{count, plural, one {Leerpad} other {Leerpaden}}
AI-basisprincipes
{hours} uur
Afbeelding door de auteur
De wereld van data science is totaal veranderd sinds de opkomst van large language models (LLM’s), met tools zoals OpenAI’s GPT-3 die innovatie in het vakgebied aanjagen en nieuwe, voorheen onhaalbaar geachte, vaardigheden ontsluiten.
Hoewel de GPT-modellen van OpenAI in eerste instantie de markt domineerden, is er in de loop der tijd veel veranderd, met de lancering van talloze nieuwe modellen, elk met een eigen set aan mogelijkheden en gespecialiseerde toepassingen.
Daaronder springen de modellen van Mistral eruit dankzij hun geavanceerde redeneervermogen en meertalige ondersteuning, én hun vaardigheid in het schrijven van code — een grote stap voorwaarts in AI.
Deze tutorial maakt je wegwijs in Mistrals nieuwste model, Mistral Large, inclusief API-toegang voor on-demand gebruik. We duiken diep in de functionaliteiten, vergelijken ze met andere LLM’s en bekijken praktische toepassingen.
Of je nu een doorgewinterde data scientist bent, een developer die zijn toolkit wil uitbreiden, of een AI-liefhebber die het nieuwste op technologiegebied wil verkennen: deze tutorial is voor jou geschreven.
Wat is Mistral AI?
Mistral AI is een Frans bedrijf, opgericht in april 2023 door voormalige medewerkers van Meta Platforms en Google DeepMind. Het wil AI-producten en -diensten verkopen en tegelijkertijd de samenleving voorzien van robuuste open-source LLM’s.
Het bedrijf zette de markt op zijn kop met het Mistral 7B-model, gelanceerd in september 2023. Dit model met 7,3 miljard parameters versloeg de meest geavanceerde open-sourcemodellen van dat moment, waaronder LLaMA 2, waardoor Mistral AI een leidende rol kreeg in het open-source AI-domein.
In de afgelopen maanden is Mistral AI uitgegroeid tot een pionier in de AI-industrie en probeert het krachtige tools te bieden die zijn ontworpen om complexe problemen op te lossen en processen te stroomlijnen.
En precies dat brengt ons bij de nieuwste lancering: het Mistral Large-model.
Wat is Mistral Large
Mistral Large is het nieuwste en krachtigste large language model van Mistral, gelanceerd in februari 2024. Het profileert zich als het vlaggenschip voor tekstgeneratie en kan zich meten met de befaamde capaciteiten van GPT-4.
Het is gericht op sterk redeneer- en kennisvermogen, met een solide begrip van coderen (in meerdere programmeertalen) en meertalige beheersing. Dit zijn precies de kerntaken waarin het uitblinkt:
Redeneervermogen en kennis
Mistral Large vertoont sterk redeneervermogen. Om zulke vaardigheden te evalueren, worden LLM’s zoals Mistral Large of GPT-4 vergeleken aan de hand van verschillende benchmarks die hun begrip, redeneren, kennis en vermogen om verschillende soorten data te verwerken testen.
Enkele veelgebruikte benchmarks zijn:
- MMLU of Measuring Massive Multitask Language Understanding: Test het begrip van het model over een breed scala aan onderwerpen, van professionele domeinen tot alledaags redeneren.
- HellaSwag: Beoordeelt het begrip van alledaagse scenario’s en het vermogen om het meest plausibele vervolg van een gegeven context te voorspellen.
- ARC Challenge: Meet het vermogen van het model om complexe natuurkunde-, biologie- en andere wetenschapvragen op basisschoolniveau te beantwoorden die logisch redeneren en begrip van wetenschappelijke concepten vereisen.
De prestaties van deze voorgetrainde modellen op de drie bovenstaande benchmarks en meer zijn weergegeven in onderstaande figuur:
Afbeelding door Mistral AI. Prestaties op veelgebruikte benchmarks voor gezond verstand, redeneren en kennis van de toonaangevende LLM-modellen op de markt: MMLU (Measuring massive multitask language in understanding), HellaSwag (10-shot), Wino Grande (5-shot), Arc Challenge (5-shot), Arc Challenge (25-shot), TriviaQA (5-shot) en TruthfulQA.
Zoals je ziet, is Mistral Large het best presterende model op ArcC en TruthfulQA, terwijl het op bijna alle benchmarks dicht bij GPT-4 blijft.
