Plan Szkolenia

Wprowadzenie do jakości i obserwowalności w WrenAI

  • Dlaczego obserwowalność ma znaczenie w AI-powodowanej analityce
  • Wyzwania przy ocenie NL do SQL
  • Frameworki do monitorowania jakości

Ocena dokładności NL do SQL

  • Definiowanie kryteriów sukcesu dla generowanych zapytań
  • Ustalanie punktów odniesienia i zestawów testowych
  • Automatyzowanie pipeline'ów oceny

Techniki dopasowywania promptów

  • Optymalizacja promptów pod kątem dokładności i efektywności
  • Dostosowywanie do domen poprzez dopasowanie
  • Zarządzanie bibliotekami promptów w zastosowaniach przedsiębiorstwowych

Śledzenie driftu i niezawodności zapytań

  • Zrozumienie driftu zapytań w produkcji
  • Monitorowanie ewolucji schematów i danych
  • Wykrywanie anomalii w zapytaniach użytkowników

Instrumentowanie historii zapytań

  • Logowanie i przechowywanie historii zapytań
  • Wykorzystanie historii do audytów i rozwiązywania problemów
  • Korzystanie z wglądów w zapytania do poprawy wydajności

Frameworki monitorowania i obserwowalności

  • Integracja z narzędziami do monitorowania i pulpitymi kontrolnymi
  • Metryki dla niezawodności i dokładności
  • Procesy alertów i reakcji na incydenty

Wzorce implementacji przedsiębiorstwowych

  • Skalowanie obserwowalności poprzez zespoły
  • Balansowanie dokładności i wydajności w produkcji
  • Zarządzanie i odpowiedzialność za wyniki AI

Przyszłość jakości i obserwowalności w WrenAI

  • Mechanizmy samokorekcji oparte na AI
  • Zaawansowane frameworki oceny
  • Nadchodzące funkcje dla obserwowalności przedsiębiorstwowej

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie praktyk zapewniania jakości i niezawodności danych
  • Doświadczenie w pracy z SQL i workflow analitycznymi
  • Znajomość narzędzi do monitorowania lub obserwowalności

Odbiorcy

  • Inżynierowie niezawodności danych
  • Kierownicy BI
  • Specjaliści QA z zakresu analityki
 14 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie