This gave me a real framework for thinking about hallucination detection and scoring rubrics instead of just eyeballing outputs. The section on building evaluation datasets was the most useful part for my actual work. My only complaint is the automation tooling demo felt a bit rushed near the end.
Dasar-dasar Pengujian dan Evaluasi Aplikasi LLM
Kuasai dasar-dasar pengujian aplikasi Large Language Model dengan mempelajari cara membangun dataset evaluasi, menerapkan metrik modern, dan menilai sistem RAG.
-
💬
Instruktur AI
Tanyakan apa pun tentang pelajaran dan dapatkan jawaban jelas seketika, kapan saja. -
🕐
Mulai kapan saja
Tanpa jadwal atau tenggat — belajar dengan kecepatan sendiri, kapan pun Anda mau. -
🌐
Dalam bahasa Indonesia
Pelajaran, tugas, dan sertifikat — semuanya sepenuhnya dalam bahasa Anda.
Tentang kursus ini
Seiring dengan Large Language Models (LLMs) yang menjadi pusat perangkat lunak modern, memastikan keandalan, akurasi, dan keamanannya menjadi lebih kritis dari sebelumnya. Membangun aplikasi AI hanyalah langkah pertama; mengetahui cara menguji dan mengevaluasi outputnya secara sistematis adalah hal yang membuatnya siap untuk produksi. Kursus berbasis teks ini akan memandu Anda melalui prinsip-prinsip inti dari penjaminan kualitas LLM. Anda akan mulai dengan terminologi AI dasar dan secara bertahap mengeksplorasi cara mengukur performa model, menyusun dataset evaluasi, dan mengimplementasikan pengujian regresi. Dengan membaca skenario praktis dan cuplikan kode tertulis, Anda akan menemukan cara beralih dari pengecekan prompt manual ke metodologi pengujian yang otomatis dan terukur. Apa yang akan Anda pelajari: Memahami konsep dasar LLM, termasuk perbedaan antara fine-tuning dan Retrieval-Augmented Generation (RAG). Merancang dan mengkurasi dataset evaluasi yang kuat yang disesuaikan dengan kasus penggunaan aplikasi tertentu. Menerapkan metrik evaluasi modern untuk menilai kualitas pembuatan teks, relevansi, dan akurasi faktual. Mengimplementasikan pengujian regresi untuk memastikan pembaruan model atau perubahan prompt tidak menurunkan fitur yang ada. Mengevaluasi arsitektur RAG menggunakan pola kontemporer seperti LLM-as-a-judge dan penilaian relevansi konteks. Mempraktikkan konsep pengujian keamanan dasar untuk mengidentifikasi dan memitigasi kerentanan prompt injection. Kurikulum mengalir secara logis dari definisi dasar evaluasi AI ke alur kerja pengujian praktis. Anda akan membaca contoh tertulis langkah demi langkah yang mendemonstrasikan cara menyiapkan pipeline pengujian yang andal untuk aplikasi AI modern. Kursus ini dirancang untuk pemula, profesional QA, dan calon pengembang dengan pengetahuan pemrograman dasar yang ingin mempelajari cara menguji aplikasi AI. Tidak diperlukan keahlian machine learning sebelumnya. Mulailah membaca hari ini untuk membangun keterampilan yang diperlukan untuk mengevaluasi dan menguji aplikasi LLM modern dengan percaya diri.
Apa yang Anda dapatkan
-
📜
Sertifikat penyelesaian
Tambahkan ke profil LinkedIn Anda -
💬
Tutor AI pribadi
Bingung di tengah pelajaran? Tanya tutor bawaan kamu apa saja, kapan saja. -
🎧
Termasuk versi audio
Belajar di mana saja — tanpa layar -
♾️
Akses seumur hidup
Kembali kapan saja, tanpa kedaluwarsa -
📱
Ponsel atau komputer
Berfungsi di mana saja, perangkat apa saja -
💸
Pengembalian 14 hari
Tanpa pertanyaan -
⚡
Singkat dan fokus
2 jam 54 mnt konten praktis
Ulasan (18)
ハルシネーション検出の解説が特に良かった
El curso explica muy bien cómo diseñar casos de prueba para aplicaciones de LLM, aunque la parte de métricas automatizadas se queda un poco corta.
ইভ্যালুয়েশন ডেটাসেট বানানো আর RAG সিস্টেম যাচাই করার অংশটা সত্যিই দারুণ কাজে লেগেছে।
Changed how I test prompts entirely.
The module on building evaluation datasets alone was worth going through this course slowly and taking notes.
LLM एप्लिकेशन के लिए टेस्ट केस डिज़ाइन करना सिखाने वाला यह कोर्स बहुत प्रैक्टिकल है और उदाहरण बिल्कुल असली प्रोजेक्ट जैसे हैं।
Clear, practical, exactly what I needed.
Ce cours couvre bien les bases de l'évaluation des applications LLM, avec des exemples concrets sur la détection des hallucinations et les métriques de scoring. Le rythme est un peu rapide sur la partie automatisation des tests, il faut parfois revenir en arrière. Dans l'ensemble ça m'a donné une méthode claire pour structurer mes propres tests.
Malinaw ang paliwanag tungkol sa pag-eevaluate ng LLM outputs, pero medyo mabilis ang bahagi tungkol sa mga scoring rubric kaya kailangan mo ulit-ulitin panoorin.
Ich habe schon einige technische Kurse gemacht, aber dieser hier bringt das Thema LLM-Testing wirklich strukturiert auf den Punkt. Besonders gut fand ich den Teil über Halluzinationserkennung und wie man daraus konkrete Testfälle ableitet, das war vorher für mich immer ein bisschen diffus. Auch die Erklärung von Evaluationsmetriken wie Genauigkeit versus Konsistenz war anschaulich mit echten Beispielen unterlegt. Die Übungen zwischen den Lektionen zwingen einen dazu, selbst Testszenarien zu schreiben statt nur zuzuschauen, was den Lerneffekt deutlich erhöht. Am Ende hatte ich ein funktionierendes kleines Evaluationsskript, das ich direkt für ein eigenes Projekt anpassen konnte, und das Gefühl, das Thema jetzt wirklich im Griff zu haben. Für jeden, der von reinem Prompt-Basteln zu systematischem Testen wechseln will, ein echter Fortschritt.
O curso explica bem como montar testes para aplicações de LLM, mas senti falta de mais exemplos usando frameworks de avaliação automatizada.
คอร์สนี้อธิบายเรื่องการทดสอบแอปพลิเคชัน LLM ได้ชัดเจนมาก โดยเฉพาะส่วนที่พูดถึงการตรวจจับ hallucination และการออกแบบ metric สำหรับประเมินผล แถมมีตัวอย่างจากโปรเจกต์จริงให้ลองทำตามทีละขั้นด้วย เรียนจบแล้วรู้สึกว่าเขียน test case ได้เป็นระบบขึ้นเยอะ
Finally a course that treats LLM evaluation as an actual engineering discipline instead of vague best practices.
Курс отлично объясняет, как выстраивать пайплайн оценки LLM-приложений — после третьего модуля я наконец понял, зачем нужны регрессионные тесты для промптов.
Solid intro to evaluating LLM outputs, though I wish there was more on setting up automated regression tests instead of just manual scoring.
Aprendí a estructurar pruebas de regresión para prompts de una forma que nunca había visto explicada tan claramente.
इस कोर्स ने LLM एप्लिकेशन्स की टेस्टिंग को बिल्कुल नए नज़रिए से समझाया। हैलुसिनेशन डिटेक्ट करने और evaluation metrics बनाने वाले हिस्से खासकर बहुत उपयोगी लगे। हर वीडियो के बाद खुद से टेस्ट केस लिखने का अभ्यास दिया गया जिससे कॉन्सेप्ट अच्छे से बैठ गए।
Pelajar lain juga mengambil
🔥 Populer
🎓 Dengan sertifikat
Generative AI untuk Seniman Tato: Desain dan Penempatan
Sertifikat
Praktik
S$20.00
→
🔥 Populer
🎓 Dengan sertifikat
AI Voice Cloning: Bangun Suara Digital Pribadi Anda
Sertifikat
Praktik
S$20.00
→
🔥 Populer
🎓 Dengan sertifikat
AI untuk Pengajar ESL: Pelajaran, Teks, dan Tes
Sertifikat
Praktik
S$20.00
→
🔥 Populer
🎓 Dengan sertifikat
Fondasi LLMOps: Mendeploy, Melakukan Versi, dan Memantau LLM
Sertifikat
Praktik
S$20.00
→
Pertanyaan umum
Apa yang saya butuhkan untuk mengikuti kursus ini? +
Cukup ponsel atau komputer dengan internet. Tidak ada instalasi atau perangkat khusus.
Bagaimana cara membayar? +
Dengan kartu via Stripe. Kami tidak menyimpan detail kartu — Stripe menanganinya dengan aman.
Bisakah saya mendapat refund? +
Ya — refund penuh dalam 14 hari, tanpa pertanyaan.
Berapa lama saya akan punya akses? +
Selamanya. Setelah membeli, kursus jadi milik Anda untuk dikunjungi lagi kapan saja.
Apakah saya akan mendapat sertifikat? +
Ya. Setelah selesai, Anda akan menerima sertifikat yang bisa ditambahkan ke profil LinkedIn.
Dibuat untuk pelajar di
Teknologi
Desain
Keuangan
Pemasaran
Kesehatan
Pendidikan
Perhotelan
Manufaktur