Meertalige capaciteiten
In tegenstelling tot veel modellen die in één taal uitblinken, beheerst Mistral Large van nature Engels, Frans, Spaans, Duits en Italiaans.
Deze meertaligheid gaat verder dan vertalen: het omvat een diep begrip van grammatica en culturele context, waardoor het ideaal is voor wereldwijde toepassingen die een native aanpak in die talen vereisen.
Wiskunde en coderen
Mistral Large blinkt ook uit in programmeer- en wiskundetaken en toont superieure capaciteiten. Ook hier bestaan standaardbenchmarks om LLM’s te vergelijken op wiskunde- en code-expertise. Enkele veelgebruikte zijn:
- HumanEval: Meet het vermogen van het model om correcte codeoplossingen te genereren voor diverse programmeerproblemen.
- MBPP: Test de vaardigheid van het model in het oplossen van Python-programmeeropgaven.
- GSM8K: Beoordeelt het probleemoplossend vermogen in wiskunde op basisschoolniveau.
De volgende tabel geeft een overzicht van de prestaties op diverse bekende benchmarks en vergelijkt de codeer- en wiskundige vaardigheden van toonaangevende LLM’s.
Afbeelding door Mistral AI. Prestaties op populaire codeer- en wiskundebenchmarks van toonaangevende LLM-modellen op de markt: HumanEval pass@1, MBPP pass@1, Math maj@4, GSM8K maj@8 (8-shot) en GSM8K maj@1 (5 shot).
Net als eerder blinkt Mistral Large uit op de meeste benchmarks (MBPP, Math maj@4 en GSM8K), terwijl het overal hoge scores behoudt.
Daarnaast komt Mistral Large met nieuwe mogelijkheden en sterke punten:
- Het contextvenster van 32K tokens maakt het mogelijk om nauwkeurig informatie op te halen uit omvangrijke documenten. Simpel gezegd: Mistral Large kan nu tot 32.000 tokens (stukjes van woorden) aan invoer tegelijk meenemen bij het genereren van antwoorden of het analyseren van tekst, vergeleken met het 8K-contextvenster van Mistral 7B.
- De nauwkeurigheid in het opvolgen van instructies stelt developers in staat om moderatiebeleid op maat te maken – wij gebruikten deze mogelijkheid om moderatie op systeemniveau voor le Chat in te stellen.
- Het ondersteunt van nature function calling. Dit betekent dat Mistral Large binnen zijn framework functieaanroepen kan verwerken en uitvoeren. Hierdoor kan de LLM verzoeken begrijpen om specifieke functies te draaien, deze uitvoeren als onderdeel van het genereren van een antwoord, of data manipuleren volgens de logica van de functie.
Alle Mistral AI-modellen worden uitgebracht onder een Apache 2.0-licentie, waardoor ze zonder beperkingen gebruikt kunnen worden. Meer over de modelarchitectuur en prestaties lees je op Mistrals officiële website en documentatie.
Mistral Large vs. andere LLM’s
Vergeleken met andere modellen in het LLM-domein, zoals ChatGPT en Claude, onderscheidt Mistral Large zich vooral door zijn gunstigere prijs.
In het concurrerende AI-landschap laat Mistral Large indrukwekkende resultaten zien op breed erkende benchmarks en is het het op één na best scorende model ter wereld dat via een API beschikbaar is.
Deze prestatie onderstreept de effectiviteit in tekstbegrip en -generatie, afgezet tegen andere zwaargewichten zoals GPT-4, Claude 2 en LLaMA 2 70B in uitgebreide evaluaties zoals MMLU (Measuring Massive Multitask Language Understanding).
Afbeelding door Mistral AI. Vergelijking van GPT-4, Mistral Large (pre-trained), Claude 2, Gemini Pro 1.0, GPT 3.5 en LLaMA 2 70B op MMLU (Measuring massive multitask language understanding).
Waar ChatGPT interactieve AI-gesprekken revolutioneerde en Claude 2 verbeterd begrip en generatieve vermogens introduceerde, gaat Mistral Large nog een stap verder door diep redeneren te integreren in een kostenefficiënt kader, waardoor geavanceerde AI breder toegankelijk wordt.
Tijd om dit beest te temmen!
