Ponte en Contacto
 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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas