Respuesta: B. Sin etiquetas previas de "fraude/no fraude", se recurre a técnicas no supervisadas que aprenden el patrón normal y detectan los puntos que se desvían de él.

Concepto clave: La diferencia entre tipos de aprendizaje está en los datos: supervisado usa etiquetas (la respuesta correcta), no supervisado busca estructura sin ellas y refuerzo aprende por prueba y error con recompensas. Es como el cajero de un banco que, sin lista de estafadores, sospecha de alguien solo porque retira 20 veces más de lo habitual: no sabe qué es fraude, sabe qué es "raro".

Truco para el examen: Las frases "sin etiquetas", "sin ejemplos previos" o "patrones desconocidos" delatan aprendizaje no supervisado. En AWS, detección de anomalías se asocia a algoritmos como Random Cut Forest y, cuando sí hay histórico etiquetado, a modelos supervisados en SageMaker AI (p. ej., XGBoost).

Respuesta: D. El modelo es demasiado simple para la complejidad real del problema: no logra ajustar ni siquiera los datos de entrenamiento.

Concepto clave: Underfitting = alto bias: el modelo no tiene capacidad para aprender el patrón. Es como intentar dibujar una curva usando solo una regla recta; por más que la acomodes, nunca va a calzar. Se corrige con un modelo más complejo, más features o más entrenamiento.

Truco para el examen: Busca "error alto incluso en entrenamiento" → underfitting. "Bueno en entrenamiento, malo en prueba" → overfitting. AWS suele poner ambos como opciones para ver si distingues en qué conjunto está el error.

Respuesta: A. Un falso positivo es una alarma incorrecta: el modelo predijo positivo cuando la realidad era negativa.

Concepto clave: Lee cada término en dos partes: "Verdadero/Falso" dice si el modelo acertó, y "Positivo/Negativo" dice qué predijo. Es como la alarma de un auto que suena porque pasó un gato: sonó (positivo) pero no había ladrón (falso). Si se roban el auto y la alarma no suena, eso es un falso negativo.

Truco para el examen: La segunda palabra siempre es lo que el modelo predijo. Relaciona: muchos FP bajan la precision; muchos FN bajan el recall. En casos médicos o de fraude, AWS suele preguntar cuál error es más costoso.

Respuesta: B. RMSE eleva los errores al cuadrado antes de promediar, por lo que los errores grandes pesan desproporcionadamente más que en MAE.

Concepto clave: Las métricas de regresión miden la distancia entre el valor predicho y el real. MAE es como contar cuántos minutos llegó tarde cada bus; RMSE es como un jefe que se molesta el cuadrado del retraso: un bus con una hora de atraso le pesa muchísimo más que varios con cinco minutos.

Truco para el examen: "Penalizar errores grandes" o "sensible a outliers" → RMSE (o MSE). "Robusto a outliers" → MAE. Si aparece F1, accuracy o AUC en una pregunta de regresión, descártalas: son de clasificación.

Respuesta: A. R² mide qué proporción de la variabilidad de los datos reales es explicada por las predicciones del modelo.

Concepto clave: Piensa en los precios de departamentos en Lima: varían mucho. Si tu modelo con metraje y distrito explica el 80% de esa variación, R² = 0.8; el 20% restante se debe a cosas que el modelo no captura (vista, antigüedad, etc.).

Truco para el examen: Asocia R² con "varianza explicada" o "bondad de ajuste". Es una métrica de regresión, junto con MAE, MSE y RMSE; no la confundas con métricas de clasificación.

Respuesta: C. Data Wrangler ofrece una interfaz visual para limpiar, transformar y preparar datos antes del entrenamiento.

Concepto clave: El ciclo de ML tiene etapas y cada componente de SageMaker cubre una: preparar datos (Data Wrangler), guardar features (Feature Store), entrenar y depurar (Debugger), explicar y detectar bias (Clarify). Data Wrangler es como la cocina donde lavas y picas los ingredientes antes de cocinar.

Truco para el examen: "Preparación visual", "transformar", "limpiar datos" o "pocas líneas de código" → Data Wrangler. Si dice "repositorio de features reutilizables" → Feature Store. Ojo: Data Wrangler hoy también está integrado en SageMaker Canvas.

Respuesta: C. Feature Store centraliza y versiona las features para que puedan reutilizarse consistentemente en entrenamiento e inferencia.

Concepto clave: Una feature es una variable ya procesada que el modelo usa (por ejemplo, "gasto promedio de los últimos 30 días"). Feature Store es como una despensa compartida: un equipo la prepara una vez y los demás la toman de ahí, en vez de que cada uno la calcule a su manera y con resultados distintos.

Truco para el examen: Palabras clave: "repositorio centralizado", "reutilizar features", "consistencia entre entrenamiento e inferencia" → Feature Store. "Etiquetar" → Ground Truth.

Respuesta: B. Pipelines permite definir y automatizar los pasos de un flujo de ML (preparación, entrenamiento, evaluación, despliegue).

Concepto clave: La orquestación es encadenar tareas en orden y de forma repetible. SageMaker Pipelines es como la línea de ensamblaje de una fábrica: cada estación hace su parte y el producto avanza solo, sin que alguien lo lleve a mano. Es la base de MLOps en SageMaker, junto con Model Registry.

Truco para el examen: "Orquestar", "flujo de trabajo", "CI/CD", "MLOps" o "automatizar pasos repetibles" → SageMaker Pipelines. No confundas con Step Functions, que es orquestación general de AWS.

Respuesta: D. Ambas sirven para entrenamiento, pero Trainium es un chip propio de AWS optimizado para ofrecer mejor costo-beneficio en cargas de entrenamiento a gran escala.

Concepto clave: AWS tiene chips propios para IA: Trainium (entrenamiento) e Inferentia (inferencia), que compiten en precio con las GPU. Es como elegir entre una camioneta todoterreno (GPU, sirve para casi todo) y un camión diseñado para un solo tipo de carga (Trainium, más eficiente en esa tarea).

Truco para el examen: Memoriza el par: Trn = Training, Inf = Inference. Si la pregunta pide "menor costo para entrenar" → Trainium; "menor costo para inferencia" → Inferentia.

Respuesta: C. Con lotes más pequeños se necesitan más iteraciones para completar una pasada por todos los datos.

Concepto clave: Un epoch es una pasada completa por el dataset; el batch size es cuántos ejemplos procesa el modelo antes de actualizar pesos; una iteración es procesar un batch. Es como trasladar 100 cajas: si cargas 10 por viaje haces 10 viajes; si cargas 5, haces 20.

Truco para el examen: Aplica la fórmula iteraciones = datos / batch size. Epoch, batch size y learning rate son hiperparámetros típicos del examen; no los confundas con parámetros de inferencia como temperature.

Respuesta: B. One-hot evita introducir una relación de orden falsa; label encoding puede ser problemático si el modelo interpreta los números como una escala.

Concepto clave: Los modelos solo entienden números, así que las categorías hay que codificarlas. Si codificas los distritos Miraflores=1, Surco=2, Comas=3, el modelo podría concluir que Comas "vale el triple" que Miraflores. One-hot crea tres columnas (es_Miraflores, es_Surco, es_Comas) y evita ese falso orden. Label encoding sí tiene sentido con categorías ordinales (bajo, medio, alto).

Truco para el examen: "Sin orden" o "nominal" → one-hot. "Ordinal" → label encoding. Recuerda que one-hot aumenta columnas; si una opción dice que las reduce, es falsa.

Respuesta: B. Escalar las features evita que variables con rangos numéricos mucho más grandes dominen el proceso de optimización sin motivo real, y ayuda a converger más rápido.

Concepto clave: Si una feature es el sueldo (S/ 1 000 a S/ 50 000) y otra la edad (18 a 80), muchos algoritmos (basados en distancias o en gradiente) le darán más peso al sueldo solo porque sus números son más grandes. Normalizar es como convertir todo a la misma moneda antes de comparar precios.

Truco para el examen: Normalización y escalado son técnicas de feature engineering en la etapa de preprocesamiento. Descarta opciones que le atribuyen efectos mágicos (crear datos, cambiar el tipo de problema, eliminar pasos del pipeline).

Respuesta: B. Autopilot automatiza la exploración de algoritmos e hiperparámetros (AutoML) para producir un modelo de buen desempeño sin configuración manual exhaustiva.

Concepto clave: AutoML automatiza las decisiones que normalmente toma un data scientist: qué algoritmo usar, cómo preprocesar y qué hiperparámetros probar. Es como pedirle a un chef que pruebe varias recetas con tus ingredientes y te diga cuál salió mejor. Hoy Autopilot se usa también por detrás de SageMaker Canvas.

Truco para el examen: "AutoML", "automáticamente el mejor modelo" o "sin experiencia en ML" → Autopilot (o Canvas si además dice no-code/interfaz visual para negocio).

Respuesta: D. Debugger inspecciona el entrenamiento en tiempo real para detectar anomalías técnicas del proceso de optimización.

Concepto clave: Entrenar un modelo grande puede tomar horas y costar mucho; si algo sale mal a mitad de camino, conviene saberlo pronto. Debugger es como el tablero de un auto que enciende una luz cuando el motor se recalienta, en vez de esperar a que se malogre en plena carretera.

Truco para el examen: "Durante el entrenamiento", "gradientes", "detener entrenamiento con problemas" → Debugger. "En producción", "drift" → Model Monitor. "Bias" o "explicabilidad" → Clarify.

Respuesta: B. La política es la función (aprendida) que mapea estados a acciones, definiendo el comportamiento del agente.

Concepto clave: En aprendizaje por refuerzo hay un agente, un entorno, estados, acciones y recompensas. La política es el "criterio" del agente, como el de un taxista que con la experiencia aprende qué ruta tomar según la hora y el tráfico para llegar más rápido (su recompensa). AWS DeepRacer fue el ejemplo clásico de RL en AWS (hoy retirado de la consola); en IA generativa, el refuerzo aparece en RLHF.

Truco para el examen: Asocia RL con: agente, entorno, recompensa, prueba y error, política. Si la pregunta menciona "recompensa" o "interacción con un entorno", es refuerzo, no supervisado.

Respuesta: C. Un modelo con muchas features y pocos datos tiende a memorizar particularidades del entrenamiento (alta varianza), generalizando mal.

Concepto clave: Overfitting es memorizar en lugar de aprender. Es como el alumno que se aprende de memoria las respuestas del solucionario: saca 20 en la práctica, pero en el examen con preguntas nuevas se jala. Se combate con más datos, regularización, menos features, early stopping o validación cruzada.

Truco para el examen: La pista es la brecha: "alto en entrenamiento, bajo en prueba/producción" → overfitting. Frases como "muchas más features que observaciones" o "dataset pequeño" refuerzan esa respuesta.

Respuesta: A y C. Ambos casos agrupan o detectan patrones sin usar etiquetas previas conocidas; los otros dos tienen una etiqueta o valor objetivo conocido, por eso son supervisados.

Concepto clave: Pregúntate: ¿existe una "respuesta correcta" en los datos de entrenamiento? Si la hay (spam sí/no, precio), es supervisado. Si no la hay y el modelo debe descubrir estructura por sí solo (grupos, rarezas), es no supervisado. Es como un supermercado que agrupa a sus clientes por hábitos de compra sin haberles puesto antes ninguna categoría.

Truco para el examen: Clustering, segmentación, detección de anomalías y reducción de dimensionalidad → no supervisado. Clasificación y regresión → supervisado. En preguntas de selección múltiple, clasifica cada opción por separado con esta regla.

Respuesta: A y C. Ambas transforman o preparan las variables de entrada; las otras dos son parámetros de entrenamiento o de inferencia, no feature engineering.

Concepto clave: Feature engineering es preparar los ingredientes antes de cocinar: crear, transformar o seleccionar variables (codificar categorías, escalar, extraer fecha/hora, combinar columnas). Los hiperparámetros, en cambio, son cómo regulas la cocina (fuego, tiempo) y los parámetros de inferencia afectan cómo se sirve el plato.

Truco para el examen: Separa en tres grupos: datos (feature engineering), entrenamiento (hiperparámetros como epochs, batch size, learning rate) e inferencia (temperature, top-p, top-k, max tokens). AWS mezcla los tres para confundirte.

Respuesta: A y B. Model Monitor detecta drift en producción; Clarify detecta bias y explica predicciones. Los otros dos son servicios de IA para voz y conversación, no de calidad de modelos.

Concepto clave: Un modelo no es "entrenar y olvidar": sus datos pueden estar sesgados y el mundo cambia después del despliegue. Clarify es el auditor que revisa si el modelo es justo y por qué decide lo que decide; Model Monitor es el vigilante que avisa cuando los datos de producción ya no se parecen a los de entrenamiento. Ambos trabajan juntos (Model Monitor usa Clarify para monitorear bias en producción).

