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 Teşhis Temelleri
- LLM sistemlerindeki arıza modlarının ve Ollama'ya özgü yaygın sorunların genel bakışı
- Yeniden üretilebilir deneyler ve kontrollü ortamlar oluşturma
- Hata ayıklama araç seti: yerel loglar, istek/yanıt yakalama ve kum havuzu
Arızaların Yeniden Üretimi ve İzolasyonu
- Minimal arızalı örnekler ve tohumlar oluşturma teknikleri
- Durumlu ve durumsuz etkileşimler: bağlama dayalı hataları izole etme
- Determinizm, rastgelelik ve belirsiz davranışların kontrolü
Davranışsal Değerlendirme ve Metrikler
- Kantitatif metrikler: doğruluk, ROUGE/BLEU varyantları, kalibrasyon ve karmaşıklık (perplexity) yaklaşıkları
- Nitel değerlendirmeler: insan-döngü içinde puanlama ve rubrik tasarımı
- Görev bazlı sadakat kontrolleri ve kabul kriterleri
Otomatik Test ve Regresyon
- İstek (prompt) ve bileşenler için birim testleri, senaryo ve uçtan uca testler
- Regresyon suitleri 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 ID'leri
- 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
- Grafiksel istekler, araç çağrıları ve çok turlu akışlarda izleme
- Karşılaştırmalı A/B teşhis ve ablasyon çalışmaları
- Veri kökeni, veri seti hata ayıklama ve veri setinden kaynaklanan arızaların ele alınması
Güvenlik, Sağlamlık ve Giderme Stratejileri
- Mitigasyonlar: filtreleme, temel alma (grounding), geri getirme güçlendirme (RAG) ve istek iskeletlenmesi
- Model güncellemeleri için geri alma, kanarya ve aşamalı çıkarma desenleri
- Olay sonrası analizler (post-mortem), dersler ve sürekli iyileştirme döngüleri
Özet ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- LLM uygulamaları geliştirmek ve dağıtmak konusunda güçlü deneyim
- Ollama iş akışları ve model barındırma konusunda tanıdıklık
- Python, Docker ve temel gözlemlenebilirlik araçlarına hâkimiyet
Hedef Kitle
- Yapay Zeka mühendisleri
- ML Ops uzmanları
- Üretim ortamındaki LLM sistemlerinden sorumlu QA ekipleri