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.
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