Ponte en Contacto
 Duración 35 horas

Temario del curso

Introducción y fundamentos del diagnóstico

  • Resumen de los modos de fallo 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 uso de entornos de pruebas aislados (sandboxing)

Reproducción e identificación de fallos

  • Técnicas para crear ejemplos mínimos de fallo y semillas
  • 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 proxies de perplejidad
  • Evaluaciones cualitativas: puntuación con intervención humana y diseño de rúbricas
  • Comprobaciones de fidelidad específicas para tareas 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, tableros de control (dashboards) y SLIs/SLOs para servicios respaldados por modelos

Análisis avanzado de la causa raíz

  • Seguimiento a través de prompts graficados, llamadas a herramientas y flujos de varios turnos
  • Diagnóstico comparativo A/B y estudios de ablación
  • Procedencia de los datos, depuración de conjuntos de datos y abordaje de fallos inducidos por el dataset

Seguridad, robustez y estrategias de remediación

  • Mitigaciones: filtrado, anclaje (grounding), aumento mediante recuperación (RAG) y andamiaje de prompts
  • Patrones de retroceso (rollback), implementación canary y despliegue gradual para actualizaciones de modelos
  • Autopsias de incidencias, lecciones aprendidas y ciclos de mejora continua

Resumen y próximos pasos

Requerimientos

  • Sólida experiencia en la construcción e implementación de aplicaciones LLM
  • Conocimiento de 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