Arkitettura tal-produzzjoni: monitoraġġ, twissijiet, skalabbiltà
F'din il-paġna
L-applikazzjoni tiegħek fil-produzzjoni: it-tliet pilastri
Id-distribuzzjoni ta’ applikazzjoni LLM fil-produzzjoni mhix biss kwistjoni ta’ kodiċi. Tliet pilastri jiggarantixxu l-affidabbiltà: il-monitoraġġ biex tosserva, it-twissijiet biex tirreaġixxi, u l-iskalabbiltà biex tassorbi t-tagħbija. Dawn jiffurmaw katina, u katina tkun b’saħħitha daqs l-aktar ħolqa dgħajfa tagħha: metrika li ħadd ma jħares lejha hija inutili, twissijiet mingħajr proċedura ta’ rispons huma storbju, u skalabbiltà li tidħol fis-seħħ tard wisq hija sempliċiment interruzzjoni. Din il-lezzjoni finali tiġbor flimkien kull kunċett mill-kors f’arkitettura sħiħa tal-produzzjoni.
Osserva: x’għandek tkejjel
Erba’ familji ta’ metrika jkopru l-essenzjali: il-volum tas-sejħiet, il-latency, l-iżbalji, u l-ispiża, maqsuma skont il-mudell. Li taqsam skont il-mudell huwa dak li jagħmel id-dashboard azzjonabbli—rata ta’ żball globali ta’ 3% ma tgħidlek xejn, filwaqt li l-istess ċifra kkonċentrata fuq mudell wieħed turi minnufih il-ħati.
Il-klassi hawn taħt takkumula dawn il-metriċi fil-memorja, billi tuża tieqa li tiżżerżaq ta’ 10,000 latency biex tevita li l-proċess jikber bla waqfien. Innota l-użu tal-perċentili minflok il-medji: il-latency medja ta’ servizz LLM hija kważi dejjem qarrieqa għax ftit sejħiet bil-mod ħafna jisparixxu fil-medja, madankollu dawn huma dawk li l-utenti tiegħek jilmentaw dwarhom.
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
Ovvjament, il-ġbir irid ikun sistematiku. Li tistrumenta manwalment kull sejħa jiggarantixxi li se tinsa waħda—u probabbilment dik li tikkawża l-problemi. Id-dekoratur hawn taħt iċaqlaq il-kejl fil-livell tal-funzjoni tas-sejħa: il-blokk finally jirreġistra l-latency u s-suċċess irrispettivament minn x’jiġri, anke meta eċċezzjoni tippropaga.
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
Il-kontaturi tat-tokens u l-ispiża jibqgħu żero f’din il-verżjoni għax l-oġġett tar-rispons mhuwiex disponibbli fil-ħin tar-reġistrazzjoni. Ikkumplihom billi taqra l-oqsma tal-użu rritornati mill-API: mingħajr din l-informazzjoni, id-dashboard tiegħek se juri b’mod fidil kolonna ta’ spejjeż żero.
Irreaġixxi: twissijiet gradwati
Twissija hija utli biss jekk issejħu għal azzjoni. Għalhekk is-sistema tiddistingwi żewġ limiti għal kull metrika: limitu ta’ twissija, li jissinjala devjazzjoni li trid tiġi eżaminata matul il-jum, u limitu kritiku, li jiġġustifika li tqajjem lil xi ħadd. Li tħawwad iż-żewġ affarijiet jipproduċi l-agħar riżultat possibbli—tim li tgħallem jinjora n-notifiki.
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"],
},
)
It-twissijiet tal-ispiża kull siegħa huma dawk li spiss jintesew, u dan huwa ħażin: ċiklu ta’ provi mill-ġdid mingħajr limitu jew xogħol bil-lotti mnedija darbtejn jirriżulta f’kont, mhux f’żball. Hija l-unika netwerk ta’ sigurtà li jiskopri dan it-tip ta’ inċident waqt li qed iseħħ.
Assorbi: tliet mekkaniżmi ta’ reżiljenza
Meta l-API tirritorna żball, il-prova mill-ġdid tagħmel l-affarijiet agħar: iżżid tagħbija fuq servizz li diġà qiegħed f’diffikultà u tagħmel lill-utenti tiegħek jistennew għal xejn. Iċ-ċirkwit breaker (circuit breaker) jreġġa’ lura din il-loġika. Wara numru definit ta’ fallimenti konsekuttivi, jiftaħ iċ-ċirkwit u jirrifjuta minnufih is-sejħiet sussegwenti, imbagħad jipprova mill-ġdid wara dewmien ta’ reset.
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
Iċ-ċirkwit breaker jipproteġi l-applikazzjoni tiegħek; madankollu, ma jagħmilhiex taħdem. Dak hu r-rwol tal-fallbak tal-mudell (model fallback), li jipprova alternattivi f’ordni, u jaqbeż dawk li ċ-ċirkwiti tagħhom diġà miftuħa. Punt tad-disinn li għandek iżżomm f’moħħok: l-ordni tal-lista hija deċiżjoni tal-prodott, mhix waħda teknika. Poġġi l-ewwel il-mudell li jwassal is-servizz mistenni, segwit minn dawk li jwasslu servizz degradat iżda aċċettabbli—risposta ftit inqas preċiża hija aħjar minn messaġġ mhux disponibbli.
