Kursplan

Introduktion till Kvalitet och Observabilitet i WrenAI

  • Varför observabilitet är viktig inom AI-drivna analyser
  • Utmaningar vid NL-till-SQL-utvärdering
  • Ramverk för kvalitetsövervakning

Utvärdering av NL-till-SQL-noggrannhet

  • Definiera framgångskriterier för genererade frågor
  • Etablera referensvärden och testdatauppsättningar
  • Automatisera utvärderingspipelines

Promptjusteringstekniker

  • Optimering av promptar för noggrannhet och effektivitet
  • Domänanpassning genom justering
  • Hantera promptbibliotek för företagsanvändning

Spårning av Drift och Frågetillförlitlighet

  • Förstå frågedrift i produktionen
  • Övervaka schemaevolution och datautveckling
  • Detektera avvikelser i användarfrågor

Instrumentering av Frågehistorik

  • Logga och lagra frågehistorik
  • Använd historik för granskningar och felsökning
  • Utnyttja frågeinsikter för prestandaförbättringar

Övervaknings- och Observabilitetssamarbetsramar

  • Integrera med övervakningsverktyg och instrumentpaneler
  • Mätvärden för tillförlitlighet och noggrannhet
  • Varnings- och incidenthanteringsprocesser

Implementeringsmönster för företag

  • Skalning av observabilitet över team
  • Balansera noggrannhet och prestanda i produktionen
  • Styrning och ansvar för AI-utdata

Framtiden för Kvalitet och Observabilitet i WrenAI

  • AI-drivna självrättande mekanismer
  • Avancerade utvärderingsramverk
  • Kommande funktioner för företagsobservabilitet

Sammanfattning och Nästa Steg

Krav

  • En förståelse för datakvalitets- och tillförlitlighetssituationer
  • Erfarenhet av SQL och analyseringsarbetsflöden
  • Bekantskap med övervaknings- eller observabilitetssituationer

Målgrupp

  • Datakvalitetstekniker
  • BI-ledare
  • Kvalitetsprofiler för analysering
 14 timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier