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
- Vista general de los modos de falla 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 e aislamiento de fallas
- Técnicas para crear ejemplos mínimos de falla y semillas de datos
- Interacciones con estado vs 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 perplexidad
- Evaluaciones cualitativas: puntuación con participación humana y diseño de rúbricas
- Comprobaciones de fidelidad específicas para tareas 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
- Integración CI/CD para actualizaciones de modelos de Ollama y puertas de validación automatizadas
Observabilidad y monitoreo
- 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 y SLIs/SLOs para servicios respaldados por modelos
Análisis avanzado de causa raíz
- Trazado de prompts gráficos, llamadas a herramientas y flujos de múltiples turnos
- Diagnóstico comparativo A/B y estudios de ablación
- Procedencia de datos, depuración de conjuntos de datos y abordaje de fallas inducidas por datos
Seguridad, robustez y estrategias de remediación
- Medidas de mitigación: filtrado, anclaje (grounding), aumento de recuperación y estructuración de prompts (scaffolding)
- Patrones de reversión (rollback), canary y despliegue gradual para actualizaciones de modelos
- Autopsias de incidentes (post-mortems), lecciones aprendidas y bucles de mejora continua
Resumen y próximos pasos
Requerimientos
- Sólida experiencia en la construcción y despliegue de aplicaciones de LLM
- Conocimiento de los flujos de trabajo de Ollama y el hospedaje de modelos
- Dominio de Python, Docker y herramientas básicas de observabilidad
Audiencia
- Ingenieros de IA
- Profesionales de ML Ops
- Equipos de QA responsables de sistemas de LLM en producción