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.
- Kit de herramientas de depuración: registros locales, capturas de solicitud/respuesta y aislamiento (sandboxing).
Reproducción y aislamiento de fallos
- Técnicas para crear ejemplos mínimos que fallen 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 de ROUGE/BLEU, calibración y proxies de perplejidad.
- Evaluaciones cualitativas: puntuación con intervención humana y diseño de rúbricas.
- Verificaciones de fidelidad específicas para 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 lineamientos basados en ejemplos dorados.
- Integración CI/CD para actualizaciones de modelos Ollama y puertas de validación automatizadas.
Observabilidad y monitorización
- Registros estructurados, trazas distribuidas e IDs de correlación.
- Métricas operativas clave: latencia, uso de tokens, tasas de error y señales de calidad.
- Alertas, paneles de control y SLI/SLO para servicios respaldados por modelos.
Análisis avanzado de la causa raíz
- Trazabilidad a través de prompts graficados, llamadas a herramientas y flujos de múltiples turnos.
- Diagnóstico comparativo A/B y estudios de ablação.
- 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 por recuperación y andamiaje de prompts.
- Patrones de reversión, despliegue canario y rollout gradual para actualizaciones de modelos.
- Análisis post-mortem, lecciones aprendidas y bucles de mejora continua.
Resumen y próximos pasos
Requerimientos
- Amplia experiencia construyendo e implementando aplicaciones de 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 ML Ops.
- Equipos de QA responsables de sistemas de LLM en producción.
35 Horas