Prenez contact avec nous
 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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires