Ponte en Contacto
 Duración 35 horas

Temario del curso

Introducción y fundamentos del diagnóstico

  • Visión general 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 solicitudes/respuestas y aislamiento (sandboxing)

Reproducción y aislamiento de fallos

  • Técnicas para crear ejemplos de fallo mínimos y semillas
  • Interacciones con estado versus 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 y diseño de rúbricas
  • Comprobaciones de fidelidad específicas de la tarea y criterios de aceptación

Pruebas automatizadas y regresión

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

Observabilidad y supervisión

  • Registro estructurado, trazas distribuidas e 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 respaldados por modelos

Análisis avanzado de la causa raíz

  • Trazado a través de indicaciones (prompts) graficadas, llamadas a herramientas y flujos de varios turnos
  • Diagnóstico comparativo A/B y estudios de ablatión
  • Procedencia de los datos, depuración de conjuntos de datos y abordaje de fallos inducidos por el conjunto de datos

Seguridad, robustez y estrategias de remediación

  • Medidas de mitigación: filtrado, anclaje (grounding), aumento de recuperación y andamiaje de indicaciones (prompt scaffolding)
  • Patrones de reversión (rollback), canary y despliegue por fases para actualizaciones de modelos
  • Post-mortems, lecciones aprendidas y bucles de mejora continua

Resumen y próximos pasos

Requerimientos

  • Experiencia sólida en la construcción y el despliegue de aplicaciones de LLM
  • Familiaridad con los flujos de trabajo de Ollama y el alojamiento de modelos
  • Dominio 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