BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//pretalx//pretalx.com//pycones-2026//talk//FJA9UV
BEGIN:VTIMEZONE
TZID:Europe/Madrid
BEGIN:STANDARD
DTSTART:20251108T000000
TZNAME:CET
TZOFFSETFROM:+0100
TZOFFSETTO:+0100
END:STANDARD
BEGIN:DAYLIGHT
DTSTART:20260329T030000
RDATE:20270328T030000
TZNAME:CEST
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
END:DAYLIGHT
BEGIN:STANDARD
DTSTART:20261025T030000
RDATE:20271031T030000
TZNAME:CET
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
SUMMARY:Diseñar para el fallo en tiempo real: qué pasa cuando tu LLM se 
 equivoca en el peor momento - Almudena Zhou Ramírez López\, Tamara Kadye
 ar
DTSTART;TZID=Europe/Madrid:20261108T112000
DTEND;TZID=Europe/Madrid:20261108T120000
DTSTAMP:20260726T231810Z
UID:pretalx-pycones-2026-FJA9UV@pretalx.com
DESCRIPTION:Cuando integras un LLM en una aplicación\, una parte de tu l
 ógica de negocio pasa a ser probabilística. El problema se complica en e
 scenarios de tiempo real: la latencia es estricta y no te puedes permitir 
 una segunda llamada al modelo para corregir la primera. Si el LLM se equiv
 oca\, hay que detectarlo y gestionarlo en el mismo turno.\n \nEn esta char
 la veremos los tipos de fallo más comunes en un sistema conversacional co
 n LLM: extracción incorrecta\, salidas casi válidas\, instrucciones igno
 radas\, fallos en el cliente\,... y las estrategias que aplicamos en produ
 cción para gestionarlos con restricciones de latencia. Como hilo conducto
 r\, un agente conversacional con llamadas reales.\n\nVeremos qué patrones
  funcionan\, cuáles parecen buena idea y no lo son\, y cuándo lo correct
 o es devolver el control a un humano. Cerraremos con una demo en vivo de a
 lgunas de las soluciones aplicadas.
LOCATION:Track 03 - Manychat
URL:https://pretalx.com/pycones-2026/talk/FJA9UV/
END:VEVENT
END:VCALENDAR