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 de 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 solicitudes/respuestas y contenedores aislados (sandboxing).
Reproducción y Aislamiento de Fallos
- Técnicas para crear ejemplos mínimos fallidos y valores iniciales (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 proxies de perplejidad.
- Evaluaciones cualitativas: puntuación con intervención humana y diseño de rúbricas.
- Verificaciones de fidelidad específicas para la tarea y criterios de aceptación.
Pruebas Automatizadas y Regresión
- Pruebas unitarias para prompts y componentes, pruebas de escenarios y de extremo a extremo.
- Creación de conjuntos de regresión y líneas base de ejemplos dorados (golden examples).
- Integración con CI/CD para actualizaciones de modelos Ollama y puertas de validación automatizadas.
Observabilidad y Monitoreo
- Registro estructurado, trazas distribuidas e identificadores 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 la Causa Raíz
- Trazabilidad a través de prompts graficados, llamadas a herramientas y flujos multironda.
- Diagnóstico comparativo A/B y estudios de ablação.
- Procedencia de datos, depuración de conjuntos de datos y abordaje de fallos inducidos por los datos.
Seguridad, Robustez y Estrategias de Remediación
- Mitigaciones: filtrado, fundamentación (grounding), aumento mediante recuperación y andamiaje de prompts.
- Patrones de retroceso (rollback), implementación canaria y despliegues por fases para actualizaciones de modelos.
- Análisis post-mortem, lecciones aprendidas y bucles de mejora continua.
Resumen y Próximos Pasos
Requerimientos
- Sólida experiencia construyendo y desplegando aplicaciones de LLM.
- Conocimiento familiar con los flujos de trabajo de Ollama y el alojamiento de modelos.
- Comodidad manejando Python, Docker y herramientas básicas de observabilidad.
Público Objetivo
- Ingenieros de IA.
- Profesionales de ML Ops.
- Equipos de QA responsables de sistemas LLM en producción.
35 Horas