Llevar un prototipo de IA generativa a producción exige algo más que una API funcionando: requiere control de coste, latencia, calidad y seguridad de forma continua. Este curso enseña LLMOps de forma independiente de proveedor, aplicable a cualquier modelo o plataforma de IA.
Se trabajan pipelines de despliegue por fases, control de versiones de prompts y modelos, trazas de ejecución, evaluación automática y humana, detección de deriva de calidad y paneles de coste y latencia por funcionalidad.
El curso también cubre incidentes específicos de IA: respuestas de baja calidad, alucinaciones recurrentes, picos de coste y saturación de proveedor, con planes de rollback y degradación controlada para no interrumpir el servicio.
- Experiencia básica en desarrollo de software o administración de sistemas.
- Conocimientos de APIs, control de versiones y contenedores.
- Familiaridad con al menos una integración de IA generativa por API.
- Acceso a un entorno de despliegue propio (cloud o contenedores) para las prácticas.
- Duración: 30 horas distribuidas en 6 módulos.
- Alineación: Itinerario propio de Winnya sobre operación de sistemas de IA en producción (LLMOps), independiente de proveedor.
- Metodología: laboratorios guiados, retos aplicados y proyecto final.
- Evaluación: evidencias prácticas, revisión técnica y condición de superación del 80%.
- Resultado: portfolio de artefactos reutilizables y proyecto defendible.
Esta formación está dirigida a:
- Ingenieros de plataforma y DevOps que operan sistemas de IA.
- Desarrolladores que llevan prototipos de IA a producción.
- Equipos de SRE responsables de la fiabilidad de servicios de IA.
- Responsables técnicos que necesitan controlar coste y calidad de IA en producción.
Módulo 1. Fundamentos de LLMOps — 5 horas
- Ciclo de vida de una funcionalidad de IA generativa en producción.
- Diferencias con MLOps clásico: prompts, evaluación y coste variable.
- Métricas clave: latencia, coste por solicitud y calidad.
- Práctica aplicada: Inventario de métricas para una funcionalidad de IA existente.
Módulo 2. Versionado y despliegue de prompts y modelos — 5 horas
- Control de versiones de prompts, configuración y modelos.
- Despliegues por fases: canary, sombra y rollback.
- Pruebas de regresión antes de promover un cambio.
- Práctica aplicada: Pipeline de despliegue por fases de un cambio de prompt.
Módulo 3. Evaluación continua y detección de deriva — 5 horas
- Evaluadores automáticos y revisión humana muestreada.
- Conjuntos de regresión y alertas de caída de calidad.
- Detección de deriva de datos, uso y comportamiento del modelo.
- Práctica aplicada: Panel de evaluación continua con alertas de calidad.
Módulo 4. Observabilidad, trazas y coste — 5 horas
- Trazas de ejecución: tokens, latencia, herramientas y errores.
- Paneles de coste por funcionalidad, usuario o cliente.
- Correlación entre coste, latencia y calidad percibida.
- Práctica aplicada: Panel de observabilidad con trazas y coste por funcionalidad.
Módulo 5. Incidentes y resiliencia específicos de IA — 5 horas
- Saturación de proveedor, límites de tasa y degradación controlada.
- Alucinaciones recurrentes y planes de mitigación.
- Runbooks de incidentes específicos de sistemas de IA.
- Práctica aplicada: Runbook de incidente y ejercicio de degradación controlada.
Módulo 6. Proyecto final de operación de IA — 5 horas
- Sistema de IA con pipeline de despliegue, evaluación y observabilidad.
- Runbook de incidentes y política de rollback documentada.
- Panel operativo con coste, latencia y calidad en un solo lugar.
- Práctica aplicada: Sistema de IA operable en producción, documentado y defendido.
