感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程時長 35 時間:
課程簡介
簡介與診斷基礎
- LLM 系統中失效模式概觀及常見 Ollama 特定問題
- 建立可重現的實驗與受控環境
- 除錯工具集:本地日誌、請求/回應捕捉及沙箱隔離
重現與隔離失效問題
- 創建最小化失效範例與種子的技術
- 有狀態 vs 無狀態互動:隔離與上下文相關的 Bug
- 確定性、隨機性,以及如何控制非確定性行為
行為評估與指標
- 定量指標:準確率、ROUGE/BLEU 變體、校準度及困惑度代理指標
- 定性評估:人類在迴圈(human-in-the-loop)評分及評分標準設計
- 任務特定的保真度檢查及驗收標準
自動化測試與回歸
- 提示詞與元件的單元測試、情境測試及端對端測試
- 創建回歸測試套件及黄金範例基準(golden example baselines)
- 整合 Ollama 模型更新的 CI/CD 流程及自動驗證閘門
可觀察性與監控
- 結構化日誌、分佈式追蹤及關聯 ID
- 關鍵運營指標:延遲、代幣使用量、錯誤率及品質訊號
- 告警機制、儀表板及用於模型後端服務的 SLI/SLO
進階根本原因分析
- 追蹤圖形化提示詞、工具呼叫及多輪對話流程
- 比較 A/B 診斷及消融實驗(ablation studies)
- 數據溯源、數據集除錯及處理數據集引起的失效
安全性、穩健性與修復策略
- 緩解措施:過濾、錨定(grounding)、檢索增強及提示詞腳手架(scaffolding)
- 模型更新的回滾(rollback)、灰度發佈(canary)及分階段推出模式
- 事後分析(post-mortems)、經驗總結及持續改進循環
總結與後續步驟
最低要求
- 具備建置與部署 LLM 應用程序的豐富經驗
- 熟悉 Ollama 工作流及模型託管機制
- 熟練使用 Python、Docker 及基礎可觀察性工具
目標受眾
- AI 工程師
- ML Ops 專家
- 負責生產環境 LLM 系統的 QA 團隊