opsmith / Track

AI-Grundlagen

Wie sich ein LLM in Produktion tatsächlich verhält — und welche Entscheidungen daraus folgen: Tokenisierung, Sampling, Kontext, intrinsische Fehlermodi und die Ökonomie von Modellwahl. Der mentale Rahmen, den Prompt-Engineering, RAG und Agenten voraussetzen.

Track Boss · Abschlusslage

Ökonomie & Modellwahl — die Ressourcen-Entscheidungen

Der Abschluss-Check des Tracks: begründe deine Entscheidung unter den Trade-offs der vorherigen Module.

Boss betreten →

Das Verhaltensmodell — wie Output entsteht

Tokenisierung, autoregressive Generierung, Sampling und Nichtdeterminismus, Kontextfenster und parametrisches Wissen — die Mechanik hinter jedem LLM-Output und die Entscheidungen, die daraus folgen.

10 Lektionen · 1 Mission

Die intrinsischen Grenzen — Fehlermodi diagnostizieren

Next-Token-Training trägt neben Daten, Post-Training, Decoding und Aufgabendesign zu mehreren Fehlermodi bei. Diese Landkarte lehrt Diagnosen und Kontrollklassen; die Umsetzung liegt in den Nachbartracks.

9 Lektionen · Decision Checks

Ökonomie & Modellwahl — die Ressourcen-Entscheidungen

Token-Ökonomie, Latenz-Budget und Modellwahl: gemessene Kostenanteile optimieren, interaktive und asynchrone Last trennen sowie Modelle, Routing und Adaptions-Hebel am eigenen Qualitätsziel evaluieren.

9 Lektionen · Decision Checks