Aula Virtual
CareerLab
Validación de certificados
Contacto
WhatsApp
Bootcamp
LLMOps / MLOps
Comprende los fundamentos de MLOps y LLMOps para diseñar, automatizar y gestionar el ciclo de vida completo de modelos de Machine Learning y aplicaciones basadas en LLMs en entornos productivos de forma segura, escalable y gobernada.
🚀 Implementa flujos de automatización, versionado de modelos, pipelines CI/CD, observabilidad, evaluación de RAG y despliegues robustos en la nube.
96h
Académicas
3 Meses
Duración
24 Julio
Inicio
Información General
Modalidad / Nivel
Clases online en vivo
Básico – Intermedio
3 meses · 96 horas académicas
Horario / Inicio / Canales
Martes y Viernes
7:30 pm – 10:00 pm (Hora Perú)
Inicio: Viernes 24 de Julio
Temario Académico — LLMOps / MLOps
Módulo 1: Fundamentos de MLOps y LLMOps
- • Introducción a MLOps y LLMOps
- • IA tradicional vs IA Generativa
- • Ciclo de vida de modelos ML
- • Ciclo de vida de aplicaciones con LLMs
- • Roles dentro de un equipo MLOps
- • Arquitectura de soluciones IA
- • Buenas prácticas para proyectos de IA
- • Herramientas del ecosistema MLOps
- • Laboratorio: Diseño del ciclo de vida de un proyecto ML
Módulo 2: Versionado y Gestión de Modelos
- • Versionado de datasets
- • Versionado de modelos
- • Gestión de prompts
- • Seguimiento de experimentos
- • Gestión de artefactos
- • Reproducibilidad de modelos
- • Registro de modelos y Model Registry
- • Gestión de versiones de aplicaciones IA
- • Herramientas: MLflow, DVC, Git, Weights & Biases
- • Laboratorio: Implementación de un flujo completo de versionado
Módulo 3: Automatización y CI/CD para Machine Learning
- • DevOps aplicado a IA
- • GitFlow para proyectos ML
- • Pipelines CI/CD
- • Automatización de entrenamiento
- • Automatización de pruebas y validación automática
- • Integración continua y entrega continua
- • Infraestructura como código para proyectos IA
- • Herramientas: GitHub Actions, GitLab CI/CD, Jenkins, Docker
- • Laboratorio: Pipeline automático para entrenamiento y despliegue
Módulo 4: LLMOps, Observabilidad y Evaluación
- • Arquitectura LLMOps
- • Evaluación de respuestas y evaluación automática de prompts
- • Prompt Versioning y Prompt Testing
- • RAG Evaluation
- • Observabilidad de aplicaciones IA
- • Trazabilidad y métricas de calidad
- • Métricas de costo y control de tokens
- • Gestión de alucinaciones
- • Herramientas: LangSmith, LangFuse, OpenTelemetry, Phoenix
- • Laboratorio: Monitoreo completo de una aplicación basada en LLM
Módulo 5: Despliegue, Escalabilidad y Seguridad
- • Docker para aplicaciones IA
- • Kubernetes para IA
- • APIs para modelos con FastAPI
- • Inferencia en producción
- • Escalabilidad horizontal y balanceo de carga
- • GPU y CPU
- • Seguridad en modelos IA y gestión de secretos
- • Protección de APIs y gobierno de modelos
- • Cloud: AWS, Azure, Google Cloud
- • Laboratorio: Despliegue completo de un servicio IA
Módulo 6: Monitoreo y Proyecto Final
- • Model Monitoring y Drift Detection (Data Drift, Concept Drift)
- • Retraining automático
- • Alertas, Dashboards y Logging
- • Auditoría y Cost Optimization
- • FinOps aplicado a IA
- • Buenas prácticas empresariales
- • Proyecto Final: Solución completa MLOps/LLMOps
🚀 Proyecto Final Integrador
Desarrollo de un modelo o aplicación basada en LLM con versionado de datasets, modelos y prompts, automatizado mediante flujos CI/CD. Realizarás el despliegue funcional con Docker y FastAPI en la nube, estructurando un ecosistema completo con monitoreo de rendimiento, observabilidad de respuestas, control estricto de costos y máxima seguridad.
