Ponte en Contacto
 Duración 35 horas

Temario del curso

Introducción y fundamentos del diagnóstico

  • Visión general de los modos de falla en sistemas de 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 aislamiento (sandboxing)

Reproducción y aislamiento de fallos

  • Técnicas para crear ejemplos mínimos de fallo y semillas (seeds)
  • Interacciones con estado vs. 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 proxies de perplejidad
  • Evaluaciones cualitativas: puntuación con intervención humana y diseño de rúbricas
  • Comprobaciones 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 dorados
  • Integración de CI/CD para actualizaciones de modelos en 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 e SLI/SLO para servicios respaldados por modelos

Análisis avanzado de la causa raíz

  • Rastreo a través de prompts grafados, llamadas a herramientas y flujos de múltiples turnos
  • Diagnóstico comparativo A/B y estudios de ablación
  • Procedencia de datos, depuración de conjuntos de datos y abordaje de fallas inducidas por conjuntos de datos

Seguridad, robustez y estrategias de remediación

  • Medidas de mitigación: filtrado, anclaje, aumento de recuperación y andamiaje de prompts
  • Patrones de reversión, canaritos y despliegue escalonado para actualizaciones de modelos
  • Post-mortems, lecciones aprendidas y bucles de mejora continua

Resumen y próximos pasos

Requerimientos

  • Sólida experiencia en la construcción y despliegue de aplicaciones de LLM
  • Conocimiento de los flujos de trabajo de Ollama y el alojamiento de modelos
  • Facilidad para trabajar con Python, Docker y herramientas básicas de observabilidad

Público objetivo

  • Ingenieros de IA
  • Profesionales de ML Ops
  • Equipos de QA responsables de sistemas de LLM en producción

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas