Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Έκδοση στα ελληνικά

Παραγωγή: batch, βελτιστοποίηση και παρατηρησιμότητα

Μετάβαση σε παραγωγή: batch inference έως 1 εκατομμύριο αιτήματα, predicted outputs, παραπομπές με πηγές και παρατηρησιμότητα.

16 μαθήματα περίπου 1 ώρα 15 λεπτά Προχωρημένος

Τι θα μάθετε

  • Ετοιμάστε μια εργασία batch inference σε JSONL, παρακολουθήστε την κατάστασή της και ανακτήστε τα αποτελέσματα
  • Μειώστε τον χρόνο απόκρισης με predicted outputs σε εργασίες επαναδιατύπωσης
  • Υλοποιήστε παραπομπές με reference object, για να στηρίζονται οι απαντήσεις στις πηγές τους
  • Κάνετε trace την εφαρμογή με OpenTelemetry, εξερευνήστε παραγωγικά traces και αυτοματοποιήστε την αξιολόγηση με LLM judges
  • Χτίστε datasets από τα traces και μετρήστε κάθε έκδοση με offline αξιολογήσεις

Στοιχεία προγράμματος

Σε ποιους απευθύνεται
Προγραμματιστές, μηχανικοί και integrators που θέλουν να αξιοποιήσουν τη Mistral AI μέσω API στις εφαρμογές τους.
Προαπαιτούμενα
Επιβεβαιωμένη εμπειρία στην ανάπτυξη εφαρμογών και στη μεταφορά τους σε περιβάλλον παραγωγής.
Διάρκεια
1 ώρα 15 λεπτά — 16 μαθήματα
Μορφές παράδοσης
Εξ ολοκλήρου online αυτόνομη κατάρτιση, διαθέσιμη 24/7 από φυλλομετρητή. Η πρόοδος αποθηκεύεται και συνεχίζετε όποτε θέλετε. Εκτιμώμενη διάρκεια: 1 ώρα 15 λεπτά
Αξιολόγηση
Αυτοαξιολόγηση με βάση τα Βασικά σημεία που κλείνουν κάθε μάθημα, και άμεση εξάσκηση των παραδειγμάτων σε δικές σας περιπτώσεις. Ένα τελικό κουίζ με 5 διορθωμένες ερωτήσεις, στο τέλος του τελευταίου μαθήματος, επιβεβαιώνει τις γνώσεις σας.
Προσβασιμότητα
Κατάρτιση σε δικό σας ρυθμό, προσβάσιμη σε άτομα με αναπηρία: περιεχόμενο συμβατό με αναγνώστες οθόνης, πλοήγηση με πληκτρολόγιο και χρωματική αντίθεση σύμφωνη με τις προδιαγραφές. Για οποιαδήποτε ανάγκη προσαρμογής, γράψτε στο [email protected].
Τιμή
Δωρεάν

Περιεχόμενο προγράμματος

  1. 01 Συμπερασματολογία Παρτίδας: Γιατί, Πότε και Εξοικονόμηση Κόστους
  2. 02 Μορφή JSONL, custom_id και Μεταφόρτωση Αρχείου
  3. 03 Δημιουργία Batch Job, Παρακολούθηση Κατάστασης και Λήψη Αποτελεσμάτων
  4. 04 Ομαδοποίηση Inline: Έως 10.000 Αιτήματα Χωρίς Αρχείο
  5. 05 Μείωση του λανθάνοντος χρόνου με Προβλεπόμενες Εξόδους
  6. 06 Πραγματικές περιπτώσεις χρήσης για προβλεπόμενες εξόδους
  7. 07 Υλοποίηση Προβλεπόμενων Εξόδων σε Python
  8. 08 Παραθέματα με πηγές: Αντικείμενο αναφοράς και RAG
  9. 09 Υλοποίηση Παραπομπών σε Python
  10. 10 Εδραίωση απαντήσεων σε πηγές και μείωση παραισθήσεων
  11. 11 Εισαγωγή στην Παρατηρησιμότητα: Ίχνη, Κριτές και Αξιολογήσεις
  12. 12 Εξερεύνηση: Αναζήτηση και επιθεώρηση ιχνών παραγωγής
  13. 13 Κριτές: Αυτοματοποιημένη Αξιολόγηση LLM
  14. 14 Évaluations hors ligne : mesurez avant de déployer
  15. 15 Σύνολα δεδομένων: Δημιουργία συνόλων αξιολόγησης και επαναληπτική βελτίωση
  16. 16 Πλήρης ροή εργασίας: ίχνη, κριτές, σύνολα δεδομένων, αξιολογήσεις