Aan de slag met Mistral Large
Toegang krijgen tot Mistral AI begint met een eenvoudige setup die je in een mum van tijd op weg helpt.
Er zijn twee hoofdmanieren om toegang tot het model te krijgen:
- Via Mistral AI’s ChatGPT-geïnspireerde interface, “Le Chat”.
- Integreren in je code via de API-endpoint van Mistral.
Afbeelding door de auteur.
Wil je beginnen met een eenvoudiger model, volg dan zeker deze gids voor het gebruiken en fine-tunen van Mistral 7B.
Mistral ChatBot - Le Chat
Met deze interface kun je een tekstgebaseerd gesprek voeren met Mistral, vergelijkbaar met wat commerciële partijen als OpenAI of Google aanbieden. Je kunt vragen stellen of instructies geven en Mistral zal proberen zo informatief mogelijk te antwoorden.
Screenshot van de Mistral Le Chat-interface.
Om toegang te krijgen, ga je naar de Mistral Le Chat-website en registreer je je. Het is gratis te gebruiken zonder limieten of restricties.
Mistral API
Developers kunnen met Mistral communiceren via de API, vergelijkbaar met de ervaring met de API van OpenAI.
Met deze API kun je tekstprompts sturen en de gegenereerde antwoorden van het model ontvangen. Als je Python gebruikt om met de Mistral API te praten, maken libraries zoals mistralai de interactie eenvoudig.
Laten we dus de basisstappen doorlopen om met Mistral Large te communiceren.
STAP 1 - Ons eigen Mistral-account aanmaken
De eerste stap is naar de Mistral-website gaan en op de knop “Build Now” te klikken.
Screenshot van de MistralAI-hoofdpagina.
Je moet een nieuw account aanmaken of inloggen als je er al een hebt.
Screenshot van de MistralAI-registratie.
Zodra je bent ingelogd, moet je je abonneren om toegang te krijgen tot de modellen via de API.
Screenshot van een MistralAI-account.
Vervolgens vul je je persoonlijke en facturatiegegevens in.
Screenshot van het MistralAI-registratieproces.
En zo heb je een account aangemaakt dat klaar is voor gebruik!
STAP 2 - Onze API KEY aanmaken
Als je account werkt, moet je een API-sleutel genereren om het Mistral Large-model vanuit je Python-code aan te roepen. Ga daarvoor naar de sectie API Keys.
Screenshot van het MistralAI-registratieproces.
Daar druk je op de knop “Create new key” en geef je een naam en een verloopdatum (volledig optioneel).
Screenshot van het MistralAI-registratieproces.
STAP 3 - Je lokale omgeving instellen
Om het Mistral-model vanuit je Python-code aan te roepen, gebruik je de mistralai-library, die je eenvoudig installeert met het volgende pip-commando:
pip install mistralaiOmdat je een API-sleutel gebruikt, raad ik aan om de dotenv-library te gebruiken om je sleutel op te slaan. Je kunt die eenvoudig installeren met het volgende pip-commando:
pip install python-dotenvVervolgens kun je je Mistral API-sleutel eenvoudig definiëren in een .env-bestand en deze als volgt inladen:
import os
from dotenv import load_dotenv
# Load environment variables from the .env file
load_dotenv()
# Access the API key using os.getenv
api_key = os.getenv("MISTRAL_API_KEY")Praktische toepassingen van Mistral Large
Mistral Large kan worden gebruikt in uiteenlopende domeinen, waaronder contentcreatie, geautomatiseerde klantenondersteuning, programmeerassistentie, data-analyse, vertaling en educatieve tools.
Deze toepassingen laten de veelzijdigheid van Mistral-LLM’s zien om productiviteit, creativiteit en besluitvorming in verschillende sectoren te versterken. Om ermee te gaan spelen, moet je eerst het model initialiseren.
Hiervoor importeer je de mistralai.client-library en de chat-completionfunctie om reacties van het model te krijgen. Vervolgens definieer je, om de interactie met de API te vereenvoudigen, een chat_mistral-functie die je prompt als input neemt en de modelreactie als output geeft.
from mistralai.client import MistralClient
from mistralai.models.chat_completion import ChatMessage
model = "mistral-large-latest"
client = MistralClient(api_key=api_key)
def chat_mistral(prompt: str):
messages = [
ChatMessage(role="user", content=prompt)
]
# No streaming
chat_response = client.chat(
model=model,
messages=messages,
)
return chat_response.choices[0].message.contentLaten we enkele voorbeelden bekijken waarmee Mistral overweg kan:
Tekstgeneratie en -bewerking
Mistral Large blinkt uit in taken rond tekstgeneratie, -begrip en -transformatie. Van het schrijven van overtuigende verhalen en artikelen tot het samenvatten van complexe documenten en het omzetten van schrijfstijlen: de belangrijkste toepassingen in tekstverwerking zijn de volgende:
Tekstgeneratie
Een van de voornaamste toepassingen van Mistral Large, en van elke LLM, is het genereren van tekst op basis van je prompt. De kern van dit vermogen is de uitgebreide training op diverse datasets met enorme hoeveelheden tekst uit verschillende domeinen.
Daardoor begrijpt het model uiteenlopende schrijfstijlen, onderwerpen en taalsstructuren, en kan het tekst maken die past bij specifieke toon of inhoudseisen.
# Starting prompt for a fairytale poem
prompt = """Write a short story starting with "Once upon a time" """
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Once upon a time, in a bustling city filled with towering skyscrapers and endless traffic, there was a small, quaint bookstore named "Whispers of the Past". This wasn't an ordinary bookstore. It was a magical place where every book held a secret story, waiting to be discovered.
The owner of the store, Mr. Benjamin, was an old man with a heart full of kindness and a mind full of tales. He had a peculiar habit of recommending books to his customers, not based on their genre preference, but on their current life situations. His recommendations were always spot on, and people often found solace, guidance, or inspiration from the books he suggested.
One day, a young girl named Lily walked into the store. She was new in town and had a lost look in her eyes. Seeing this, Mr. Benjamin approached her and asked, "What can I help you find today, my dear?"
Lily…
Meer over tekstgeneratie lees je in het artikel What is Text Generation?
Sentimentanalyse
Het sentimentanalytisch vermogen van Mistral Large is geworteld in zijn deep learning-architectuur, die het mogelijk maakt taalkundige context te begrijpen en effectief te onderscheiden tussen positieve, negatieve en neutrale sentimenten.
Door tekstanalyse kan het de emotionele lading achter woorden afleiden, waarbij het zijn uitgebreide training op diverse datasets benut om sentiment nauwkeurig te detecteren in verschillende soorten content.
Een goed gebruik van Mistral is het laten bepalen van het sentiment van een gegeven tekst.
# Sample text
text = "This movie was absolutely fantastic! I highly recommend it."
prompt = f"""Analyze the sentime of the following {text}.
Generate a json like response with the corresponding sentiment (positive, neutral or negatie).
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
{
"Sentiment": "Positive",
"Text": "This movie was absolutely fantastic! I highly recommend it."
}
Tekstsamenvatting
Mistral Large blinkt uit in het samenvatten van tekst door geavanceerde NLP-capaciteiten te gebruiken om lange documenten om te zetten in beknopte, informatieve samenvattingen. Het begrijpt de hoofdthema’s en kernpunten van een tekst en identificeert en extraheert de belangrijkste informatie om een coherente en bondige samenvatting te produceren.
Dit is vooral handig om snel de essentie van grote hoeveelheden tekst te vatten, waardoor Mistral Large essentieel is voor professionals die efficiënt informatie moeten verwerken en erop handelen.
Een eenvoudig voorbeeld is het model vragen om tekst samen te vatten, zoals hieronder:
# Sample text
text = """The quick brown fox jumps over the lazy dog. The rain in Spain falls mainly on the plain.
This is a longer sentence to show summarization capabilities."""
prompt = f"""Summarize the following {text} in 4 words.
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Fox jumps, rain falls.
Vertaling en meertalige taken
Mistral Large laat ook superieure capaciteiten zien bij meertalige taken. Mistral-large is specifiek getraind om tekst in meerdere talen te begrijpen en te genereren, met name in het Frans, Duits, Spaans en Italiaans.
Mistral Large kan bijzonder waardevol zijn voor bedrijven en gebruikers die in meerdere talen moeten communiceren.
Een eenvoudig voorbeeld is Mistral Large gebruiken als vertaler.
# Sample text
text = """The quick brown fox jumps over the lazy dog. The rain in Spain falls mainly on the plain.
This is a longer sentence to show summarization capabilities."""
language_in = "english"
language_out = "spanish"
prompt = f"""Translate the following {text} that is written in {language_in} to {language_out} and
just output the translated text.
