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
- 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