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
- Vue d'ensemble 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 mise en quarantaine (sandboxing)
Reproduction et isolation des pannes
- Techniques de création d'exemples de panne minimaux et de graines (seeds)
- Interactions avec et sans état : isolation des bugs liés au contexte
- Déterminisme, aléatoire et contrôle du comportement non déterministe
Évaluation comportementale et métriques
- Métriques quantitatives : précision, variantes de ROUGE/BLEU, calibration et proxys de perplexité
- Évaluations qualitatives : notation « human-in-the-loop » et conception de grilles d'évaluation (rubrics)
- Vérifications 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 des modèles Ollama et portes de validation automatisées
Observabilité et surveillance
- Journalisation structurée, 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 soutenus par des modèles
Analyse avancée de la cause racine
- 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 des jeux de données et résolution des défaillances induites par les données
Sécurité, robustesse et stratégies de remédiation
- Atténuations : filtrage, ancrage (grounding), augmentation par récupération (RAG) et échafaudage de prompts
- Modèles de rollback, canarisation et déploiement progressif pour les mises à jour de modèles
- Analyses post-mortem, leçons apprises et boucles d'amélioration continue
Résumé et prochaines étapes
Pré requis
- Solide expérience dans la construction et le déploiement d'applications LLM
- Familiarité avec les flux de travail Ollama et l'hébergement de modèles
- Maîtrise de Python, Docker et des outils de base d'observabilité
Public cible
- Ingénieurs IA
- Professionnels MLOps
- Équipes QA responsables des systèmes LLM en production