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
- Resumen de los modos de falla en sistemas de LLM y problemas específicos de Ollama
- Establecimiento de experimentos reproducibles y entornos controlados
- Conjunto de herramientas de depuración: registros locales, capturas de solicitudes/respuestas y 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 del comportamiento y métricas
- Métricas cuantitativas: precisión, variantes de ROUGE/BLEU, calibración y proxy de perplejidad
- Evaluaciones cualitativas: puntuación humana en el circuito y diseño de rúbricas
- Comprobaciones de fidelidad específicas de 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 líneas base 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, paneles de control (dashboards) y SLIs/SLOs para servicios respaldados por modelos
Análisis avanzado de la causa raíz
- Trazado a través de prompts gráficos, llamadas a herramientas y flujos de múltiples turnos
- Diagnóstico comparativo A/B y estudios de ablación
- Procedencia de los datos, depuración de conjuntos de datos y solución de fallos inducidos por el conjunto de datos
Seguridad, robustez y estrategias de remediación
- Medidas de mitigación: filtrado, anclaje (grounding), aumento de recuperación (retrieval augmentation) y andamiaje de prompts
- Patrones de reversión (rollback), canary y despliegue gradual para actualizaciones de modelos
- Post-mortems, lecciones aprendidas y bucles de mejora continua
Resumen y próximos pasos
Requerimientos
- Sólida experiencia en el desarrollo e implementación de aplicaciones de LLM
- Conocimiento de los flujos de trabajo de Ollama y el alojamiento de modelos
- Dominancia en Python, Docker y herramientas básicas de observabilidad
Audiencia
- Ingenieros de IA
- Profesionales de ML Ops
- Equipos de control de calidad responsables de sistemas de LLM en producción