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
Fundamentos del control de lanzamientos mejorado con IA
- Comprensión de feature flags y entrega progresiva.
- Conceptos clave de pruebas canary y exposición gradual.
- Dónde la IA añade valor en los flujos de trabajo de lanzamiento.
Técnicas de aprendizaje automático para decisiones de despliegue
- Modelado de línea base del comportamiento del sistema y del usuario.
- Enfoques de detección de anomalías para alertas tempranas.
- Consideraciones sobre los datos de entrenamiento y los ciclos de retroalimentación.
Diseño de estrategias de feature flags impulsadas por IA
- Reglas dinámicas de flags informadas por señales de IA.
- Umbrales de exposición y puertas de puntuación automatizadas (score gates).
- Lógica adaptativa para aumentar, pausar o revertir.
Análisis canary asistido por IA
- Evaluación del rendimiento de canary frente a la línea base.
- Ponderación de métricas y creación de puntajes de riesgo basados en IA.
- Activación de rutas de decisión automatizadas.
Integración de modelos de IA en los pipelines de lanzamiento
- Incorporación de verificaciones de IA en etapas de CI/CD.
- Conexión de sistemas de feature flags con motores de ML (aprendizaje automático).
- Gestión de pipelines para flujos de trabajo híbridos (automatizados/manuales).
Monitoreo y observabilidad para la toma de decisiones con IA
- Señales necesarias para una inferencia de IA confiable.
- Recopilación de telemetría de rendimiento, crashes y comportamiento.
- Cierre del ciclo con aprendizaje continuo.
Gestión de riesgos y gobernanza operativa
- Garantizar la automatización responsable en las decisiones de lanzamiento.
- Definir condiciones de revisión humana y puntos de anulación (override).
- Auditoría de acciones de despliegue impulsadas por IA.
Escalar estrategias de despliegue basadas en IA entre productos
- Marcos de gobernanza multi-equipo.
- Componentes de ML reutilizables y estandarización de modelos.
- Normalización de telemetría entre productos.
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de CI/CD.
- Experiencia en el uso de feature flags o en pipelines de despliegue.
- Familiaridad con conceptos básicos de estadística o monitoreo de rendimiento.
Público objetivo
- Ingenieros de producto.
- Profesionales de DevOps.
- Ingenieros de lanzamientos (release engineers) y líderes técnicos.
