Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Süre 35 Saat
Eğitim İçeriği
Giriş ve Tanılama Temelleri
- LLM sistemlerindeki arıza modlarının ve yaygın Ollama'ya özgü sorunların genel bakış
- Yeniden üretilebilir deneyler ve kontrollü ortamlar oluşturma
- Hata ayıklama araç seti: yerel loglar, istek/yanııt yakalamaları ve kum havuzu (sandboxing)
Arızaları Yeniden Üretme ve İzole Etme
- Minimal hata örneği ve tohum oluşturma teknikleri
- Durumlu ve durumsuz etkileşimler: bağlamla ilgili hataları izole etme
- Belirlilik, rastgelelik ve belirsiz davranışı kontrol etme
Davranışsal Değerlendirme ve Metrikler
- Nicel metrikler: doğruluk, ROUGE/BLEU varyantları, kalibrasyon ve şaşkınlık (perplexity) ölçerleri
- Nitel değerlendirmeler: insan döngü içinde puanlama ve puanlama anahtarı (rubric) tasarımı
- Görev spesifik sadakat kontrolleri ve kabul kriterleri
Otomatik Test ve Regresyon
- İfadeler (prompt) ve bileşenler için birim testleri, senaryo ve uçtan uca testler
- Regresyon paketleri ve altın örnek tabanları oluşturma
- Ollama model güncellemeleri için CI/CD entegrasyonu ve otomatik doğrulama kapıları
Gözlemlenebilirlik ve İzleme
- Yapılandırılmış loglama, dağıtık izleme ve korelasyon kimlikleri
- Temel operasyonel metrikler: gecikme, token kullanımı, hata oranları ve kalite sinyalleri
- Model destekli hizmetler için uyarılar, panolar ve SLI/SLO'lar
İleri Düzey Kök Neden Analizi
- Graflanan ifadeler, araç çağrıları ve çok turlu akışlarda izleme
- Karşılaştırmalı A/B tanı ve ablasyon çalışmaları
- Veri kaynağı, veri seti hata ayıklama ve veri seti kaynaklı arızaları ele alma
Güvenlik, Sağlamlık ve Giderme Stratejileri
- Önlemler: filtreleme, temellendirme (grounding), geri getirme arttırımı (retrieval augmentation) ve ifade iskeleti (prompt scaffolding)
- Model güncellemeleri için geri dönüş (rollback), arı (canary) ve kademeli dağıtım kalıpları
- Otopsi raporları, dersler ve sürekli iyileştirme döngüleri
Özet ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- LLM uygulamaları geliştirme ve dağıtım konusunda güçlü deneyim
- Ollama iş akışları ve model barındırma konusunda tanıdıklık
- Python, Docker ve temel gözlemlenebilirlik araçları konforuna sahip olmak
Hedef Kitle
- Yapay zeka mühendisleri
- ML Ops profesyonelleri
- Üretim ortamındaki LLM sistemlerinden sorumlu QA ekipleri
