聯繫我們
 課程時長 35 時間:

課程簡介

簡介與診斷基礎

  • LLM 系統中的失敗模式概覽及 Ollama 特定常見問題
  • 建立可重現的實驗及受控環境
  • 偵錯工具集:本地日誌、請求/回應捕獲及沙箱隔離

重現與隔離失敗案例

  • 創建最小失敗範例及種子的技術
  • 有狀態與無狀態互動:隔離上下文相關錯誤
  • 確定性、隨機性,以及控制非確定性行為

行為評估與指標

  • 定量指標:準確度、ROUGE/BLEU 變體、校準及困惑度(Perplexity)代理指標
  • 定性評估:人在迴圈(Human-in-the-loop)評分及評分標準(Rubric)設計
  • 特定任務的忠誠度檢查及驗收標準

自動測試與回歸

  • 提示詞及組件的單元測試,情境測試及端到端測試
  • 創建回歸測試套件及黃金範例基準(Golden Example Baselines)
  • Ollama 模型更新的 CI/CD 整合及自動化驗證閘門

可觀測性與監控

  • 結構化日誌、分布式追蹤及關聯 ID
  • 關鍵運營指標:延遲、Token 使用量、錯誤率及質量信號
  • 警報、儀表板,以及為模型支援服務設定 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 診斷及消融研究(Ablation Studies)
  • 數據溯源、數據集偵錯及解決由數據集引起的失敗

安全性、穩健性與修復策略

  • 緩解措施:過濾、接地(Grounding)、檢索增強(RAG)及提示詞腳手架(Prompt Scaffolding)
  • 模型更新的回滾(Rollback)、灰度(Canary)及分階段推出模式
  • 事後分析(Post-mortems)、經驗教訓及持續改進循環

總結與下一步

最低要求

  • 具備建置與部署大型語言模型(LLM)應用的豐富經驗
  • 熟悉 Ollama 工作流程及模型託管機制
  • 熟練使用 Python、Docker 及基礎可觀測性工具

目標受眾

  • AI 工程師
  • ML Ops 專業人士
  • 負責生產環境 LLM 系統的 QA 團隊

即將到來的課程

課程分類