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 entornos aislados (sandboxing)
Reproducción y Aislamiento de Fallos
- Técnicas para crear ejemplos mínimos de falla y semillas (seeds)
- Interacciones con estado versus 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 métricas proxy de perplexidad
- 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 escenarios y de extremo a extremo
- Creación de suites de regresión y líneas base de ejemplos dorados (golden examples)
- Integración 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 (dashboards) e SLIs/SLOs para servicios respaldados por modelos
Análisis Avanzado de Causas Raíz
- Trazado a través de prompts graficados, llamadas a herramientas y flujos de múltiples turnos
- Diagnóstico comparativo A/B y estudios de ablación
- Procedencia de los datos, depuración de conjuntos de datos y abordaje de fallos inducidos por conjuntos de datos
Seguridad, Robustez y Estrategias de Corrección
- 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
- Analíticas post-mortem, lecciones aprendidas y bucles de mejora continua
Resumen y Próximos Pasos
Requerimientos
- Experiencia sólida en la construcción y despliegue de aplicaciones de LLM
- Conocimiento de los flujos de trabajo de Ollama y el alojamiento de modelos
- Manejo 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