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 environnement sandbox

Reproduction et isolation des pannes

  • Techniques pour créer des exemples de défaillance minimaux et des graines
  • Interactions avec état vs sans état : isolation des bugs liés au contexte
  • Déterminisme, aléatoire et contrôle du comportement non déterministe

Évaluation comportementale et métriques

  • Métriques quantitatives : précision, variantes ROUGE/BLEU, calibration et proxys de perplexité
  • Évaluations qualitatives : notation humaine (human-in-the-loop) et conception de grilles d'évaluation
  • Contrôles 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 de modèles Ollama et portes de validation automatisées

Observabilité et surveillance

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

Analyse avancée des causes racines

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

Sécurité, robustesse et stratégies de remédiation

  • Mesures d'atténuation : filtrage, ancrage, augmentation par récupération et échafaudage de prompts
  • Modèles de retour arrière, canaries et déploiement progressif pour les mises à jour de modèles
  • Rétrospectives (post-mortems), leçons tirées et boucles d'amélioration continue

Résumé et prochaines étapes

Pré requis

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

Public cible

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires