{ "item_title" : "Observability for LLM Applications", "item_author" : [" Gabriel Anhaia "], "item_description" : "Dein LLM-Feature ging letzten Donnerstag um 2 Uhr morgens live. Die Latenz ist in Ordnung. Die Fehlerrate liegt bei null. Und irgendwo, ganz leise, bel gt es einen Kunden.Klassische Observability sieht das nicht. CPU-Graphen, HTTP-Statuscodes und p99-Dashboards wurden f r Systeme gebaut, die entweder funktionieren oder abst rzen. LLMs tun weder das eine noch das andere. Sie liefern einen selbstbewussten Satz, der Span schlie t gr n, und der Fehler steckt im Inhalt.Wenn du LLM-Features in Produktion auslieferst - als Backend-Engineer, als Plattform-Engineer, als SRE, der den Prompt von jemand anderem geerbt hat - dann ist dieses Buch das operative Handbuch, das dir bislang gefehlt hat. Es ist kein Theoriebuchber Transformer. Es ist keine Prompt-Engineering-Tour. Es ist der Stack, den du am Montagmorgen tats chlich brauchst, um zu wissen, dass deine KI funktioniert.Was du bekommst: die drei neuen S ulen (Traces, Evals, Kosten- und Drift-Metriken), zuerst auf Basis der anbieterneutralen OpenTelemetry-GenAI-Semantic-Conventions aufgebaut, dann erg nzt durch die Werkzeuge, die 2026 z hlen - Langfuse, LangSmith, Arize Phoenix, Braintrust, DeepEval, Helicone und ein selbst gebauter Stack aus OTel Collector, ClickHouse und Grafana f r Teams, die alles im eigenen Haus wollen. Jedes Werkzeug bekommt ein ehrliches Urteil: worin es am besten ist, worin es schwach ist, wann du es w hlen solltest und was es kostet.Du lernst, wie du einen kompletten LLM-Entscheidungspfad als Trace erfasst, Evals kontinuierlich in der CI und in Produktion ausf hrst, die Token-Kosten pro Nutzer und pro Feature verfolgst, Drift erkennst, bevor deine Nutzer es tun, und Incident-Response-Runbooks f r einen Fehlermodus schreibst, den dein Pager noch nie gesehen hat. Echter Code in Python, Go und TypeScript. Echte Dashboards. Echte Traces.Eine Erg nzung zu Hamel Husains Evals for AI Engineers (O'Reilly, 2026): W hrend jenes Buch tief in die Eval-Methodik f r ML-Engineers eintaucht, deckt dieses den breiteren operativen Stack ab - Tracing, Tooling, Kosten, Drift und Bereitschaftsdienst - f r den Plattform-Engineer als Leser.Am Ende hast du eine Production-Readiness-Checkliste, die du gegen dein eigenes System laufen lassen kannst - und du meinst es ernst, wenn du deinem Chef sagst, dass die Antwort Ja lautet. Das erste Kapitel beginnt mit einem echten Incident. Am Montagmorgen hast du etwas zu tun.Band 1 von The AI Engineer's Library.", "item_img_path" : "https://covers4.booksamillion.com/covers/bam/9/79/818/567/9798185678015_b.jpg", "price_data" : { "retail_price" : "28.58", "online_price" : "28.58", "our_price" : "28.58", "club_price" : "28.58", "savings_pct" : "0", "savings_amt" : "0.00", "club_savings_pct" : "0", "club_savings_amt" : "0.00", "discount_pct" : "10", "store_price" : "" } }

Overview

Customers Also Bought

Details