Al finalizar el bootcamp, el estudiante estará en capacidad de:
• Comprender los fundamentos de MLOps y LLMOps, así como el ciclo de vida de modelos de Machine Learning y aplicaciones basadas en LLMs.
• Diseñar el ciclo de vida de una solución de inteligencia artificial, identificando sus componentes, herramientas, roles y procesos operativos.
• Gestionar el versionado de datasets, modelos, prompts, experimentos y artefactos, garantizando reproducibilidad, trazabilidad y control de cambios.
• Implementar registros de modelos y flujos de gestión de versiones utilizando herramientas como MLflow, DVC, Git y Weights & Biases.
• Automatizar procesos de entrenamiento, pruebas, validación y despliegue mediante pipelines de CI/CD.
• Aplicar herramientas como GitHub Actions, GitLab CI/CD, Jenkins y Docker en proyectos de inteligencia artificial.
• Evaluar respuestas generadas por LLMs, realizar pruebas de prompts y aplicar procesos de RAG Evaluation.
• Implementar observabilidad, trazabilidad y monitoreo de aplicaciones de IA mediante LangSmith, LangFuse, OpenTelemetry y Phoenix.
• Controlar métricas de calidad, consumo de tokens, costos y posibles alucinaciones de los modelos.
• Desplegar modelos y aplicaciones de IA utilizando Docker, Kubernetes, FastAPI y servicios cloud de AWS, Azure o Google Cloud.
• Implementar monitoreo de modelos, detección de Data Drift y Concept Drift, alertas, dashboards, logging y procesos de reentrenamiento.
• Desarrollar y presentar una solución completa MLOps/LLMOps como proyecto final.
Las actividades incluyen laboratorios prácticos, diseño de arquitecturas, implementación de pipelines, despliegue de servicios, configuración de observabilidad y desarrollo de un proyecto final funcional.
El bootcamp se desarrolla progresivamente en seis módulos:
Módulo 1: Fundamentos de MLOps y LLMOps
• Introducción a MLOps y LLMOps.
• IA tradicional e IA generativa.
• Ciclo de vida de modelos de Machine Learning.
• Ciclo de vida de aplicaciones basadas en LLMs.
• Roles dentro de un equipo MLOps.
• Arquitectura de soluciones de inteligencia artificial.
• Buenas prácticas para proyectos de IA.
• Herramientas del ecosistema MLOps.
• Laboratorio de diseño del ciclo de vida de un proyecto ML.
Módulo 2: Versionado y Gestión de Modelos
• Versionado de datasets y modelos.
• Gestión y versionado de prompts.
• Seguimiento de experimentos.
• Gestión de artefactos.
• Reproducibilidad de modelos.
• Model Registry.
• Gestión de versiones de aplicaciones de IA.
• MLflow, DVC, Git y Weights & Biases.
• Laboratorio de implementación de un flujo completo de versionado.
Módulo 3: Automatización y CI/CD para Machine Learning
• DevOps aplicado a inteligencia artificial.
• GitFlow para proyectos de Machine Learning.
• Pipelines de integración y entrega continua.
• Automatización del entrenamiento.
• Automatización de pruebas y validaciones.
• Infraestructura como código para proyectos de IA.
• GitHub Actions, GitLab CI/CD, Jenkins y Docker.
• Laboratorio de automatización del entrenamiento y despliegue.
Módulo 4: LLMOps, Observabilidad y Evaluación
• Arquitectura LLMOps.
• Evaluación de respuestas y prompts.
• Prompt Versioning y Prompt Testing.
• RAG Evaluation.
• Observabilidad de aplicaciones de IA.
• Trazabilidad y métricas de calidad.
• Control de tokens y costos.
• Gestión de alucinaciones.
• LangSmith, LangFuse, OpenTelemetry y Phoenix.
• Laboratorio de monitoreo de una aplicación basada en LLMs.
Módulo 5: Despliegue, Escalabilidad y Seguridad
• Docker y Kubernetes para aplicaciones de IA.
• Desarrollo de APIs con FastAPI.
• Inferencia en producción.
• Escalabilidad horizontal y balanceo de carga.
• Uso de recursos GPU y CPU.
• Seguridad y gestión de secretos.
• Protección de APIs y gobierno de modelos.
• Despliegue en AWS, Azure y Google Cloud.
• Laboratorio de despliegue completo de un servicio de IA.
Módulo 6: Monitoreo y Proyecto Final
• Model Monitoring.
• Data Drift y Concept Drift.
• Retraining automático.
• Alertas, dashboards y logging.
• Auditoría y optimización de costos.
• FinOps aplicado a inteligencia artificial.
• Buenas prácticas empresariales.
• Desarrollo y presentación del proyecto final.
Los estudiantes deben prestar especial atención a la integración entre versionado, automatización, despliegue y observabilidad, ya que estos procesos conforman un único ciclo operativo. El programa tiene una duración total de tres meses y 96 horas académicas.
El bootcamp se desarrolla bajo una metodología práctica y progresiva, mediante clases online en vivo, explicación de fundamentos, demostraciones técnicas, laboratorios guiados y desarrollo de un proyecto final.
Cada módulo combina contenidos conceptuales con actividades aplicadas. Los estudiantes diseñarán arquitecturas, configurarán herramientas, implementarán flujos de versionado, construirán pipelines de automatización, desplegarán servicios de inteligencia artificial y configurarán mecanismos de evaluación, observabilidad y monitoreo.
La metodología contempla:
• Clases online en vivo dirigidas por un docente especialista.
• Explicación progresiva de conceptos de MLOps y LLMOps.
• Demostraciones prácticas de herramientas y tecnologías.
• Laboratorios aplicados al finalizar cada módulo.
• Análisis del ciclo de vida completo de modelos y aplicaciones de IA.
• Implementación de pipelines de CI/CD.
• Despliegue de servicios mediante Docker, Kubernetes y FastAPI.
• Uso de plataformas cloud como AWS, Azure y Google Cloud.
• Evaluación y observabilidad de aplicaciones basadas en LLMs.
• Desarrollo de un proyecto final integrador.
El calendario se organiza progresivamente en seis módulos durante los tres meses del programa. Las clases se realizan los lunes y miércoles, de 7:30 p. m. a 10:00 p. m., hora Perú.
Como proyecto final, el estudiante desarrollará una solución MLOps/LLMOps que deberá incluir un modelo o aplicación basada en LLMs, versionado de datasets, modelos y prompts, automatización mediante CI/CD, despliegue con Docker y FastAPI, observabilidad, monitoreo, control de costos, seguridad y una presentación funcional de la arquitectura desarrollada.
El Bootcamp LLMOps / MLOps es un programa de formación orientado a comprender y gestionar el ciclo de vida de modelos de Machine Learning y aplicaciones basadas en modelos de lenguaje o LLMs, desde su desarrollo hasta su operación en entornos productivos.
A lo largo del programa, los estudiantes aprenderán a versionar datasets, modelos, prompts y experimentos; automatizar procesos de entrenamiento, validación y despliegue mediante CI/CD; implementar observabilidad y evaluación de aplicaciones de inteligencia artificial; y desplegar soluciones escalables utilizando contenedores, APIs y servicios cloud.
El programa tiene una duración de tres meses, con 96 horas académicas de clases online en vivo y un nivel básico a intermedio. No se establecen requisitos previos formales en el brochure. La formación integra conocimientos de Machine Learning, inteligencia artificial generativa, DevOps, automatización, cloud y observabilidad.
El bootcamp culmina con el desarrollo de una solución completa de MLOps o LLMOps que incluye versionado, automatización, despliegue, monitoreo, control de costos y seguridad.