Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Arhitektura za produkciju: nadzor, upozorenja, skaliranje

Lekcija 20 od 20 Ažurirano 3. studenoga 2026. Napredno
Na ovoj stranici
  1. Tvoja aplikacija u produkciji: tri stupa
  2. Promatraj: što mjeriti
  3. Reagiraj: stupnjevita upozorenja
  4. Apsorbiraj: tri mehanizma otpornosti
  5. Kontrolni popis za produkcijsko objavljivanje
  6. Ključne točke
  7. Provjeri svoje znanje

Tvoja aplikacija u produkciji: tri stupa

Postavljanje LLM aplikacije u produkciju nije samo pitanje koda. Tri stupa jamče pouzdanost: nadzor za promatranje, upozorenja za reakciju i skaliranje za apsorpciju opterećenja. Oni čine lanac, a lanac je onoliko jak koliko i njegova najslabija karika: metrike koje nitko ne gleda su beskorisne, upozorenja bez postupka odgovora su šum, a skaliranje koje se uključi prekasno je jednostavno kvar. Ova završna lekcija povezuje sve koncepte iz tečaja u cjelovitu produkcijsku arhitekturu.

Promatraj: što mjeriti

Četiri obitelji metrika pokrivaju bitno: volumen poziva, latencija, pogreške i troškovi, raščlanjeno po modelu. Raščlamba po modelu je ono što nadzornu ploču čini djelotvornom—globalna stopa pogrešaka od 3% ti ne govori ništa, dok ta ista brojka koncentrirana na jedan model odmah ukazuje na krivca.

Donja klasa akumulira ove metrike u memoriji, koristeći klizni prozor od 10.000 latencija kako bi spriječila beskonačan rast procesa. Obrati pažnju na korištenje percentila umjesto prosjeka: prosječna latencija LLM servisa gotovo je uvijek zavaravajuća jer šačica vrlo sporih poziva nestaje u prosjeku, a upravo su to one na koje se tvoji korisnici žale.

import time
from dataclasses import dataclass, field
from collections import defaultdict

@dataclass
class ProductionMetrics:
    """Collects essential production metrics."""

    counters: dict = field(default_factory=lambda: defaultdict(int))
    latencies: dict = field(default_factory=lambda: defaultdict(list))
    errors: dict = field(default_factory=lambda: defaultdict(int))
    costs: dict = field(default_factory=lambda: defaultdict(float))

    def record_call(
        self,
        model: str,
        latency: float,
        input_tokens: int,
        output_tokens: int,
        cost: float,
        success: bool,
    ):
        self.counters[model] += 1
        self.latencies[model].append(latency)
        self.costs[model] += cost

        if not success:
            self.errors[model] += 1

        # Keep only the last 10,000 latencies
        if len(self.latencies[model]) > 10_000:
            self.latencies[model] = self.latencies[model][-10_000:]

    def percentile(self, model: str, p: float) -> float:
        """Calculates a latency percentile."""
        values = sorted(self.latencies.get(model, []))
        if not values:
            return 0.0
        idx = int(len(values) * p / 100)
        return values[min(idx, len(values) - 1)]

    def error_rate(self, model: str) -> float:
        total = self.counters.get(model, 0)
        if total == 0:
            return 0.0
        return self.errors.get(model, 0) / total

    def dashboard(self) -> dict:
        """Generates a complete dashboard."""
        dashboard = {}
        for model in self.counters:
            dashboard[model] = {
                "calls": self.counters[model],
                "latency_p50": f"{self.percentile(model, 50):.2f}s",
                "latency_p99": f"{self.percentile(model, 99):.2f}s",
                "error_rate": f"{self.error_rate(model):.2%}",
                "total_cost": f"${self.costs[model]:.2f}",
            }
        return dashboard

Naravno, prikupljanje mora biti sustavno. Ručno instrumentiranje svakog poziva jamči da ćeš jedan zaboraviti—i vjerojatno baš onaj koji uzrokuje probleme. Donji dekorator pomiče mjerenje na razinu funkcije poziva: blok finally bilježi latenciju i uspjeh bez obzira na sve, čak i kada se iznimka propagira.

import openai
import functools

metrics = ProductionMetrics()

def monitor(func):
    """Decorator that monitors every API call."""
    @functools.wraps(func)
    def wrapper(*args, **kwargs):
        model = kwargs.get("model", args[0] if args else "unknown")
        start = time.perf_counter()
        success = True

        try:
            result = func(*args, **kwargs)
            return result
        except Exception as e:
            success = False
            raise
        finally:
            latency = time.perf_counter() - start
            metrics.record_call(
                model=model,
                latency=latency,
                input_tokens=0,
                output_tokens=0,
                cost=0,
                success=success,
            )

    return wrapper

Brojači tokena i troškovi u ovoj verziji ostaju na nuli jer objekt odgovora nije dostupan u trenutku bilježenja. Dopuni ih čitanjem polja usage koja vraća API: bez ovih informacija, tvoja nadzorna ploča će vjerno prikazivati stupac nultih troškova.

Reagiraj: stupnjevita upozorenja

Upozorenje ima vrijednost samo ako poziva na akciju. Zato sustav razlikuje dva praga po metrici: prag upozorenja, koji signalizira odstupanje koje treba ispitati tijekom dana, i kritični prag, koji opravdava buđenje nekoga. Miješanje ta dva proizvodi najgori mogući ishod—tim koji je naučio ignorirati obavijesti.

from enum import Enum

class AlertLevel(Enum):
    INFO = "info"
    WARNING = "warning"
    CRITICAL = "critical"

class AlertSystem:
    """Triggers alerts based on metrics."""

    def __init__(self):
        self.thresholds = {
            "error_rate": {"warning": 0.05, "critical": 0.15},
            "latency_p99": {"warning": 10.0, "critical": 30.0},
            "hourly_cost": {"warning": 50.0, "critical": 200.0},
        }
        self.sent_alerts: list[dict] = []

    def check(self, metrics: ProductionMetrics) -> list[dict]:
        """Checks metrics and generates alerts."""
        alerts = []

        for model in metrics.counters:
            # Error rate
            rate = metrics.error_rate(model)
            if rate >= self.thresholds["error_rate"]["critical"]:
                alerts.append({
                    "level": AlertLevel.CRITICAL,
                    "message": (
                        f"CRITICAL error rate for {model}: "
                        f"{rate:.1%}"
                    ),
                    "model": model,
                })
            elif rate >= self.thresholds["error_rate"]["warning"]:
                alerts.append({
                    "level": AlertLevel.WARNING,
                    "message": (
                        f"High error rate for {model}: "
                        f"{rate:.1%}"
                    ),
                    "model": model,
                })

            # Latency
            p99 = metrics.percentile(model, 99)
            if p99 >= self.thresholds["latency_p99"]["critical"]:
                alerts.append({
                    "level": AlertLevel.CRITICAL,
                    "message": (
                        f"CRITICAL p99 latency for {model}: "
                        f"{p99:.1f}s"
                    ),
                    "model": model,
                })

        self.sent_alerts.extend(alerts)
        return alerts

    async def notify(self, alerts: list[dict]):
        """Sends notifications (webhook, email, Slack)."""
        import httpx

        for alert in alerts:
            if alert["level"] == AlertLevel.CRITICAL:
                # Immediate notification
                async with httpx.AsyncClient() as http:
                    await http.post(
                        "https://your-webhook.example.com/alerts",
                        json={
                            "level": alert["level"].value,
                            "message": alert["message"],
                        },
                    )

Upozorenja o satnim troškovima su ona koja se najčešće zaboravljaju, a to je šteta: neograničena petlja ponovnog pokušaja ili batch posao pokrenut dva puta rezultiraju računom, a ne pogreškom. To je jedina sigurnosna mreža koja detektira ovu vrstu incidenta dok se događa.

Apsorbiraj: tri mehanizma otpornosti

Kada API vrati pogrešku, ponovni pokušaj pogoršava stvari: dodaješ opterećenje servisu koji je već u problemu i tjeraš svoje korisnike da čekaju uzalud. Prekidač kruga (circuit breaker) okreće ovu logiku. Nakon definiranog broja uzastopnih neuspjeha, otvara krug i odmah odbija naredne pozive, zatim pokušava ponovno nakon kašnjenja resetiranja.

class CircuitBreaker:
    """Cuts off calls when too many errors occur."""

    def __init__(
        self,
        open_threshold: int = 5,
        reset_delay: float = 60.0,
    ):
        self.threshold = open_threshold
        self.reset_delay = reset_delay
        self.consecutive_failures = 0
        self.opened_at: float | None = None

    @property
    def is_open(self) -> bool:
        if self.opened_at is None:
            return False
        if time.time() - self.opened_at > self.reset_delay:
            # Attempt to close the circuit
            self.opened_at = None
            self.consecutive_failures = 0
            return False
        return True

    def record_success(self):
        self.consecutive_failures = 0
        self.opened_at = None

    def record_failure(self):
        self.consecutive_failures += 1
        if self.consecutive_failures >= self.threshold:
            self.opened_at = time.time()

    def call(self, func, *args, **kwargs):
        """Executes the function if the circuit is closed."""
        if self.is_open:
            raise RuntimeError(
                "Circuit open — API unavailable. "
                f"Retry in {self.reset_delay}s."
            )
        try:
            result = func(*args, **kwargs)
            self.record_success()
            return result
        except Exception as e:
            self.record_failure()
            raise

Prekidač kruga štiti tvoju aplikaciju; no, ne osigurava njezin rad. To je uloga rezervnog modela (fallback), koji isprobava alternative redom, preskačući one čiji su krugovi već otvoreni. Jedna dizajnerska točka koju treba zapamtiti: redoslijed popisa je produktna odluka, a ne tehnička. Prvo stavi model koji isporučuje očekivanu uslugu, a zatim one koji isporučuju degradiranu, ali prihvatljivu uslugu—nešto manje oštar odgovor bolji je od nedostupne poruke.

class ModelFallback:
    """Switches to a backup model in case of failure."""

    def __init__(self):
        self.models = ["gpt-5.6-terra", "gpt-5.6-sol", "gpt-5.6-luna"]
        self.circuits = {
            m: CircuitBreaker() for m in self.models
        }

    def call(self, prompt: str) -> str:
        """Tries each model until a response is obtained."""
        client = openai.OpenAI()

        for model in self.models:
            circuit = self.circuits[model]
            if circuit.is_open:
                continue

            try:
                response = circuit.call(
                    client.responses.create,
                    model=model,
                    input=prompt,
                )
                return response.output_text
            except Exception:
                continue

        raise RuntimeError("All models are unavailable.")