Truco para el examen: "Bias" o "explicabilidad" → Clarify. "Drift" o "monitoreo en producción" → Model Monitor. Los servicios de IA de alto nivel (Polly, Lex, Transcribe, Translate) casi siempre son distractores en preguntas de gobernanza de modelos.

Respuesta: A y C. Pocos datos y/o un modelo demasiado complejo favorecen que el modelo memorice en vez de generalizar.

Concepto clave: El overfitting aparece cuando la capacidad del modelo supera lo que los datos pueden enseñarle. Es como darle a alguien solo tres fotos de perros para aprender qué es un perro: si es muy "detallista", aprenderá que un perro es "marrón, en un parque y con collar rojo". Se corrige con más datos, data augmentation, regularización, dropout o early stopping.

Truco para el examen: Overfitting = modelo complejo + pocos datos + entrenar demasiado. Underfitting = modelo simple + pocas features + entrenar muy poco. Si ves una opción "perfectamente calibrada", casi nunca es causa de un problema.

Respuesta: C. El system prompt establece el marco de comportamiento del modelo (tono, rol, reglas) independientemente de lo que escriba el usuario.

Concepto clave: En una app con LLM hay dos voces: la del desarrollador (system prompt) y la del usuario (user message). El system prompt es como la inducción que recibe un nuevo trabajador de atención al cliente: "eres amable, solo hablas de nuestros productos y nunca das datos personales". Luego cada cliente le hace sus preguntas.

Truco para el examen: "Definir el comportamiento, rol o reglas del asistente" → system prompt. En Amazon Bedrock, la API Converse tiene un campo system separado de los mensajes del usuario.

Respuesta: C. Cada ejemplo adicional consume tokens del prompt, con impacto directo en costo, latencia y en cuánto espacio de contexto queda disponible.

Concepto clave: Few-shot prompting es darle al modelo algunos ejemplos de entrada-salida dentro del prompt para que imite el formato. Es como enseñarle a alguien a llenar un formulario mostrándole dos o tres ya llenos: ayuda mucho, pero si le das cien, pierdes tiempo y el escritorio se llena de papeles (la context window).

Truco para el examen: En Bedrock pagas por tokens de entrada y salida, así que todo lo que alarga el prompt tiene un costo. El trade-off típico del examen: few-shot mejora la calidad, pero cuesta tokens; si necesitas cientos de ejemplos, evalúa fine-tuning.

Respuesta: C. Son roles distintos dentro de la estructura del prompt: uno fija el marco de comportamiento, el otro es el contenido conversacional del usuario.

Concepto clave: Las APIs de chat organizan la conversación por roles: system (instrucciones del desarrollador), user (lo que escribe la persona) y assistant (lo que respondió el modelo). Es como un guion de teatro: el director da indicaciones generales al actor (system) y luego el público hace preguntas (user) que el actor responde sin salirse del personaje.

Truco para el examen: Desconfía de opciones con restricciones inventadas ("solo una vez por cuenta") o absolutas ("siempre tiene prioridad"). Si alguien intenta que el user message anule el system message, eso se llama prompt injection y es un riesgo, no una característica.

Respuesta: D. Sin contexto relevante recuperado, el modelo puede recurrir a lo que "recuerda" de su preentrenamiento y generar una respuesta no verificable.

Concepto clave: RAG funciona en dos pasos: recuperar documentos relevantes (búsqueda en la base vectorial) y generar la respuesta con ellos. Si la búsqueda trae documentos que no tienen la respuesta, es como un estudiante al que le das los apuntes equivocados: en vez de decir "no sé", improvisa con seguridad. Se mitiga con instrucciones como "si no está en el contexto, di que no sabes" y con el contextual grounding check de Guardrails.

Truco para el examen: "Alucinación" es la respuesta estrella cuando falta contexto o información. La calidad de un RAG depende de la calidad de lo recuperado: basura entra, basura sale.

Respuesta: D. Fine-tuning ajusta los pesos del modelo usando ejemplos etiquetados específicos del caso de uso deseado.

Concepto clave: El fine-tuning es especializar a un modelo que ya sabe mucho, mostrándole ejemplos de cómo quieres que responda. Es como un médico general que hace una residencia en pediatría: ya sabe medicina, pero aprende con casos concretos (pregunta del paciente → respuesta correcta) a actuar como especialista.

