MLOps local y despliegue de modelos
Aprende a llevar modelos abiertos de tu portátil a un servicio usable: llama.cpp, vLLM, LiteLLM, colas, caché, costes, observabilidad, evals y despliegue con límites claros.
Tu siguiente acción
Abre la primera misión, termina una práctica pequeña y guarda una evidencia. Si el curso te supera, vuelve a la ruta de inicio: no tienes que dominarlo todo hoy.
- 1 Abre una lección
- 2 Haz la misión
- 3 Guarda evidencia
confianza del cursoRevisión editorial del Necesita revisión · 3 fuentes primarias · catálogo editado el
Alcance: Serving local, vLLM, LiteLLM, routing híbrido, observabilidad, costes, colas y recuperación.
- Curso de operación.
- Fuentes de gateway y serving.
- Advertencias de VRAM, colas y costes.
Esta ficha no sustituye la prueba local de cada tutorial técnico. Si una lección incluye comandos, versiones, precios o plataformas externas, debe volver a contrastarse con sus fuentes oficiales antes de marcarse como probada.
Qué serás capaz de hacer
- Elegir un servidor de inferencia
- Añadir routing, límites y observabilidad
- Evaluar coste, latencia y fiabilidad
Una mini plataforma LLM privada con gateway, métricas y límites operativos.
Desarrolladores que quieren servir modelos abiertos de forma fiable.
- • Python y Docker básicos
- • Conocer inferencia local con Ollama o llama.cpp
Temario
Servir modelos4 lecciones
Operar con control5 lecciones
Proyecto final1 lección
Mapa completo de Aulafy
Cómo se relacionan todos los cursos
No es una lista que debas completar. Empieza por la base, elige un resultado y profundiza solo cuando tu proyecto necesite más control.
- 1Comprender
- 2Aplicar o construir
- 3Operar con confianza
Empieza aquí
Crea una base común: qué puede hacer la IA, cómo pedir resultados y cómo comprobarlos antes de especializarte.
Desde esta base puedes aplicar la IA a una tarea o aprender a construir con código.
Elige una aplicación
Convierte la base en un resultado visible: una web, una mejora de negocio, contenido o una experiencia interactiva.
Si necesitas mantener código, datos o infraestructura, continúa por la rama técnica.
Construye con código
Prepara el entorno, trabaja con agentes de programación y aprende a ejecutar modelos con control sobre tus proyectos.
Esta rama prepara los conocimientos necesarios para diseñar y operar sistemas de IA fiables.
Lleva sistemas a producción
Combina recuperación, agentes, evaluación, seguridad, despliegue y adaptación de modelos cuando el problema lo exija.
No es obligatorio completarlo todo: elige solo la pieza que tu sistema necesita y vuelve al mapa cuando crezca.