Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
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