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 fallo en los sistemas LLM y los problemas específicos de Ollama más comunes
- Establecimiento de experimentos reproducibles y entornos controlados
- Kit de herramientas de depuración: registros locales, capturas de solicitud/respuesta y aislamiento (sandboxing)
Reproducción y aislamiento de fallos
- Técnicas para crear ejemplos de fallo mínimos y semillas
- Interacciones con estado vs. sin estado: aislamiento de errores relacionados con el contexto
- Determinismo, aleatoriedad y control del comportamiento no determinista
Evaluación de comportamiento y métricas
- Métricas cuantitativas: precisión, variantes de ROUGE/BLEU, calibración y proxies de perplejidad
- Evaluaciones cualitativas: puntuación con humano en el bucle y diseño de rúbricas
- Verificaciones 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 baselines de ejemplos dorados
- Integración de 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, tableros (dashboards) y SLIs/SLOs para servicios respaldados por modelos
Análisis avanzado de la causa raíz
- Trazabilidad a través de prompts graficados, llamadas a herramientas y flujos de múltiples turnos
- Diagnóstico comparativo A/B y estudios de ablación
- Origen de los datos, depuración de conjuntos de datos y abordaje de fallos inducidos por el conjunto de datos
Seguridad, robustez y estrategias de remediación
- Medidas de mitigación: filtrado, anclaje (grounding), aumento por recuperación y andamiaje de prompts
- Patrones de retroceso (rollback), canarios y despliegue por fases para actualizaciones de modelos
- Autopsias (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
- Familiaridad con los flujos de trabajo de Ollama y el alojamiento de modelos
- Dominio de Python, Docker y herramientas básicas de observabilidad
Público objetivo
- Ingenieros de IA
- Profesionales de MLOps
- Equipos de QA responsables de sistemas LLM en producción