Kursplan

Introduksjon til kvalitet og observabilitet i WrenAI

  • Hvorfor observabilitet er viktig i AI-drevne analyser
  • Utfordringer ved vurdering av NL til SQL
  • Rammeverk for kvalitetsovervåking

Vurdering av NL til SQL Nøyaktighet

  • Definere suksesskriterier for genererte spørringer
  • Etablering av benchmarker og testdatasett
  • Automatisering av vurderingsrør

Teknikker for prompt-justering

  • Optimering av prompts for nøyaktighet og effektivitet
  • Domeneadaptasjon gjennom justering
  • Håndtering av prompt-biblioteker for virksomhetsbruk

Sporing av drift og spørringsreliabilitet

  • Forståelse av spørringsdrift i produksjon
  • Overvåking av skjemabruk og datavekst
  • Deteksjon av anomali i brukerens spørringer

Instrumentering av spørringshistorie

  • Logging og lagring av spørringshistorie
  • Bruk av historie for revisjoner og feilsøking
  • Utnyttelse av spørringsinnsikt for ytelsesforbedringer

Overvåkings- og observabilitetsrammeverk

  • Integrering med overvåkingsverktøy og dashboards
  • Målinger for pålitelighet og nøyaktighet
  • Prosesser for varsling og håndtering av hendelser

Mønstre for virksomhetsimplementering

  • Skaler observabilitet over lag
  • Balansering av nøyaktighet og ytelse i produksjon
  • Styresmakter og ansvar for AI-utdata

Framtiden for kvalitet og observabilitet i WrenAI

  • AI-drevne selvrettende mekanismer
  • Avanserte vurderingsrammeverk
  • Kommande funksjoner for virksomhetsobservabilitet

Sammenfatning og neste skritt

Krav

  • Forståelse av praksis for data kvalitet og pålitelighet
  • Erfaring med SQL og analytiske arbeidsflater
  • Kjennskap til overvåknings- eller observabilitetsverktøy

Målgruppe

  • Ingeniører for data pålitelighet
  • Ledere for BI
  • QA-profesjonelle for analyse
 14 timer

Antall deltakere


Pris per deltaker

Kommende kurs

Relaterte kategorier