Kontakt aufnehmen
 Dauer 35 Stunden

Schulungsübersicht

Einführung und diagnostische Grundlagen

  • Überblick über Fehlermuster in LLM-Systemen und gängige Ollama-spezifische Probleme
  • Erstellung reproduzierbarer Experimente und kontrollierter Umgebungen
  • Fehlerdiagnose-Werkzeugkasten: lokale Logs, Erfassung von Anfragen/Antworten und Sandbox-Umgebungen

Reproduktion und Isolierung von Fehlern

  • Techniken zur Erstellung minimaler Fehlfälle 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 Perplexity-Annäherungen
  • Qualitative Evaluierungen: Human-in-the-Loop-Bewertung und Rubrik-Design
  • Aufgabenspezifische Fidelity-Prüfungen und Akzeptanzkriterien

Automatisiertes Testen und Regression

  • Unit-Tests für Prompts und Komponenten, Szenario- und End-to-End-Tests
  • Erstellung von Regressionssuiten und Golden-Example-Baselines
  • CI/CD-Integration für Ollama-Modellupdates und automatisierte Validierungsgates

Observability und Überwachung

  • Strukturierte Protokollierung, verteilte Traces und Korrelations-IDs
  • Wichtige operative Metriken: Latenz, Token-Nutzung, Fehlerraten und Qualitätssignale
  • Alerts, Dashboards und SLIs/SLOs für modellgestützte Dienste

Erweiterte Ursachenanalyse

  • Verfolgung durch grafisch dargestellte Prompts, Tool-Aufrufe und Mehr-Turn-Flows
  • Vergleichende A/B-Diagnose und Ablationsstudien
  • Datenherkunft, Dataset-Debugging und Behandlung von dataset-induzierten Fehlern

Sicherheit, Robustheit und Remediierungsstrategien

  • Minderungsmaßnahmen: Filterung, Grounding, Retrieval-Augmentation und Prompt-Scaffolding
  • Rollback-, Canary- und gestaffelte Rollout-Muster für Modellupdates
  • Post-mortems, gelebte Lektionen und kontinuierliche Verbesserungsschleifen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Umfassende Erfahrung im Aufbau und Deployment von LLM-Anwendungen
  • Vertrautheit mit Ollama-Workflows und Modell-Hosting
  • Beherrschung von Python, Docker und grundlegenden Observability-Tools

Zielgruppe

  • KI-Engineer
  • MLOps-Professionals
  • QA-Teams, die für Produktions-LLM-Systeme verantwortlich sind

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien