Kontakt aufnehmen
 Dauer 35 Stunden

Schulungsübersicht

Einführung und Grundlagen der Diagnose

  • Überblick über Fehlerszenarien in LLM-Systemen und spezifische Probleme mit Ollama
  • Etablierung reproduzierbarer Experimente und kontrollierter Umgebungen
  • Debugging-Werkzeuge: lokale Logs, Erfassung von Anfragen/Antworten und Sandbox-Nutzung

Reproduktion und Isolierung von Fehlern

  • Techniken zur Erstellung minimaler Fehlerbeispiele und Seeds
  • Zustandsbehaftete vs. zustandslose Interaktionen: Isolierung von kontextbezogenen Fehlern
  • Determinismus, Zufälligkeit und Kontrolle nicht-deterministischen Verhaltens

Verhaltensbasierte Evaluierung und Metriken

  • Quantitative Metriken: Genauigkeit, ROUGE/BLEU-Varianten, Kalibrierung und Perplexitäts-Proxys
  • Qualitative Bewertungen: Bewertung durch Menschen im Kreis (Human-in-the-loop) und Design von Bewertungsrastern
  • Aufgabenspezifische Fälschungsprüfungen und Annahmekriterien

Automatisiertes Testing und Regression

  • Unit-Tests für Prompts und Komponenten, Szenario- und End-to-End-Tests
  • Erstellung von Regressionssuites und Baselines mit goldenen Beispielen
  • CI/CD-Integration für Ollama-Modellupdates und automatisierte Validierungsgates

Observability und Überwachung

  • Strukturiertes Logging, verteilte Traces und Korrelations-IDs
  • Wichtige operative Metriken: Latenz, Token-Nutzung, Fehlerquoten und Qualitätssignale
  • Alarmierung, Dashboards und SLIs/SLOs für modellbasierte Dienste

Fortgeschrittene Ursachenanalyse

  • Verfolgung über grafisch dargestellte Prompts, Tool-Aufrufe und Mehr-Runden-Flows
  • Vergleichende A/B-Diagnose und Ablationsstudien
  • Datenherkunft, Dataset-Debugging und Behebung von datensatzinduzierten Fehlern

Sicherheit, Robustheit und Maßnahmen zur Behebung

  • Minderungsstrategien: Filterung, Grounding, Retrieval-Augmentation und Prompt-Scaffolding
  • Rollback-, Canary- und gestaffelte Rollout-Muster für Modellupdates
  • Post-Mortems, gewonnene Erkenntnisse und kontinuierliche Verbesserungsschleifen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Umfassende Erfahrung im Aufbau und der Bereitstellung von LLM-Anwendungen
  • Vertrautheit mit Ollama-Workflows und Modell-Hosting
  • Gewandtheit in Python, Docker und grundlegenden Observability-Tools

Zielgruppe

  • KI-Ingenieure
  • ML Ops-Profis
  • QA-Teams, die für Produktionssysteme mit LLMs verantwortlich sind

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien