Contacta con nosotros

Temario del curso

Introducción y fundamentos del diagnóstico

  • Visión general de los modos de fallo en sistemas LLM y problemas comunes específicos de Ollama.
  • Establecimiento de experimentos reproducibles y entornos controlados.
  • Herramientas de depuración: registros locales, capturas de solicitud/respuesta y aislamiento (sandboxing).

Reproducción y aislamiento de fallos

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

Evaluación conductual y métricas

  • Métricas cuantitativas: precisión, variantes de ROUGE/BLEU, calibración y proximidades a la perplejidad.
  • Evaluaciones cualitativas: puntuación con intervención humana y diseño de rúbricas.
  • Verificaciones de fidelidad específicas para cada tarea y criterios de aceptación.

Pruebas automatizadas y regresión

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

Observabilidad y monitorización

  • Registros estructurados, trazas distribuidas e IDs de correlación.
  • Métricas operativas clave: latencia, uso de tokens, tasas de error y señales de calidad.
  • Alertas, paneles de control e indicadores SLI/SLO para servicios respaldados por modelos.

Análisis avanzado de la causa raíz

  • Trazado a través de prompts graficados, llamadas a herramientas y flujos multironda.
  • Diagnóstico comparativo A/B y estudios de ablación.
  • Procedencia de datos, depuración de conjuntos de datos y abordaje de fallos inducidos por estos.

Seguridad, robustez y estrategias de remediación

  • Mitigaciones: filtrado, anclaje (grounding), aumento mediante recuperación (retrieval augmentation) y andamiaje de prompts.
  • Patrones de reversión, despliegue piloto (canary) y despliegue por fases para actualizaciones de modelos.
  • Análisis post-mortem, lecciones aprendidas y bucles de mejora continua.

Resumen y próximos pasos

Requerimientos

  • Sólida experiencia en la creación e implementación de aplicaciones LLM.
  • Conocimiento de los flujos de trabajo de Ollama y el alojamiento de modelos.
  • Comodidad con Python, Docker y herramientas básicas de observabilidad.

Público objetivo

  • Ingenieros de IA.
  • Profesionales de MLOps.
  • Equipos de QA responsables de los sistemas LLM en producción.
 35 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas