Hoppa till innehållet
POLARISAI ACADEMY
Linje R08

Lokal AI och egna modeller

Linjen Lokal AI och egna modeller har fyra kurser som bygger på varandra, från grunderna till ett eget slutarbete.

De fyra kurserna

  1. R08-101

    Köra AI lokalt: hårdvara, kvantisering och motorer

    Eleven kan beräkna exakta minneskrav för VRAM och KV-cache för valfri modellarkitektur och kvantiseringsnivå och konfigurera en lokal inferensserver offline som klarar tester av API-kontrakt och determinism.

    22 h · Förkunskap: F01–F07, R02-101 · första lektionen öppen

  2. R08-201

    Dataset, datatvätt och dekontaminering

    Eleven kan bygga en deterministisk pipeline för kurering av dataset som deduplicerar rader, rensar bort PII, validerar ChatML-formatering och upprätthåller noll n-gram-kontaminering mellan train- och test-splitar.

    24 h · Förkunskap: R08-101, R02-201 · första lektionen öppen

  3. R08-301

    Finjustering med LoRA och QLoRA

    Eleven kan implementera ett reproducerbart skript för träning och utvärdering av LoRA med fasta random seeds som minskar valideringsförlusten på en toy task och samtidigt klarar regressionstester för katastrofal glömska.

    26 h · Förkunskap: R08-201 · första lektionen öppen

  4. R08-401

    Benchmarks, deras brister och isolerad lokal drift

    Eleven kan upptäcka benchmark-kontaminering i ett tillhandahållet utvärderingsset och paketera en komplett luftgapad lokal tjänst för inferens och retrieval som klarar alla funktionella tester under strikta firewall-drop-regler.

    26 h · Förkunskap: R08-301, R03-201 · första lektionen öppen

Vad som ska klaras

Varje kurs slutar med en uppgift som rättas mot ett fast facit.

  • R08-101 Klara ett nycklat beräkningsbenchmark med 25 poster för VRAM, bandbredd och kvantisering, och lämna in en lokal inferenskonfiguration och ett benchmarkskript som klarar 20 automatiserade tester i en container utan nätverk (--network=none) med en liten fixture-modell.
  • R08-201 Lämna in en pipeline för datakurering (curate.py) som testas mot en seedad rörig JSONL-fixture med 5 000 rader som innehåller dubbletter, trasiga scheman, PII och läckta testposter; automatiserade tester verifierar 100 % rena utdatasplitar och noll läckage mellan train/test.
  • R08-301 Lämna in ett skript för träning och utvärdering av LoRA i PyTorch/PEFT som körs på en liten fixture-modell för CPU/GPU i den isolerade runnern; automatiserade tester verifierar att antalet träningsbara parametrar matchar exakt LoRA-matematik (r * d), att förlusten minskar deterministiskt och att exporten av adaptern lyckas.
  • R08-401 Slutför en nycklad kontamineringsgranskning av ett seedat benchmark-dataset och lämna in en containeriserad lokal stack för AI + retrieval som klarar 30 funktionella end-to-end-tester med utgående nätverk helt avstängt.
Lektioner kommer

Kursens lektioner skrivs. Ställ dig på väntelistan så mejlar vi när den öppnar. Till väntelistan