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:

  • ردیابی گفتگوهای چند مرحله‌ای

  • یکپارچه‌سازی ابزارها (جستجوی سفارش، پردازش استرداد وجه)

  • ارزیابی‌های کیفیت سفارشی

  • داشبورد مانیتورینگ هزینه‌ها

  • انطباق با حذف اطلاعات حساس (PII scrubbing)


این یک مثال ساده نیست، بلکه معماری است که تیم‌های سازمانی واقعی مستقر می‌کنند.


سرفصل ها و درس ها

مقدمه و ارزش سازمانی Introduction & Enterprise Value

  • آنچه خواهید آموخت What You'll Learn

  • چرا مشاهده LLM برای سازمان‌ها اهمیت دارد Why LLM Observability Matters for Enterprises

  • قابلیت‌های اصلی Datadog LLM Observability و دموی داشبورد Datadog LLM Observability – Core Capabilities and Dashboard Demo

  • تست دانش بخش اول: مبانی مشاهده LLM Section 1 Knowledge Check: LLM Observability Fundamentals

راه‌اندازی مشاهده LLM Setting Up LLM Observability

  • راه‌اندازی حساب کاربری Datadog و تست - عملی Datadog Account Setup and Testing – Hands-on

  • بررسی انواع Spanها و یکپارچه‌سازی SDKها Span Types and SDK Integrations Overview

  • اولین فراخوانی ردیابی شده LLM در محیط محلی - عملی First Traced LLM Call in a Local Environment – Hands-on

  • بررسی سریع Quick Check in

  • تست دانش بخش دوم: راه‌اندازی مشاهده LLM Section 2 Knowledge Check: Setting Up LLM Observability

پیاده‌سازی ابزارها در اپلیکیشن‌های LLM Instrumenting LLM Applications

  • ایجاد Spanهای LLM با یادداشت‌ها و تگ‌ها - عملی Creating LLM Spans with Annotations and Tags – Hands-on

  • پیاده‌سازی جریان‌های کاری چند مرحله‌ای - عملی Instrumenting Multi-step Workflows – Hands-on

  • خط لوله RAG با قابلیت مشاهده کامل - عملی RAG Pipeline with Full Observability – Hands-on

  • یکپارچه‌سازی با LangChain - بخش اول LangChain Integration – Part 1

  • پیاده‌سازی خودکار خط لوله RAG در LangChain - عملی LangChain RAG Pipeline Auto-Instrumentation – Hands-on

  • تست دانش بخش سوم: پیاده‌سازی ابزارها در اپلیکیشن‌های LLM Section 3 Knowledge Check: Instrumenting LLM Applications

ردیابی جریان‌های کاری هوش مصنوعی عامل‌محور Tracing Agentic AI Workflows

  • ردیابی جریان‌های کاری عامل‌محور (Agentic) - عملی Tracing Agentic Workflows – Hands-on

  • سیستم‌های چندعاملی (Multi-Agent) - عملی Multi-Agent Systems – Hands-on

  • عیب‌یابی مشکلات عامل‌ها - بررسی کلی Debugging Agent Issues – Overview

ارزیابی‌ها و مانیتورینگ کیفیت Evaluations & Quality Monitoring

  • بررسی آزمایش‌های LLM و ایجاد مجموعه داده - عملی LLM Experiments Overview and Dataset Creation – Hands-on

  • تولید مجموعه ارزیابی طلایی (Golden Set) - عملی Generating a Golden Evaluation Set – Hands-on

  • اجرای آزمایش‌های LLM در Datadog - داشبوردها و مقایسه‌ها Running LLM Experiments in Datadog – Dashboards and Comparisons

  • تست A/B پرامپت‌ها - جریان کاری کامل - عملی A/B Testing Prompts – Full Workflow – Hands-on

  • راه‌اندازی ارزیابی‌ها و مانیتورینگ کیفیت - عملی Setting Up Evaluations and Quality Monitoring – Hands-on

  • ایجاد ارزیابی‌های سفارشی Creating Custom Evaluations

  • ارزیابی‌ها و مانیتورینگ فقط در کد - عملی Evaluations and Monitoring in Code Only – Hands-on

مانیتورینگ و بهینه‌سازی هزینه‌ها Cost Monitoring & Optimization

  • ردیابی خودکار هزینه در Datadog - بررسی داشبورد Datadog Automatic Cost Tracking – Dashboard Walkthrough

  • استراتژی‌های بهینه‌سازی هزینه - بررسی کلی Cost Optimization Strategies – Overview

امنیت، انطباق و الگوهای محیط عملیاتی Security, Compliance & Production Patterns

  • امنیت، انطباق و محیط عملیاتی - بررسی کلی Security, Compliance, and Production – Overview

  • راه‌اندازی تابع حذف اطلاعات حساس (PII Redaction) و تست - عملی Setting Up PII Redaction Function and Testing - Hands-on

  • بررسی کلی داشبورد اسکن داده‌ها Data Scanning Dashboard Overview

  • تست گروه سفارشی حذف PII در Datadog - عملی Testing a Custom PII Redaction Group in Datadog – Hands-on

  • امنیت، انطباق و استقرار اپلیکیشن‌های LLM - عملی LLM Apps Security and Compliance and production Hands – Hands-on

  • معماری استقرار در محیط عملیاتی و چک‌لیست Production Deployment Architecture and Checklist

بونوس Bonus

  • جمع‌بندی و گام‌های بعدی Wrap-up and Next Steps

  • بونوس Bonus

نمایش نظرات

آموزش مانیتورینگ و ردیابی LLM در Datadog: نظارت بر هوش مصنوعی در محیط عملیاتی
جزییات دوره
4 hours
32
(آخرین آپدیت)
502
4.8 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Paulo Dichone  Software Engineer, AWS Cloud Practitioner   Instructor Paulo Dichone Software Engineer, AWS Cloud Practitioner Instructor

Android، Flutter، AWS، پرفروش ترین مربی