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 14 horas
Temario del curso
Soberanía de IA y despliegue local de LLM
- Riesgos de los LLM en la nube: retención de datos, entrenamiento con entradas, jurisdicción extranjera.
- Arquitectura de Ollama: servidor de modelos, registro y API compatible con OpenAI.
- Comparación con vLLM, llama.cpp y Text Generation Inference.
- Licenciamiento de modelos: términos de Llama, Mistral, Qwen y Gemma.
Instalación y configuración de hardware
- Instalación de Ollama en Linux con soporte para CUDA y ROCm.
- Respaldo solo de CPU y optimización AVX/AVX2.
- Despliegue con Docker y mapeo de volúmenes persistentes.
- Configuración de múltiples GPUs y estrategias de asignación de VRAM.
Gestión de modelos
- Descarga de modelos del registro de Ollama: ollama pull llama3.
- Importación de modelos GGUF desde HuggingFace y TheBloke.
- Niveles de cuantización: compensaciones de Q4_K_M, Q5_K_M, Q8_0.
- Cambio de modelos y límites de carga simultánea.
Modelfiles personalizados
- Sintaxis de Modelfile: FROM, PARAMETER, SYSTEM, TEMPLATE.
- Ajuste de temperatura, top_p y repeat_penalty.
- Ingeniería de prompts de sistema para comportamiento específico de rol.
- Creación y publicación de modelos personalizados en el registro local.
Integración de API
- Punto de acceso /v1/chat/completions compatible con OpenAI.
- Respuestas por streaming y modo JSON.
- Integración con LangChain, LlamaIndex y aplicaciones personalizadas.
- Autenticación y limitación de velocidad con proxy inverso.
Optimización de rendimiento
- Dimensionamiento de la ventana de contexto y gestión de la caché KV.
- Inferencia por lotes y procesamiento paralelo de solicitudes.
- Asignación de hilos de CPU y conciencia NUMA.
- Monitoreo del uso de GPU y la presión de memoria.
Seguridad y cumplimiento normativo
- Aislamiento de red para los puntos de acceso de servicio de modelos.
- Pipelines de filtrado de entrada y moderación de salida.
- Registro de auditoría de prompts y completados.
- Origen del modelo y verificación de hash.
Requerimientos
- Administración intermedia de Linux y contenedores.
- Comprensión de alto nivel del aprendizaje automático y los modelos transformer.
- Conocimiento de APIs REST y JSON.
Público objetivo
- Ingenieros y desarrolladores de IA que están reemplazando las APIs de LLM en la nube.
- Organizaciones con datos sensibles que impiden el uso de modelos en la nube.
- Equipos gubernamentales y de defensa que requieren modelos de lenguaje aislados de red (air-gapped).