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
The quick brown fox jumps over the lazy dog. The rain in Spain falls mainly on the plain.
Translation to Spanish:
El rápido zorro marrón salta sobre el perro perezoso. La lluvia en España cae principalmente en la llanura.
This is a longer sentence to show summarization capabilities.
Translation to Spanish:
Esta es una oración más larga para mostrar las capacidades de resumen.
Codegeneratie en wiskundige probleemoplossing
Naast tekst toont Mistral Large opmerkelijke vaardigheid in het genereren van code en het oplossen van wiskundige problemen. Door beknopte probleemstellingen te geven, kun je Mistral Large inzetten om geoptimaliseerde codefragmenten te produceren en wiskundige uitdagingen op te lossen — nuttig in onderwijs, onderzoek en development.
Codegeneratie
Mistral Large blinkt uit in codegeneratie door hoge-niveau beschrijvingen te begrijpen en die te vertalen naar syntactisch correcte en efficiënte code in diverse programmeertalen.
Het put uit uitgebreide training op codebases, technische documentatie en developersfora om code te genereren die aan de specificaties voldoet, met functionaliteit en optimalisatie.
Een eenvoudig voorbeeld is het model vragen een functie te genereren die een beschreven taak uitvoert.
# Prompt: Generate a Python function that takes a list of numbers and returns the sum of squares.
prompt = """def sum_of_squares(numbers):
# Your code here
pass
# Call the generated function with a sample list
numbers = [1, 2, 3]
result = sum_of_squares(numbers)
print(f"Sum of squares: {result}") # Expected output: Sum of squares: 14"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Sure, I can help you define the function `sum_of_squares`. This function should take a list of numbers as an argument, square each number, and then return the sum of those squares. Here's how you could do it:
```python
def sum_of_squares(numbers):
return sum(num ** 2 for num in numbers)
```
Dit versnelt het ontwikkelproces en helpt programmeurs bij rapid prototyping, debuggen en het moeiteloos implementeren van complexe algoritmen.
Wiskundige probleemoplossing
Mistral Large is bedreven in het oplossen van wiskundige problemen dankzij een diep begrip van numerieke concepten en het vermogen complexe wiskundige instructies te verwerken en te interpreteren.
Het past algoritmen toe die getraind zijn op een brede waaier aan wiskundedata, waardoor het problemen aankan van basisrekenen tot geavanceerde analyse en algebra.
Zo kun je het model vragen een wiskundig probleem op te lossen.
# Prompt: Solve a system of linear equations with two variables.
prompt = """We have a system of equations:
x + 2y = 5
3x - y = 1
Solve for x and y.
"""
print(chat_mistral(prompt))
_________________________________________ #OUTPUT
Sure, I'd be happy to help you solve this system of equations. We can use the method of substitution or elimination. I'll use substitution for this example.
First, let's solve the first equation for x:
x = 5 - 2y
Now, we can substitute x in the second equation with the expression we just found:
3(5 - 2y) - y = 1
Expanding and simplifying this gives:
15 - 6y - y = 1
-7y = 1 - 15
-7y = -14
Now, divide both sides by -7 to solve for y:
y = -14 / -7
y = 2
Substitute y = 2 into the first equation:
x + 2(2) = 5
x + 4 = 5
x = 5 - 4
x = 1
So, the solution to the system of equations is x = 1 and y = 2.
Dit maakt Mistral Large tot een waardevol hulpmiddel voor docenten, studenten en onderzoekers die oplossingen zoeken voor wiskundige vragen of hun werk willen verifiëren.
Mistral Large: geavanceerde features en best practices
Inzicht in prijzen en toegang
Mistral AI hanteert pay-as-you-go prijzen voor hun API-diensten, met verschillende tarieven voor chatcompletions en embedding-API’s. De prijzen zijn per miljoen tokens en variëren naar gelang de modelcomplexiteit, met opties zoals Mistral 7B, Mixtral 8x7B en verschillende groottes van het Mistral-model (Small, Medium, Large).
Het platform biedt verschillende lagen, waaronder Mistral Small, Medium en Large, elk ontworpen voor uiteenlopende projectbehoeften en budgetten. De laagste prijzen gelden voor Mistral 7B met $0,25 per token, oplopend tot $8 voor Mistral Large output en $24 voor Mistral Large input.
