer 1 til 2 uger. FDE’en ejer hele den tekniske side: konfiguration af træning, optimering af hyperparametre, diagnosticering af ydeevneproblemer og anbefaling af dataforbedringer. Dit team behøver ingen ekspertise inden for maskinlæring; FDE’en fungerer som din tekniske grænseflade til Forge-platformen.
Fase 4: Implementering og overvågning (2 til 4 uger)
Den tilpassede model implementeres på den målrettede infrastruktur – Mistral Cloud, en dedikeret VPC eller on-premise – og integreres i dit miljø via Mistral Enterprise, Enterprise Search eller dine interne applikationer gennem API’er. Lasttests validerer ydeevnen under produktionsforhold. Træning forbereder slutbrugerne på en model, der opfører sig anderledes end en generalist-model. Dashboards sporer ydeevne, volumen og tilfredshed.
Denne overvågning informerer direkte governance. Den opdager gradvis ydeevneforringelse, uventede brugssager og signaler, der kræver gen-træning, såsom tilgængeligheden af nye data eller procedureændringer. En Forge-model er ikke statisk. Planlæg en kvartalsvis cyklus for hurtigt udviklende domæner, en halvårlig cyklus for stabile domæner, og cyklusser efter behov for større ændringer som nye regler, fusioner eller produktlanceringer.
Budget og ressourcer, der skal afsættes
På Mistral-siden inkluderer forpligtelsen en dedikeret FDE for projektets varighed, træningsinfrastruktur (GPU’er) samt teknisk og metodisk support. På din side skal du afsætte 10 % til 20 % af din forretningssponsors tid, et datateam på en til to personer på deltid under Fase 2, nogle få ugentlige timer fra fageksperter til validering og et projektbudget, der varierer efter kompleksitet (skal scopes i evalueringsfasen). Afsæt faktisk disse ressourcer. Et projekt, hvor sponsoren ikke har frigjort denne tid, vil gå i stå i Fase 2.
Vigtige pointer
- Forge-processen tager 3 til 6 måneder fordelt på fire faser: evaluering, data, træning og implementering
- Dataforberedelse er den mest kritiske fase – datakvalitet bestemmer modelkvalitet
- En Mistral FDE guider dig fra start til slut – dit team behøver ingen ekspertise inden for maskinlæring
- Planlæg en gen-træningscyklus for at opretholde ydeevnen over tid