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.
- Alternativa solo con CPU y optimización AVX/AVX2.
- Despliegue con Docker y mapeo de volúmenes persistentes.
- Configuración multi-GPU y estrategias de asignación de VRAM.
Gestión de Modelos
- Descarga de modelos desde el registro de Ollama: ollama pull llama3.
- Importación de modelos GGUF desde HuggingFace y TheBloke.
- Niveles de cuantización: compromisos de Q4_K_M, Q5_K_M, Q8_0.
- Cambio de modelos y límites de carga de modelos concurrentes.
Archivos Modelfile Personalizados
- Escritura de la 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 compatible con OpenAI: /v1/chat/completions.
- Respuestas en streaming y modo JSON.
- Integración con LangChain, LlamaIndex y aplicaciones personalizadas.
- Autenticación y limitación de tasa con proxy inverso.
Optimización de Rendimiento
- Dimensionamiento de la ventana de contexto y gestión de la caché KV.
- Inferencia por lotes y manejo de solicitudes paralelas.
- Asignación de hilos de CPU y conciencia NUMA.
- Monitoreo de la utilización de GPU y presión de memoria.
Seguridad y Cumplimiento
- Aislamiento de red para puntos de acceso de servicio de modelos.
- Flujos de filtrado de entradas y moderación de salidas.
- Registro de auditoría de prompts y finalizaciones.
- Procedencia de modelos y verificación de hash.
Requerimientos
- Administración intermedia de Linux y contenedores.
- Comprensión de alto nivel de machine learning y modelos transformer.
- Conocimiento de APIs REST y JSON.
Público Objetivo
- Ingenieros y desarrolladores de IA que están reemplazando APIs de LLM en la nube.
- Organizaciones con sensibilidad de datos que impide el uso de modelos en la nube.
- Equipos de gobierno y defensa que requieren modelos de lenguaje aislados de la red (air-gapped).
