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
Fundamentos de la depuración y evaluación en Mastra
- Comprensión de los modelos de comportamiento de los agentes y sus modos de fallo
- Principios básicos de depuración dentro de Mastra
- Evaluación de acciones deterministas y no deterministas de los agentes
Configuración de entornos para la prueba de agentes
- Configuración de arenas de pruebas (sandboxes) y espacios de evaluación aislados
- Captura de registros, trazas y telemetría para un análisis detallado
- Preparación de conjuntos de datos y *prompts* para pruebas estructuradas
Depuración del comportamiento de agentes de IA
- Seguimiento de las rutas de decisión y señales de razonamiento interno
- Identificación de alucinaciones, errores y comportamientos no deseados
- Uso de paneles de observabilidad para la investigación de causas raíz
Métricas de evaluación y marcos de referencia (*benchmarking*)
- Definición de métricas de evaluación cuantitativas y cualitativas
- Medición de la precisión, la consistencia y el cumplimiento contextual
- Aplicación de conjuntos de datos de referencia para evaluaciones repetibles
Ingeniería de fiabilidad para agentes de IA
- Diseño de pruebas de fiabilidad para agentes de ejecución prolongada
- Detección de deriva y degradación en el rendimiento de los agentes
- Implementación de salvaguardas para flujos de trabajo críticos
Procesos de garantía de calidad y automatización
- Creación de canalizaciones (pipelines) de QA para la evaluación continua
- Automatización de pruebas de regresión para las actualizaciones de los agentes
- Integración del QA con CI/CD y flujos de trabajo empresariales
Técnicas avanzadas para la reducción de alucinaciones
- Estrategias de *prompting* para reducir las salidas no deseadas
- Bucles de validación y mecanismos de autoverificación
- Experimentación con combinaciones de modelos para mejorar la fiabilidad
Informes, monitoreo y mejora continua
- Desarrollo de informes de QA y tarjetas de puntuación de los agentes
- Monitoreo del comportamiento a largo plazo y los patrones de error
- Iteración sobre los marcos de evaluación para sistemas en evolución
Resumen y próximos pasos
Requerimientos
- Comprensión del comportamiento de los agentes de IA y las interacciones con los modelos
- Experiencia en la depuración o prueba de sistemas de software complejos
- Familiaridad con herramientas de observabilidad o de registro de eventos (logging)
Público objetivo
- Ingenieros de garantía de calidad (QA)
- Ingenieros de fiabilidad de IA
- Desarrolladores responsables de la calidad y el rendimiento de los agentes
21 Horas