Treći mehanizam tiče se dimenzioniranja. Upravljanje brojem radnika (workers) na temelju veličine reda, a ne opterećenja CPU-a, ispravan je refleks za servis koji većinu vremena provodi čekajući mrežne odgovore: CPU miruje dok red raste. Obrati pažnju na asimetriju u primijenjenom pravilu—udvostručujemo pri povećanju i prepolovimo pri smanjenju, s широко razdvojenim pragovima (100 naspram 10). Ovaj jaz sprječava oscilacije: bez njega, sustav bi provodio vrijeme stvarajući i uništavajući radnike oko točke prevrata.

class AutoScaler:
    """Adjusts the number of workers based on load."""

    def __init__(
        self,
        min_workers: int = 2,
        max_workers: int = 50,
        scale_up_threshold: int = 100,
        scale_down_threshold: int = 10,
    ):
        self.min_workers = min_workers
        self.max_workers = max_workers
        self.up_threshold = scale_up_threshold
        self.down_threshold = scale_down_threshold
        self.active_workers = min_workers

    def adjust(self, queue_size: int) -> int:
        """Returns the recommended number of workers."""
        if queue_size > self.up_threshold:
            self.active_workers = min(
                self.active_workers * 2,
                self.max_workers,
            )
        elif queue_size < self.down_threshold:
            self.active_workers = max(
                self.active_workers // 2,
                self.min_workers,
            )

        return self.active_workers

Kontrolni popis za produkcijsko objavljivanje

Ovaj tečaj završava kontrolnim popisom koji trebaš proći prije otvaranja svoje aplikacije javnosti. Svaka stavka odnosi se na lekciju koju si pokrio/la; ako se bilo koja čini nejasnom, ponovno pročitaj tu lekciju prije objavljivanja.

  • Nadzor latencije (p50, p95, p99) i stopa pogrešaka
  • Upozorenja konfigurirana na kritičnim pragovima
  • Prekidač kruga za zaštitu od kvarova API-ja
  • Konfiguriran rezervni model (fallback)
  • Omogućena moderacija ulaza i izlaza
  • Implementirano ograničavanje stope (rate limiting) na strani klijenta
  • Strukturirani zapisi (logovi) za otklanjanje grešaka
  • Automatizirane evaluacije u CI/CD
  • Proračun troškova s upozorenjima
  • Dokumentacija promptova s verzioniranjem

Ključne točke

  • Nadzor pokriva latenciju, pogreške, troškove i kvalitetu odgovora
  • Prati percentile latencije, nikada samo prosjek
  • Upozorenja moraju biti stupnjevita: prvo upozorenje, zatim kritično
  • Prekidač kruga štiti od kaskadnih kvarova; fallback osigurava dostupnost
  • Produkcijski kontrolni popis sprječava kritične propuste

Provjeri svoje znanje

Latencija, troškovi, evaluacije: produkcijski refleksi u pet pitanja.

1. Koje su glavne poluge za smanjenje latencije?

Odgovor: Streaming (percipirana latencija), keširanje prompta (stabilni prefiksi), Predviđeni izlazi (Predicted Outputs) kada je odgovor uglavnom predvidiv (Chat Completions, na modelima povučenim 14. siječnja 2027.) i optimizacija samog prompta—mjereno od kraja do kraja.

2. Kada trebaš koristiti Batch API?

Odgovor: Za masovnu obradu bez ograničenja u stvarnom vremenu: asinkrone serije po smanjenom trošku—rangiranje, obogaćivanje ili generiranje velikih volumena nemaju mjesta na sinkronom putu.

3. Što radi kompresija razgovora?

Odgovor: Kompresira dugu povijest (sažeci, uklanjanje) kako bi stala unutar konteksta i kontrolirala troškove—ključno za agente i duge sesije.

4. Koja je svrha okvira Evals u CI/CD-u?

Odgovor: Za automatsko pokretanje tvojih evaluacija pri svakoj promjeni prompta ili modela: regresija se detektira pri commitu, a ne u produkciji.

5. Što uključuje cjelovita produkcijska arhitektura?

Odgovor: Nadzor (latencija, troškovi, kvaliteta), upozorenja, asinkrone redove, moderaciju u mjerilu i plan skaliranja—AI u produkciji je sustav, a ne API poziv.

Mjeri, keširaj, grupiraj u serije, neprestano evaluiraj: četiri navike koje čine aplikacije brzim, vitkim i pouzdanim.