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.")
It-tielet mekkaniżmu jikkonċerna d-daqs. Li tmexxi n-numru ta’ ħaddiema (workers) ibbażat fuq id-daqs tal-kju (queue) minflok it-tagħbija tal-CPU huwa r-rifless it-tajjeb għal servizz li jqatta’ ħafna mill-ħin jistenna risponsi tan-network: iċ-ċ-ĊPU jibqa’ wieqaf filwaqt li l-kju jikber. Innota l-asimetrija fir-regola applikata—nirdoppjaw meta nkabbru u naqsmu bin-nofs meta nnaqqsu, b’limiti separati ħafna (100 vs 10). Din il-lakuna tevita l-oċċillazzjoni: mingħajrha, is-sistema tonfoq ħinha toħloq u teqred il-ħaddiema madwar il-punt tat-tidwir.
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
Lista ta’ verifika għad-distribuzzjoni fil-produzzjoni
Dan il-kors jispiċċa bil-lista ta’ verifika li għandek tgħaddi minnha qabel ma tiftaħ l-applikazzjoni tiegħek għall-pubbliku. Kull oġġett jirreferi għal lezzjoni li għamilt; jekk xi waħda tidher mhux ċara, erġa’ aqra dik il-lezzjoni qabel ma tiddistribwixxi.
- Monitoraġġ tal-latency (p50, p95, p99) u rati ta’ żball
- Twissijiet ikkonfigurati fuq limiti kritiċi
- Ċirkwit breaker biex tipproteġi kontra fallimenti tal-API
- Fallbak tal-mudell ikkonfigurat
- Moderazzjoni tal-input u l-output attivata
- Limitazzjoni tar-rata (rate limiting) fuq in-naħa tal-klijent implimentata
- Logs strutturati għad-debugging
- Evalwazzjonijiet awtomatizzati fiċ-ĊI/ĊD
- Baġit tal-ispiża b’twissijiet
- Dokumentazzjoni tal-prompt b’verżjonijiet
Punti Ewlenin
- Il-monitoraġġ jkopri l-latency, l-iżbalji, l-ispejjeż, u l-kwalità tar-rispons
- Segwi l-perċentili tal-latency, qatt biss il-medja
- It-twissijiet iridu jkunu gradwati: twissija imbagħad kritika
- Iċ-ċirkwit breaker jipproteġi kontra kaskati ta’ falliment; il-fallbak jiżgura d-disponibbiltà
- Lista ta’ verifika tal-produzzjoni tevita żbalji kritiċi
Ittestja l-għarfien tiegħek
Latency, spejjeż, evalwazzjonijiet: riflessi tal-produzzjoni f’ħames mistoqsijiet.
1. X'inhuma l-leva prinċipali biex tnaqqas il-latency?
Tweġiba: Streaming (latency perċepita), caching tal-prompt (prefissi stabbli), Outputs Ippredetti meta r-rispons huwa l-aktar prevedibbli (Chat Completions, fuq mudelli irtirati fl-14 ta’ Jannar, 2027), u l-ottimizzazzjoni tal-prompt innifsu—imkejjel minn tarf għal tarf.
2. Meta għandek tuża l-Batch API?
Tweġiba: Għal ipproċessar massiv mingħajr restrizzjonijiet ta’ ħin reali: lottijiet asinkroni bi spiża mnaqqsa—klassifikazzjoni, arrikkiment, jew ġenerazzjoni ta’ volum m’għandhomx posthom fil-mogħdija sinkrona.
3. X'tagħmel il-kompattazzjoni tal-konversazzjoni?
Tweġiba: Tikkumpressa storja twila (sommarji, tneħħija) biex tidħol fil-kuntest u tikkontrolla l-ispejjeż—essenzjali għall-aġenti u sessjonijiet twal.
4. X'inhu l-għan tal-qafas tal-Evals fiċ-ĊI/ĊD?
Tweġiba: Biex tmexxi l-evalwazzjonijiet tiegħek awtomatikament fuq kull bidla fil-prompt jew fil-mudell: ir-regressjoni tiġi skoperta fil-commit, mhux fil-produzzjoni.
5. X'jinkludi arkitettura sħiħa tal-produzzjoni?
Tweġiba: Monitoraġġ (latency, spejjeż, kwalità), twissijiet, kjuwijiet asinkroni, moderazzjoni fuq skala kbira, u pjan ta’ skalabbiltà—l-AI fil-produzzjoni huwa sistema, mhux sejħa API.
Kejjel, ikkaxxja, agħmel lottijiet, evalwa kontinwament: erba’ drawwiet li jagħmlu l-applikazzjonijiet mgħaġġla, ħfief u affidabbli.