Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pendahuluan Kualitas dan Observability di WrenAI
- Mengapa observability penting dalam analitik yang didorong oleh AI
- Tantangan dalam penilaian NL ke SQL
- Kerangka kerja untuk pemantauan kualitas
Menevaluasi Akurasi NL ke SQL
- Mendefinisikan kriteria kesuksesan untuk kueri yang dihasilkan
- Membuat standar dan dataset pengujian
- Mengautomasikan pipa evaluasi
Teknik Penyesuaian Prompt
- Memaksimalkan prompt untuk akurasi dan efisiensi
- Adaptasi domain melalui penyesuaian
- Mengelola perpustakaan prompt untuk penggunaan perusahaan
Melacak Drift dan Keterandalan Kueri
- Memahami drift kueri di produksi
- Memantau evolusi skema dan data
- Mendeteksi anomali dalam kueri pengguna
Menginstrumentasikan Riwayat Kueri
- Melog dan menyimpan riwayat kueri
- Menggunakan riwayat untuk audit dan troubleshooting
- Memanfaatkan wawasan kueri untuk peningkatan kinerja
Kerangka Kerja Pemantauan dan Observability
- Integrasi dengan alat dan dashboard pemantauan
- Metrik untuk keterandalan dan akurasi
- Proses penandaan dan tanggapan insiden
Polanya Implementasi Perusahaan
- Menskalakan observability di antara tim
- Mempertimbangkan akurasi dan kinerja di produksi
- Pemerintahan dan tanggung jawab atas output AI
Masa Depan Kualitas dan Observability di WrenAI
- Mekanisme penyesuaian diri yang didorong oleh AI
- Kerangka kerja penilaian tingkat lanjut
- Fitur-fitur observability perusahaan yang akan datang
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pengertian tentang praktik kualitas data dan keandalan
- Pengalaman dengan SQL dan alur kerja analisis
- Kenalan dengan alat pemantauan atau observabilitas
Target Peserta
- Insinyur keandalan data
- Kepala BI
- Profesional QA untuk analisis
14 Jam