Ponte en Contacto
 Duración 35 horas

Temario del curso

Introducción y Fundamentos del Diagnóstico

  • Resumen de los modos de fallo en sistemas de LLM y problemas específicos de Ollama
  • Establecimiento de experimentos reproducibles y entornos controlados
  • Kit de herramientas de depuración: registros locales, capturas de solicitud/respuesta y sandboxing

Reproducción y Aislamiento de Fallos

  • Técnicas para crear ejemplos mínimos de fallo y semillas
  • Interacciones con estado frente a sin estado: aislamiento de errores relacionados con el contexto
  • Determinismo, aleatoriedad y control del comportamiento no determinista

Evaluación del Comportamiento y Métricas

  • Métricas cuantitativas: precisión, variantes de ROUGE/BLEU, calibración y proxies de perplejidad
  • Evaluaciones cualitativas: puntuación con intervención humana (human-in-the-loop) y diseño de rúbricas
  • Comprobaciones de fidelidad específicas de la tarea y criterios de aceptación

Pruebas Automatizadas y Regresión

  • Pruebas unitarias para prompts y componentes, pruebas de escenarios y de extremo a extremo
  • Creación de suites de regresión y líneas base de ejemplos dorados (golden examples)
  • Integración de CI/CD para actualizaciones de modelos Ollama y puertas de validación automatizadas

Observabilidad y Monitoreo

  • Registro estructurado, trazas distribuidas y IDs de correlación
  • Métricas operativas clave: latencia, uso de tokens, tasas de error y señales de calidad
  • Alertas, paneles de control (dashboards) y SLIs/SLOs para servicios basados en modelos

Análisis Avanzado de Causa Raíz

  • Trazado a través de prompts grafados, llamadas a herramientas y flujos de múltiples turnos
  • Diagnóstico comparativo A/B y estudios de ablatión
  • Procedencia de los datos, depuración de conjuntos de datos y abordaje de fallos inducidos por datos

Seguridad, Robustez y Estrategias de Remediación

  • Medidas de mitigación: filtrado, anclaje (grounding), aumento de recuperación (retrieval augmentation) y andamiaje de prompts
  • Patrones de reversión (rollback), canario y despliegue escalonado para actualizaciones de modelos
  • Analíticas post-mortem, lecciones aprendidas y bucles de mejora continua

Resumen y Próximos Pasos

Requerimientos

  • Sólida experiencia construyendo e implementando aplicaciones de LLM
  • Conocimiento de los flujos de trabajo de Ollama y el alojamiento de modelos
  • Manejo de Python, Docker y herramientas básicas de observabilidad

Público Objetivo

  • Ingenieros de IA
  • Profesionales de ML Ops
  • Equipos de QA responsables de sistemas de LLM en producción

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas