Ponte en Contacto
 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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas