趋近智
大型模型MLOps (LLMOps)
章节 1: LLMOps 基本原理
从MLOps到LLMOps的转变
大语言模型在生产中的特有挑战
大型模型所需的基础设施
LLMOps 生命周期阶段
LLMOps 工具选用要点
章节 2: 大规模基础设施与数据管理
设计可扩展的计算基础设施
分布式系统的网络考量
管理PB级数据集
大语言模型数据预处理流程
大型数据和模型的版本控制
云端与本地基础设施的权衡
实践：配置可扩展存储
章节 3: 大模型训练与微调的运行管理
编排分布式训练任务
实现数据并行策略
实现模型并行策略
使用 DeepSpeed 和 Megatron-LM 等框架
参数高效微调（PEFT）的实施
大规模运行的实验跟踪
检查点与容错机制
实践操作：分布式训练配置
章节 4: LLM部署与服务优化
大型模型服务中的挑战
大型语言模型 (LLM) 的模型打包与容器化
GPU 推理服务器优化
应用模型量化方法
知识蒸馏在部署中的应用
高级部署模式 (金丝雀发布, A/B 测试)
自动扩缩容推理端点
无服务器 GPU 推理的考量
实践：部署量化模型
章节 5: 监控、可观测性与维护
界定大语言模型特有的性能指标
监控基础设施使用情况（GPU、内存）
追踪运营成本
检测大型语言模型中的数据与响应模式漂移
监控 LLM 输出质量（有害性、偏见）
幻觉检测方法
建立反馈循环以实现持续改进
LLMOps的日志记录与可观测性平台
动手实践：设置基本的LLM监控
章节 6: 进阶LLMOps系统与工作流
提示工程的运行化
检索增强生成（RAG）系统管理
向量数据库操作与管理
LLM再训练与微调流程自动化
LLMOps中的安全考量
LLM部署中的合规性与治理
将LLMOps与CI/CD系统集成
实践：构建提示词管理工作流程
大型模型MLOps (LLMOps)
先决条件: 需具备MLOps基本知识。
级别:
高级
您将学到什么
LLM基础设施设计
构建可扩展的基础设施，用于训练及提供大型语言模型服务，并考虑GPU/TPU资源及网络配置。
分布式训练管理
实施并管理针对数十亿参数模型的分布式训练任务，运用DeepSpeed或Megatron-LM等框架。
高效微调操作
在MLOps工作流程中应用参数高效微调（PEFT）方法。
LLM高级部署
部署大型模型，运用优化推理服务器、量化技术及专用服务模式。
LLM监控与可观测性
实施全面的监控策略，以评估LLM的性能、成本、漂移及输出质量。
成本优化
应用策略，管理及优化与大型模型训练和提供服务相关联的高昂成本。
RAG系统运行管理
管理检索增强生成系统（RAG）的运行方面，包括向量数据库管理。