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
- Herramientas de depuración: registros locales, capturas de solicitud/respuesta y aislamiento (sandboxing)
Reproducción y aislamiento de fallos
- Técnicas para crear ejemplos mínimos fallidos y semillas reproductivas
- Interacciones con estado frente a sin estado: aislamiento de errores relacionados con el contexto
- Determinismo, aleatoriedad y control del comportamiento no determinista
Evaluación conductual y métricas
- Métricas cuantitativas: precisión, variantes ROUGE/BLEU, calibración y proxies de perplejidad
- Evaluaciones cualitativas: puntuación con participación humana y diseño de rúbricas
- Verificaciones de fidelidad específicas por tarea y criterios de aceptación
Pruebas automatizadas y regresión
- Pruebas unitarias para prompts y componentes, pruebas de escenario y 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
- Registros estructurados, trazas distribuidas e identificadores de correlación
- Métricas operativas clave: latencia, uso de tokens, tasas de error y señales de calidad
- Detección de alertas, paneles y SLIs/SLOs para servicios respaldados por modelos
Análisis avanzado de la causa raíz
- Trazabilidad a través de prompts graficados, llamadas a herramientas y flujos multironda
- Diagnóstico comparativo A/B y estudios de ablation
- 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 mediante recuperación y andamiaje de prompts
- Patrones de retroceso, lanzamiento en canario y despliegues por fases para actualizaciones de modelos
- Análisis post mortem, lecciones aprendidas y bucles de mejora continua
Resumen y próximos pasos
Requerimientos
- Sólida experiencia en la construcción y despliegue 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
Público objetivo
- Ingenieros de IA
- Profesionales de MLOps
- Equipos de QA responsables de sistemas LLM en producción
35 Horas