Prenez contact avec nous
 Durée 35 heures

Plan du cours

Introduction et fondements du diagnostic

  • Aperçu des modes de défaillance dans les systèmes LLM et des problèmes spécifiques à Ollama
  • Établissement d'expériences reproductibles et d'environnements contrôlés
  • Boîte à outils de débogage : journaux locaux, captures de requêtes/réponses et bac à sable

Reproduction et isolation des défaillances

  • Techniques de création d'exemples minimaux d'échec et de graines
  • Interactions étatful vs stateless : isolation des bogues liés au contexte
  • Déterminisme, aléa et contrôle du comportement non déterministe

Évaluation comportementale et métriques

  • Métriques quantitatives : précision, variantes ROUGE/BLEU, calibration et proxies de perplexité
  • Évaluations qualitatives : notation par des humains et conception de rubriques
  • Vérifications de fidélité spécifiques aux tâches et critères d'acceptation

Tests automatisés et régression

  • Tests unitaires pour les prompts et les composants, tests de scénarios et tests bout en bout
  • Création de suites de régression et de lignes de base d'exemples dorés
  • Intégration CI/CD pour les mises à jour des modèles Ollama et les portes de validation automatisées

Observabilité et surveillance

  • Journalisation structurée, traces distribuées et identifiants de corrélation
  • Métriques opérationnelles clés : latence, utilisation des jetons, taux d'erreurs et signaux de qualité
  • Alertes, tableaux de bord et SLI/SLO pour les services basés sur des modèles

Analyse avancée des causes racines

  • Tracé à travers les prompts graphés, les appels d'outils et les flux multi-tours
  • Diagnostic comparatif A/B et études d'ablation
  • Provenance des données, débogage des jeux de données et gestion des défaillances induites par les jeux de données

Sécurité, robustesse et stratégies de remédiation

  • Atténuations : filtrage, ancrage, augmentation par récupération et échafaudage de prompts
  • Modèles de retour en arrière (rollback), déploiement canari et déploiement progressif pour les mises à jour de modèles
  • Autopsies (post-mortems), leçons tirées et boucles d'amélioration continue

Synthèse et prochaines étapes

Pré requis

  • Expérience solide dans la construction et le déploiement d'applications LLM
  • Connaissance des flux de travail Ollama et de l'hébergement de modèles
  • À l'aise avec Python, Docker et les outils d'observabilité de base

Public cible

  • Ingénieurs IA
  • Professionnels MLOps
  • Équipes QA responsables des systèmes LLM de production

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires