聯繫我們
 課程時長 35 時間:

課程簡介

介紹與診斷基礎

  • LLM 系統中故障模式概覽及 Ollama 常見特定問題
  • 建立可重現的實驗及受控環境
  • 除錯工具集:本地日誌、請求/回應捕獲及沙盒隔離

重現與隔離故障

  • 創建最小故障示例及種子數據的技巧
  • 有狀態與無狀態互動:隔離與上下文相關的錯誤
  • 確定性、隨機性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、校準及困惑度代理指標
  • 定性評估:人工參與評分及評分標準設計
  • 針對特定任務的忠實度檢查及驗收標準

自動化測試與回歸

  • 針對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基準示例
  • 將 Ollama 模型更新及自動驗證閘門整合至 CI/CD

可觀察性與監控

  • 結構化日誌、分布式追蹤及相關 ID
  • 關鍵運營指標:延遲、令牌使用量、錯誤率及質量信號
  • 針對模型支撐服務的告警、儀表板及 SLI/SLO

進階根本原因分析

  • 追蹤圖形化提示詞、工具調用及多輪對話流程
  • 比較式 A/B 診斷及消融研究
  • 數據來源追溯、數據集除錯及處理由數據集引發的故障

安全性、穩健性與修復策略

  • 緩解措施:過濾、接地、檢索增強及提示詞框架
  • 用於模型更新的滾回、灰度發布及分階段推出模式
  • 事後分析、經驗教訓及持續改進循環

總結與後續步驟

最低要求

  • 在構建及部署 LLM 應用方面擁有豐富經驗
  • 熟悉 Ollama 工作流程及模型託管
  • 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 專業人員
  • 負責生產環境 LLM 系統的 QA 團隊

課程分類