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
LLMOps 工具选用要点
这部分内容有帮助吗？
- ZeRO: Memory Optimizations Toward Training Trillion-Parameter Models, Samyam Rajbhandari, Cong Guo, Jeff Rasley, Shaden Smith, Yuxiong He, 2020 SC '20: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis (ACM (Association for Computing Machinery)) DOI: 10.1145/3418856.3418915 - 描述了ZeRO，这是DeepSpeed中用于训练大型模型的一项内存优化技术，对LLM的可伸缩性有帮助。
- The Ray Project Documentation, Anyscale, Inc., 2024 - Ray的官方文档，Ray是一个分布式计算系统，用于LLM数据处理（Ray Data）、分布式训练（Ray Train）和服务（Ray Serve）。
- vLLM: Efficient Memory Management for Large Language Model Serving, Woosuk Kwon, Zhuohan Li, Siyuan Zhuang, Ying Sheng, Lianmin Zheng, Cody Hao Yu, Joseph E. Gonzalez, Hao Zhang, Ion Stoica, 2023 arXiv preprint arXiv:2309.06180 DOI: 10.48550/arXiv.2309.06180 - 介绍了vLLM，这是一种使用PagedAttention实现高吞吐量和低延迟的LLM推理引擎，有助于满足部署需求。
- LLMOps: Towards a Standardized, Streamlined, and Scalable Workflow for Large Language Models, Zhifeng Zhang, Bo Qiao, Mengjie Li, Guohao Li, Yuan Jiang, Chengyue Wu, Weiqi Wang, Long Cheng, Huaijun Li, Bo Dong, Xiaoyong Hu, 2023 arXiv preprint arXiv:2306.05942 - 一篇综述文章，概述了LLMOps的生命周期和考量，为工具选择提供了概念性框架。