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 LLM y problemas específicos de Ollama
- Establecimiento de experimentos reproducibles y entornos controlados
- Conjunto de herramientas de depuración: registros locales, capturas de solicitud/respuesta y aislamientos (sandboxing)
Reproducción y aislamiento de fallos
- Técnicas para crear ejemplos mínimos de falla y semillas (seeds)
- Interacciones con estado vs sin estado: aislar 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 intervención humana y diseño de rúbricas
- Verificaciones de fidelidad específicas de la tarea y criterios de aceptación
Pruebas automatizadas y regresión
- Pruebas unitarias para prompts y componentes, pruebas de escenario y de extremo a extremo
- Creación de suites de regresión y líneas base de ejemplos de referencia (golden examples)
- Integración de CI/CD para actualizaciones de modelos de Ollama y puertas de validación automatizadas
Observabilidad y monitoreo
- Registro estructurado, trazas distribuidas y IDs de correlación
- Métricas operativas clave: latencia, uso de tokens, tasas de error y señales de calidad
- Alertas, tableros (dashboards) y SLIs/SLOs para servicios respaldados por modelos
Análisis avanzado de causas raíz
- Seguimiento de prompts grafiados, llamadas a herramientas y flujos multirrode
- Diagnóstico comparativo A/B y estudios de ablación
- Procedencia de datos, depuración de conjuntos de datos y abordaje de fallos inducidos por el dataset
Seguridad, robustez y estrategias de remediación
- Medidas de mitigación: filtrado, anclaje (grounding), aumento de recuperación (retrieval augmentation) y andamiaje de prompts
- Patrones de reversión, canary y despliegue escalonado 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 LLM
- Familiaridad con los flujos de trabajo de Ollama y el alojamiento de modelos
- Dominio de Python, Docker y herramientas básicas de observabilidad
Público objetivo
- Ingenieros de IA
- Profesionales de MLOps
- Equipos de QA responsables de sistemas LLM en producción