توضیحات
دوره Agent Observability & Tracing: Debug Production LLM Systems. این دوره آموزشی یک برنامه جامع و تخصصی است که به مهندسان نرم‌افزار و هوش مصنوعی آموزش می‌دهد چگونه با استفاده از ابزارهای ردیابی و مشاهده‌پذیری، خطاها و رفتارهای نادرست سیستم‌های عامل هوشمند و مدل‌های زبانی را در محیط واقعی عیب‌یابی و برطرف کنند. دوره آموزشی “مشاهده‌پذیری و ردیابی عامل‌های هوشمند: عیب‌یابی سیستم‌های مدل زبانی در محیط عملیاتی” یک راهنمای کاملاً عملی و مبتنی بر اندازه‌گیری‌های واقعی برای حل مشکلات پیچیده عامل‌های هوشمند است. در بسیاری از موارد، عامل‌های هوشمند پاسخ‌های نادرست یا اشتباهی ارائه می‌دهند در حالی که تمامی ابزارها و تست‌های اولیه وضعیت سیستم را کاملاً سالم و بدون خطا گزارش می‌کنند. این دوره با ارائه ۷۱ جلسه آموزشی اختصاصی، قصد دارد فاصله میان ارزیابی‌های اولیه و رفتار واقعی سیستم در محیط عملیاتی را پر کند و تمامی داده‌ها و اعداد مطرح‌شده در آن بر اساس سیستم‌های واقعی اندازه‌گیری شده‌اند. در طول این دوره، فراگیران یک عامل هوشمند واقعی با قابلیت فراخوانی ابزارهای مختلف مانند جستجو، دریافت اطلاعات، محاسبات و خلاصه‌سازی را پیاده‌سازی کرده و آن را با ابزار اوپن‌تلمتری ردیابی می‌کنند. همچنین دو بستر مدیریت ردیابی شامل آریز فونیکس و لنگ‌فیوز را با استفاده از داکر راه‌اندازی کرده و آن‌ها را بر روی داده‌های یکسان مقایسه می‌نمایند. این برنامه آموزشی به بررسی خطاهای خاموش می‌پردازد؛ خطاهایی که هیچ پیام خطایی ایجاد نمی‌کنند اما باعث عملکرد اشتباه عامل می‌شوند، مانند ابزار جستجویی که نتایج خالی برمی‌گرداند یا اسنادی که شامل داده‌های قدیمی هستند. علاوه بر این، فراگیران با سناریوهای واقعی حوادث امنیتی و فنی مواجه می‌شوند و یاد می‌گیرند که چگونه خطاهای نادرست، نشانه‌های انحرافی و حملات تزریق پرامپت را شناسایی کرده، هزینه‌ها و تاخیرها را به ازای هر بخش محاسبه کنند و ساختار مشاهده‌پذیری را به صورت حرفه‌ای در تیم‌های توسعه پیاده‌سازی نمایند.
آنچه فرا خواهید گرفت
- تجهیز یک عامل هوشمند واقعی به ابزار اوپن‌تلمتری جهت بررسی ساختارها، ویژگی‌ها، رویدادها و انتقال زمینه
- راه‌اندازی بسترهای آریز فونیکس و لنگ‌فیوز با استفاده از داکر و مقایسه عملکرد آن‌ها روی ترافیک یکسان
- شناسایی و کشف خطاهای خاموش بدون پیام خطا نظیر نتایج خالی، تلاش‌های مجدد پنهان و پاسخ‌های اشتباه
- محاسبه تاخیر و هزینه به ازای هر بخش، هر ویژگی و هر کاربر و درک دلایل پنهان ماندن افت کیفیت در میانگین‌ها
- ساخت مدل زبانی ارزیابی‌کننده روی ترافیک زنده و متصل کردن ارزیابی‌ها به بخش‌های ردیابی
- تشخیص حملات تزریق پرامپت و افت کیفیت پاسخ‌ها از روی الگوهای ردیابی
- عیب‌یابی ترافیک‌های ناشناخته تحت فشار زمانی و تطبیق دادن گزارش‌های کاربران با جریان اجرای سیستم
- مدیریت کامل یک حادثه واقعی چندعاملی شامل خطاهای کاشته‌شده، نشانه انحرافی و ارائه گزارش پس از حادثه
- محاسبه دقیق هزینه‌های مشاهده‌پذیری در مقیاس بزرگ و تصمیم‌گیری علمی برای نمونه‌برداری از ترافیک
- پیاده‌سازی و استقرار سیستم مشاهده‌پذیری در تیم با تعریف مالکیت، بررسی کدها و ایجاد دستورالعمل‌های اجرایی
این دوره مناسب افرادیست که
- مهندسانی که سیستم‌های متکی بر مدل‌های زبانی را مستقر کرده‌اند و به دنبال علت دقیق خطاهای ناشناخته هستند
- افرادی که عامل‌های هوشمند آن‌ها در آزمون‌های اولیه موفق هستند اما در محیط واقعی رفتار نادرست نشان می‌دهند
- مهندسان پشتیبان و زیرساخت که با ابزارهای مدیریت عملکرد آشنا هستند اما ترافیک پیچیده عامل‌ها را ردیابی نکرده‌اند
- مهندسان یادگیری ماشین و هوش مصنوعی که سیستم‌های ارزیابی می‌نویسند و به دنبال تحلیل ترافیک زنده هستند
مشخصات دوره Agent Observability & Tracing: Debug Production LLM Systems
- ناشر: Udemy
- مدرس: Frank Robotics Lab
- سطح آموزش: مبتدی تا پیشرفته
- مدت زمان آموزش: 7 ساعت و 35 دقیقه
- تعداد دروس: 71
سرفصل های دوره
پیشنیازهای دوره Agent Observability & Tracing: Debug Production LLM Systems
- Comfortable Python: functions, classes, dictionaries, reading a traceback
- Any OpenAI-compatible API key. Total spend across the whole course is a few dollars
- Docker and Docker Compose installed, for the two tracing backends
- No prior OpenTelemetry or observability experience needed. It is built from the first span
تصاویر دوره
نمونه فیلم دوره
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: ندارد
کیفیت: 1080p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
3.9 گیگابایت
