[原文書] Building Reliable AI Systems 可減少幻覺、偏見等的生產方法

經過測試的策略可以減少幻覺、提高性能和成本效率，並減少 LLM 輸出中的偏見或不道德行為。

MEAP 於 2024 年 10 月開始最後更新於 2025 年 9 月預計於 2026 年初發布

Building Reliable AI Systems《建構可靠的人工智慧系統》將向您展示如何將大型語言模型從研究原型轉化為可擴展、穩健且高效的生產系統。從模型訓練到維護，工程師可以在這份一站式指南中找到使用 LLM 所需的一切。

在 Building Reliable AI Systems 《建構可靠的人工智慧系統》中，您將學習如何：

將 LLM 部署到生產環境中
偵測並減少幻覺
減輕偏見
優化 LLM 效能和資源利用率
先進的提示( prompt )工程技術
建構智慧代理和檢索增強生成

Building Reliable AI Systems 《建構可靠的人工智慧系統》是一本將 LLM 成果應用於實際生產的指南。本書彌合了理論與實踐之間的差距。你將從提示等基礎知識入手，深入探討高階優化：智慧代理、檢索增強生成 (Retrieval Augmented Generation，RAG)，以及緩解幻覺和偏見的深度解決方案。

關於這本書

Building Reliable AI Systems 《建構可靠的人工智慧系統》是一本全面的指南，旨在幫助您創建基於 LLM 的應用程式，使其更快、更準確。本書涵蓋了從訓練到生產，再到 LLM 的持續維護的整個過程。在每一章中，您都能找到深入的程式碼範例和實踐專案，包括建立一個由 RAG 驅動的聊天機器人和一個使用 LangChain 創建的代理。部署 LLM 的成本可能很高，因此您一定會喜歡其中的效能最佳化技術——提示( prompt )最佳化、模型壓縮和量化——它們可以讓您的 LLM 更快、更有效率。本書貫穿了來自電子商務、醫療保健和法律行業的真實案例研究，提供了企業如何解決 LLM 一些常見問題的具體範例。

內容包含

目標讀者

適合對 Python 和 NLP 有信心的資料科學家或軟體工程師。

關於作者

Rush Shahani 是一位經驗豐富的 AI 工程師，同時也是 YCombinator 投資的新創公司 Persana AI 的技術長。在 Persana，他領導自然語言處理和大型語言模型系統的開發，為企業提供切實可行的洞察，從而推動收入成長。他的經驗包括在 LinkedIn、Element AI 和 Shopify 等公司建立 AI 系統。