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
检查点与容错机制
这部分内容有帮助吗？
- DeepSpeed: Training large models with ease, speed and efficiency, Microsoft, 2024 (Microsoft) - 提供使用 DeepSpeed 框架实现高效检查点和容错的官方文档与教程，对于深度学习模型的大规模分布式训练至关重要。
- FSDP: Fully Sharded Data Parallel, Wei Feng, Will Constable, Yifan Mao, 2024 (PyTorch Foundation) - 提供 PyTorch 关于使用完全分片数据并行 (FSDP) 的官方指南，包括如何保存和加载分片检查点，这对于大规模模型扩展至关重要。
- Machine Learning Design Patterns, Valliappa Lakshmanan, Sara Robinson, and Michael Munn, 2020 (O'Reilly Media) - 本书的“检查点”设计模式章节从架构角度阐述如何在机器学习流程中实现检查点以提高弹性和可管理性。
- SafeTensors: A more secure and faster way to store and load tensors, Hugging Face, 2024 - 阐释 SafeTensors 格式，该格式解决保存和加载大型模型状态时的安全性和效率问题，为传统序列化方法提供一个稳健的替代方案。