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.
Temario del curso
Introducción y fundamentos del diagnóstico
- Visión general de los modos de fallo en sistemas LLM y problemas comunes específicos de Ollama
- Establecimiento de experimentos reproducibles y entornos controlados
- Set de herramientas de depuración: registros locales, capturas de solicitud/respuesta y sandboxing
Reproducción y aislamiento de fallos
- Técnicas para crear ejemplos mínimos que fallen y semillas reproducibless
- Interacciones con estado frente a sin estado: 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 aproximaciones de perplejidad
- Evaluaciones cualitativas: puntuación con intervención humana y diseño de rúbricas
- Controles de fidelidad específicos por tarea 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 CI/CD para actualizaciones de modelos 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, paneles de control y SLI/SLO para servicios respaldados por modelos
Análisis avanzado de la causa raíz
- Rastreo a través de prompts graficados, llamadas a herramientas y flujos multironda
- Diagnóstico comparativo A/B y estudios de ablación
- Procedencia de datos, depuración de conjuntos de datos y abordaje de fallos inducidos por el conjunto de datos
Seguridad, robustez y estrategias de remediación
- Mitigaciones: filtrado, fundamentación (grounding), aumento de la recuperación y andamiaje de prompts
- Patrones de reversión, prueba canario y lanzamiento progresivo para actualizaciones de modelos
- Post-mortems, lecciones aprendidas e iteraciones de mejora continua
Resumen y próximos pasos
Requerimientos
- Sólida experiencia en la creación e implementación de aplicaciones LLM
- Conocimiento de los flujos de trabajo de Ollama y el alojamiento de modelos
- Comodidad con Python, Docker y herramientas básicas de observabilidad
Audiencia
- Ingenieros de IA
- Profesionales de MLOps
- Equipos de QA responsables de sistemas LLM en producción
35 Horas