آموزش مانیتورینگ و ردیابی LLM: مشاهده‌پذیری هوش مصنوعی با Datadog - آخرین آپدیت

دانلود LLM Monitoring & Tracing: AI Observability with Datadog

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره بیاموزید چگونه مشاهده‌پذیری (Observability) مدل‌های زبانی بزرگ (LLM) را با استفاده از Datadog بهینه کنید. این دوره جامع شامل آموزش راه‌اندازی Datadog، ابزارگذاری گردش‌های کاری AI، عیب‌یابی سیستم‌های چند-عاملی (Multi-agent)، و نظارت بر عملکرد، امنیت و هزینه‌ها در محیط‌های سازمانی است. شما تجربه عملی در تضمین کیفیت اپلیکیشن‌های AI در سطح تولید (Production-grade) کسب خواهید کرد. این دوره نگاهی عمیق به مشاهده‌پذیری LLM با Datadog دارد و شما را با مهارت‌های ضروری برای مانیتورینگ و ردیابی اپلیکیشن‌های هوش مصنوعی آشنا می‌کند. آموزش با تنظیمات Datadog، درک انواع Spanها، یکپارچه‌سازی SDKها و فرآیند ردیابی فراخوانی‌های LLM در محیط‌های محلی آغاز می‌شود. در ادامه، به ابزارگذاری گردش‌های کاری چندمرحله‌ای AI، استفاده از حاشیه‌نویسی‌ها (Annotations) و تگ‌ها برای ردیابی عملکرد و عیب‌یابی سیستم‌های پیچیده Agentic AI خواهید پرداخت. همچنین، یکپارچه‌سازی با LangChain، ابزارگذاری خط لوله‌های RAG و استفاده از Datadog برای مشاهده‌پذیری کامل را بررسی خواهید کرد. این دوره با تمرکز بر ارزیابی‌ها، مانیتورینگ کیفیت و تست A/B برای بهینه‌سازی عملکرد LLM پیش می‌رود. شما یاد می‌گیرید چگونه ارزیابی‌های سفارشی ایجاد کرده و آن‌ها را برای مانیتورینگ خودکار با کد خود ادغام کنید. علاوه بر عملکرد و عیب‌یابی، به بهینه‌سازی هزینه‌ها خواهید پرداخت تا اطمینان حاصل کنید که اپلیکیشن‌های LLM شما به صورت بهینه و مقرون‌به‌صرفه اجرا می‌شوند. همچنین دانش لازم در زمینه امنیت و استانداردهای انطباق، مانند حذف اطلاعات حساس (PII Redaction) و بهترین روش‌های استقرار را کسب خواهید کرد. در پایان دوره، درک جامعی از استقرار و نگهداری مشاهده‌پذیری در اپلیکیشن‌های LLM سطح تولید خواهید داشت تا امنیت، کارایی و مقرون‌به‌صرفه بودن آن‌ها تضمین شود. این دوره برای مهندسان AI، متخصصان DevOps، دانشمندان داده و هر کسی که با سیستم‌های هوش مصنوعی، به‌ویژه اپلیکیشن‌های LLM کار می‌کند، طراحی شده است. این آموزش برای کسانی که بر مشاهده‌پذیری، مانیتورینگ و بهینه‌سازی AI در محیط‌های عملیاتی تمرکز دارند، ایده‌آل است. داشتن درک پایه از سیستم‌های مبتنی بر ابر و توسعه نرم‌افزار توصیه می‌شود. آشنایی با Datadog یا فناوری‌های LLM مفید است اما الزامی نیست. این دوره با رویکردی عملی ارائه شده و تمرینات کاربردی برای راه‌اندازی ابزارهای مشاهده‌پذیری، عیب‌یابی گردش‌های کاری پیچیده AI و بهینه‌سازی عملکرد ارائه می‌دهد. شرکت‌کنندگان از طریق جلسات تعاملی و سناریوهای دنیای واقعی، مهارت‌های ارزشمندی را برای استقرار و مانیتورینگ موثر اپلیکیشن‌های LLM در محیط تولید کسب می‌کنند. این دوره بر اساس محتوای «LLM Monitoring & Tracing: AI Observability with Datadog» اثر Paulo Dichone تهیه شده است. این دوره توسط Packt لایسنس و توزیع شده است. تمامی حقوق محفوظ است. کمپانی Packt یکی از پرکارترین ناشران محتوای فنی پیشرو در جهان است. برای بیش از دو دهه، ماموریت ما گردآوری و انتشار دانش برترین متخصصان فنی بوده است. ما بر دوره‌های کاربردی تمرکز داریم که به مشتریان ما در انجام پروژه‌های واقعی کمک می‌کند و طیف گسترده‌ای از موضوعات فنی تثبیت شده و پیشرو را پوشش می‌دهد. اگر فرد یا سازمانی هستید که یادگیری از طریق انجام دادن (Learning by doing) را می‌پسندید، Packt انتخابی ایده‌آل برای شماست.

سرفصل ها و درس ها

مقدمه و ارزش سازمانی Introduction & Enterprise Value

  • آنچه خواهید آموخت What You'll Learn

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

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

راه‌اندازی مشاهده‌پذیری LLM Setting up LLM Observability

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

  • مروری بر انواع Spanها و یکپارچه‌سازی‌های SDK Span Types and SDK Integrations Overview

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

ابزارگذاری اپلیکیشن‌های LLM Instrumenting LLM Applications

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

  • ابزارگذاری گردش‌های کاری چندمرحله‌ای – عملی Instrumenting Multi-step Workflows – Hands-on

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

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

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

ردیابی گردش‌های کاری Agentic AI Tracing Agentic AI Workflows

  • ردیابی گردش‌های کاری Agentic – عملی Tracing Agentic Workflows – Hands-on

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

  • عیب‌یابی مشکلات Agentها – مرور کلی Debugging Agent Issues – Overview

ارزیابی‌ها و مانیتورینگ کیفیت Evaluations & Quality Monitoring

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

  • تولید یک 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 برای پرامپت‌ها – گردش کار 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

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

مانیتورینگ و بهینه‌سازی هزینه Cost Monitoring & Optimization

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

  • استراتژی‌های بهینه‌سازی هزینه – مرور کلی Cost Optimization Strategies – Overview

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

  • امنیت، انطباق و محیط تولید – مرور کلی Security, Compliance, and Production – Overview

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

  • مرور 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 تولید در اپلیکیشن‌های LLM – عملی LLM Apps Security, Compliance, and Production – Hands-on

  • معماری استقرار در تولید و چک‌لیست نهایی Production Deployment Architecture and Checklist

  • جمع‌بندی و گام‌های بعدی Wrap-up and Next Steps

نمایش نظرات

آموزش مانیتورینگ و ردیابی LLM: مشاهده‌پذیری هوش مصنوعی با Datadog
جزییات دوره
5h 56m
30
(آخرین آپدیت)
20
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar