لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مانیتورینگ و ردیابی LLM در Datadog: نظارت بر هوش مصنوعی در محیط عملیاتی
- آخرین آپدیت
دانلود Datadog LLM Observability: Monitor & Trace AI in Production
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
تسلط بر مانیتورینگ سازمانی هوش مصنوعی با استفاده از ردیابی (Tracing)، ارزیابیها، کنترل هزینه و انطباق امنیتی با پلتفرم Datadog
پیادهسازی اپلیکیشنهای LLM با SDK ddtrace دیتاداگ برای دسترسی کامل به پرامپتها، پاسخها و میزان مصرف توکنها
ردیابی جریانهای کاری پیچیده عاملهای هوش مصنوعی (AI Agents) شامل گفتگوهای چند مرحلهای، فراخوانی ابزارها و مسیرهای تصمیمگیری با دیباگینگ در سطح سازمانی
اجرای ارزیابیهای عملیاتی با استفاده از چکهای مدیریت شده (سمی بودن، مرتبط بودن) و ارزیابهای سفارشی LLM-as-a-judge
مانیتورینگ و بهینهسازی هزینههای LLM با ردیابی خودکار هزینهها، هشدارهای بودجه و داشبوردهای مقایسهای مدلها
اجرای آزمایشها برای تست تغییرات پرامپت و مدل قبل از استقرار نهایی با استفاده از چارچوب آزمایش Datadog
ساخت سیستمهای هوش مصنوعی امن با حذف اطلاعات حساس (PII scrubbing)، الگوهای انطباق و مانیتورینگ امنیتی برای نیازهای سازمانی
پیادهسازی خط لولههای RAG با Spanهای سفارشی برای مراحل Embedding، بازیابی و تولید جهت مشاهده کامل جریان کاری
یکپارچهسازی قابلیتهای مشاهده LLM با ابزارهای موجود APM، زیرساخت و امنیت Datadog برای مانیتورینگ یکپارچه سازمانی
پیشنیازها: تجربه برنامهنویسی مقدماتی پایتون (سطح متوسط)
آشنایی با APIهای LLM (مانند OpenAI، Anthropic یا مشابه)
داشتن حساب کاربری Datadog (نسخه رایگان موجود است) یا توانایی ایجاد آن
درک مفاهیم پایه LLM (پرامپتها، توکنها، پاسخها)
اختیاری: تجربه کار با LangChain یا چارچوبهای مشابه LLM
آیا اپلیکیشنهای LLM شما در محیط عملیاتی بدون هیچ نظارتی در حال اجرا هستند؟
شما یک عامل هوش مصنوعی، یک خط لوله RAG یا یک چتبات مبتنی بر LLM را مستقر کردهاید.
اما آیا میتوانید به این سوالات پاسخ دهید؟
آن حلقه تکرار شونده عامل هوش مصنوعی قبل از اینکه کسی متوجه شود، چقدر هزینه داشت؟
چرا نرخ توهمات (Hallucinations) سهشنبه گذشته به شدت افزایش یافت؟
کدام مرحله در خط لوله RAG شما اسناد نامرتبط باز میگرداند؟
چگونه به تیم انطباق ثابت کنید که از اطلاعات حساس مشتریان (PII) در گفتگوهای LLM محافظت میکنید؟
اگر نمیتوانید با داده به این سوالات پاسخ دهید، شما یک مشکل جدی در محیط عملیاتی دارید.
ابزارهای سنتی APM مدل LLM شما را به عنوان یک جعبه سیاه میبینند. آنها تأخیر و نرخ خطا را اندازهگیری میکنند، اما نمیتوانند جریان توکنها، اثربخشی پرامپت یا افت کیفیت را به شما نشان دهند.
مدلهای LLM اساساً متفاوت هستند: غیرقطعی، چندمرحلهای، قیمتگذاری شده بر اساس توکن و حساس به کیفیت.
شما به یک قابلیت مشاهده بومی (Native) برای LLM نیاز دارید.
معرفی قابلیت LLM Observability در Datadog
این دوره، راهنمای جامع پلتفرم مشاهده LLM دیتاداگ برای تیمهای سازمانی است.
اگر در حال حاضر از Datadog برای APM، زیرساخت یا امنیت استفاده میکنید، این قابلیت مستقیماً با استک فعلی شما یکپارچه میشود؛ بدون نیاز به یادگیری ابزارهای جدید یا مانیتورینگ داشبوردهای جداگانه.
آنچه خواهید ساخت:
در طول این دوره، شما یک عامل هوش مصنوعی پشتیبانی مشتری در سطح عملیاتی را با ویژگیهای زیر پیادهسازی میکنید:
نمایش نظرات