Ponte en Contacto
 Duración 35 horas

Temario del curso

Introducción y Fundamentos del Diagnóstico

  • Resumen de los modos de fallo 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 de entorno (sandboxing)

Reproducción y Aislamiento de Fallas

  • Técnicas para crear ejemplos de fallo mínimos y semillas
  • Interacciones con estado vs. sin estado: aislamiento de errores relacionados con el contexto
  • Determinismo, aleatoriedad y control del comportamiento no determinista

Evaluación Comportamental y Métricas

  • Métricas cuantitativas: precisión, variantes de ROUGE/BLEU, calibración y aproximaciones de perplejidad
  • Evaluaciones cualitativas: puntuación humana en el proceso (human-in-the-loop) y diseño de rúbricas
  • Verificaciones de fidelidad específicas de la tarea y criterios de aceptación

Pruebas Automáticas 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 de 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 y SLIs/SLOs para servicios respaldados por modelos

Análisis Avanzado de la Causa Raíz

  • Trazado a través de prompts en grafo, 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 el conjunto de datos

Seguridad, Robustez y Estrategias de Remediación

  • Mitigaciones: filtrado, anclaje (grounding), aumento de recuperación y andamiaje de prompts (prompt scaffolding)
  • Patrones de reversión (rollback), canario y despliegue escalonado para actualizaciones de modelos
  • Analizar los hechos (post-mortems), lecciones aprendidas y ciclos 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
  • Facilidad 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