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 falla en sistemas 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 entornos aislados (sandboxing)
Reproducción e aislamiento de fallas
- Técnicas para crear ejemplos mínimos de falla y semillas (seeds)
- Interacciones con estado (stateful) vs. sin estado (stateless): 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 proxies de perplejidad
- Evaluaciones cualitativas: puntuación con humanos 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 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, tableros de control y SLI/SLO para servicios respaldados por modelos
Análisis avanzado de la causa raíz
- Trazado a través de prompts graficados, llamadas a herramientas y flujos de múltiples vueltas
- Diagnóstico comparativo A/B y estudios de ablación
- Procedencia de los datos, depuración de conjuntos de datos y abordaje de fallas inducidas por el conjunto de datos
Seguridad, robustez y estrategias de remediación
- Mitigaciones: filtrado, anclaje (grounding), aumento de recuperación y andamiaje de prompts (prompt scaffolding)
- Patrones de reversión (rollback), canarios y despliegue gradual para actualizaciones de modelos
- Post-mortems, lecciones aprendidas y bucles de mejora continua
Resumen y próximos pasos
Requerimientos
- Sólida experiencia construyendo e implementando aplicaciones de LLM
- Conocimiento de los flujos de trabajo de Ollama y el alojamiento de modelos
- Familiaridad con Python, Docker y herramientas básicas de observabilidad
Audiencia
- Ingenieros de IA
- Profesionales de ML Ops
- Equipos de QA responsables de sistemas LLM en producción