Dankzij deze flexibiliteit kun je de meest geschikte modelvariant kiezen en zo prestaties en kosten optimaliseren.
Prijzentabel van Mistral AI-modellen.
Het platform hanteert limieten van 5 requests per seconde, 2 miljoen tokens per minuut en 10.000 miljoen tokens per maand, met mogelijkheden tot aanpassing op aanvraag.
Voor gedetailleerde prijs- en limietinformatie, bekijk de prijsinformatie van Mistral AI.
Prestaties optimaliseren
Het kiezen van het juiste Mistral-model is een afweging tussen prestaties en kosten. Je behoeften bepalen je keuze, die kan veranderen naarmate modellen evolueren.
Over het algemeen presteren grotere modellen beter, met Mistral Large als koploper op benchmarks zoals MMLU (een LLM-benchmark genaamd Measuring Massive Multitask Language in Understanding, die we hierboven hebben uitgelegd), gevolgd door Mistral Medium, Small, Mixtral 8x7B en Mistral 7B.
Prestaties van Mistral-modellen vergeleken. Afbeelding door Mistral AI.
Om de effectiviteit van Mistral Large te maximaliseren en de kosten te beheersen, kun je je queries verfijnen en de meest geschikte modelvariant voor je taken kiezen. Meer over het fine-tunen van LLM’s lees je in deze Introductiegids voor het fine-tunen van LLM’s
Mistral AI biedt vijf API-endpoints met vijf toonaangevende Large Language Models:
- open-mistral-7b (ook wel mistral-tiny-2312)
- open-mixtral-8x7b (ook wel mistral-small-2312)
- mistral-small-latest (ook wel mistral-small-2402)
- mistral-medium-latest (ook wel mistral-medium-2312)
- mistral-large-latest (ook wel mistral-large-2402)
Het nieuwste Mistral-model heeft drie varianten, met lagere kosten en prestaties afhankelijk van de toepassing die we willen uitvoeren:
- Mistral Small: Geoptimaliseerd voor eenvoudige, bulk-taken zoals classificatie, klantenondersteuning en basis tekstgeneratie. Kostenefficiënt voor rechttoe-rechtaan toepassingen zoals spamdetectie.
- Mistral Medium: Ontworpen voor taken met gemiddelde complexiteit. Uitstekend in data-extractie, documentsamenvatting en het genereren van beschrijvende content. Biedt een balans tussen capaciteit en efficiëntie.
- Mistral Large: Blinkt uit op vrijwel alle benchmarks. Het best geschikt voor complexe, redeneergeoriënteerde taken of gespecialiseerde toepassingen, waaronder synthetische tekst en codegeneratie. Toont superieure prestaties in geavanceerd redeneren en probleemoplossing.
Wat is de volgende stap voor Mistral Large?
Naarmate Mistral Large zich verder ontwikkelt, staan toekomstige verbeteringen en bijdragen vanuit de community op de agenda.
Bijblijven is cruciaal voor gebruikers die Mistral Large ten volle willen benutten en de nieuwste features in hun projecten willen integreren.
De roadmap van het model belooft voortdurende innovatie, met focus op beter redeneren, taalsupport en gebruikstoegankelijkheid.
Conclusie
Mistral Large is een monumentale stap vooruit in AI en data science. Het biedt geavanceerd redeneren met meertalige ondersteuning en helpt gebruikers bij programmeren en wiskunde.
Voor het eerst hebben we een open-source, betaalbaar model dat niet alleen sterke vaardigheden heeft, maar ook enkele benchmarks aanvoert en commerciële modellen zoals OpenAI’s GPT-4 of Google’s Gemini verslaat.
Door de kracht van Mistral Large te benutten, kun je nieuwe mogelijkheden ontsluiten, processen stroomlijnen en innovatieve oplossingen creëren die voorheen buiten bereik leken — met een klein budget en betere performance.
Je kunt de volledige code bekijken in de volgende GitHub-repo.
Wil je je verder verdiepen in LLM’s, dan raad ik je aan om meer geavanceerde tutorials te volgen. Als je helemaal nieuw bent in het vakgebied, kun je beginnen met DataCamps LLM Concepts-cursus, die veel belangrijke trainingsmethoden en het nieuwste onderzoek behandelt.
Voor gevorderde gebruikers zijn dit goede bronnen:
Onderwerpen
