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

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait