Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
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