Truco para el examen: Etiquetado (pares prompt/completion) → fine-tuning. Sin etiquetar, gran volumen de texto de dominio → continued pre-training. Si solo necesitas datos actualizados sin reentrenar → RAG.

Respuesta: C. Son dos técnicas de adaptación distintas: una amplía el conocimiento de dominio con datos no etiquetados, la otra ajusta un comportamiento específico con datos etiquetados.

Concepto clave: Ambas modifican los pesos del modelo, pero con datos distintos. Continued pre-training es como darle a alguien que ya habla castellano una biblioteca de textos legales para que se familiarice con la jerga; fine-tuning es entrenarlo con ejemplos concretos de consultas y respuestas bien redactadas para que aprenda a atender como abogado. Amazon Bedrock ofrece ambas opciones en su personalización de modelos.

Truco para el examen: "Datos sin etiquetar", "dominio", "terminología especializada" → continued pre-training. "Pares de entrada/salida", "tarea específica", "formato de respuesta" → fine-tuning.

Respuesta: D. Permite que una consulta en un idioma encuentre documentos relevantes escritos en otro, porque ambos comparten un mismo espacio vectorial semántico.

Concepto clave: Un embedding convierte un texto en una lista de números que representa su significado. En un modelo multilingüe, "perro" y "dog" quedan casi en el mismo punto del mapa, como si fueran dos direcciones que llevan a la misma casa. Por eso es clave para RAG con documentos en varios idiomas (por ejemplo, con Amazon Titan Text Embeddings o Cohere Embed Multilingual).

Truco para el examen: "Similitud semántica", "búsqueda por significado", "espacio vectorial" → embeddings. Si una opción dice "traducir" o "generar", no es lo que hace un embedding.

Respuesta: C. Cada paso de denoising refina la imagen partiendo de ruido aleatorio, guiado por la descripción textual, hasta llegar al resultado final.

Concepto clave: Un modelo de difusión aprende a "limpiar" imágenes con ruido. Para generar, empieza con estática pura (como la TV sin señal) y paso a paso va retirando ruido hasta revelar una imagen que coincide con el prompt, como un escultor que quita material hasta que aparece la figura. Más pasos suelen dar más detalle, pero toman más tiempo.

Truco para el examen: Difusión = generación de imágenes (Stable Diffusion, Amazon Titan Image Generator, Amazon Nova Canvas). Palabras como "ruido", "denoising" o "steps" apuntan a modelos de difusión, no a transformers de texto.

Respuesta: B. Más tokens de entrada implican más procesamiento, lo que generalmente incrementa tanto el costo como la latencia de la respuesta.

Concepto clave: Con los LLMs pagas "por palabra" (token). Es como un taxi con taxímetro: mientras más largo el recorrido, más pagas y más demoras en llegar. Tener una context window grande no significa que conviene llenarla siempre.

Truco para el examen: En Bedrock on-demand, el costo = tokens de entrada + tokens de salida por el precio de cada modelo. Descarta opciones con "siempre fijo" o "nunca depende": las palabras absolutas suelen ser trampa.

Respuesta: A. Permite dividir una tarea compleja en pasos más simples, donde la salida de un paso alimenta al siguiente prompt.

Concepto clave: En vez de pedir todo en un solo prompt enorme, divides el trabajo en etapas especializadas. Es como una cadena de producción de un restaurante: uno prepara la masa, otro pone los ingredientes y otro hornea; cada paso es más fácil de controlar y de corregir. En AWS puedes armarlo con Amazon Bedrock Flows o Step Functions.

Truco para el examen: "Varios pasos", "salida de uno como entrada del otro" → prompt chaining. No lo confundas con chain-of-thought, que es pedirle al modelo que razone paso a paso dentro de un solo prompt.

Respuesta: B. Grounding es el principio general (que la respuesta esté respaldada por hechos o contexto real); Guardrails ofrece una verificación automatizada concreta de ese principio.

Concepto clave: "Grounding" es mantener al modelo "con los pies en la tierra": que responda con base en fuentes y no invente. El contextual grounding check de Amazon Bedrock Guardrails evalúa dos cosas: grounding (¿la respuesta está sustentada en la fuente?) y relevance (¿responde a lo que se preguntó?), con umbrales configurables. Es como un editor que revisa que cada dato de una nota periodística esté en las fuentes citadas.

Truco para el examen: Si la pregunta habla de "detectar alucinaciones en RAG" o "respuestas no sustentadas en la fuente" dentro de Bedrock → contextual grounding check de Guardrails. Opciones con "reemplaza por completo" suelen ser falsas.

Respuesta: C. Es documentación de gobernanza y transparencia sobre el modelo, no una función operativa del sistema.

Concepto clave: Un Model Card es como la ficha técnica o el inserto de un medicamento: para qué sirve, cómo se probó, qué efectos secundarios tiene y cuándo no usarlo. Ayuda a auditores, reguladores y equipos a decidir si el modelo es adecuado. En SageMaker existe SageMaker Model Cards para documentar tus propios modelos, y AWS publica AI Service Cards para sus servicios y modelos.

Truco para el examen: "Documentar", "transparencia", "uso previsto", "limitaciones", "gobernanza" → Model Card. Si la opción describe una función técnica (facturar, traducir, ampliar contexto), no es un Model Card.

Respuesta: A. Un modelo open weight publica los parámetros entrenados, permitiendo que otros lo ejecuten o adapten fuera del control directo del proveedor original.

Concepto clave: Los "pesos" son lo que el modelo aprendió: el resultado del entrenamiento. Un modelo cerrado es como un plato de restaurante que solo puedes pedir ahí; uno open weight es como una receta publicada: la preparas en tu casa, la ajustas a tu gusto, pero igual debes respetar las condiciones de uso del autor. Ojo: open weight no siempre equivale a open source (no siempre publican el código de entrenamiento ni los datos).

Truco para el examen: "Descargar", "ejecutar en infraestructura propia", "control total del modelo" → open weight. Cuando pidan "mayor control/personalización y despliegue propio", un modelo open weight en SageMaker suele ser la respuesta.

Respuesta: B. Hay un trade-off entre la riqueza de la representación semántica y el costo computacional y de almacenamiento de vectores más grandes.

Concepto clave: La dimensión es cuántos números describen cada texto. Es como la resolución de una foto: más megapíxeles dan más detalle, pero la foto pesa más, ocupa más memoria en tu celular y tarda más en enviarse. Si guardas millones de vectores en una base vectorial (OpenSearch, Aurora con pgvector), la diferencia se nota en costo.

Truco para el examen: Cuando AWS pregunta "por qué no siempre más es mejor", la respuesta suele ser un trade-off de costo/latencia/almacenamiento. Descarta opciones con leyes o límites inventados.

Respuesta: A. Es común resumir o descartar los turnos más antiguos de la conversación para no exceder el límite de contexto disponible.

Concepto clave: Los LLMs no tienen memoria entre llamadas: en cada turno la aplicación reenvía el historial. Cuando el historial crece demasiado, se resume, como cuando le cuentas a un amigo que llegó tarde a la reunión "en resumen, ya decidimos X y Y" en vez de repetirle todo lo que se habló.

Truco para el examen: "Conversación larga" + "límite de context window" → truncar o resumir el historial (memoria resumida). Otras opciones válidas en la vida real son RAG sobre el historial o un modelo con contexto más grande, pero nunca quitar el system prompt ni tocar la temperature.

Respuesta: A. El SFT sobre instrucciones es un paso previo común a RLHF: orienta al modelo a seguir instrucciones antes del ajuste por refuerzo con feedback humano.

Concepto clave: Un LLM recién preentrenado solo sabe "completar texto"; no sabe comportarse como asistente. El proceso típico tiene tres etapas: preentrenamiento (leer muchísimo), SFT / instruction tuning (aprender con ejemplos a responder instrucciones) y RLHF (humanos califican respuestas y el modelo aprende qué prefieren). Es como un practicante: primero estudia, luego aprende con casos modelo y, al final, su jefe le da feedback sobre qué respuestas fueron mejores.

Truco para el examen: Orden a recordar: pre-training → SFT (instruction tuning) → RLHF. "Feedback humano" o "preferencias humanas" → RLHF; "ejemplos etiquetados de instrucciones" → SFT / instruction tuning.

Respuesta: A. En dominios de alto riesgo, la posibilidad de alucinaciones hace recomendable un filtro humano antes de que la información llegue al usuario final.

Concepto clave: Human-in-the-loop significa que una persona valida las salidas del modelo en los casos donde un error cuesta caro. Es como un médico residente que redacta un informe y el médico titular lo firma antes de entregarlo al paciente. En AWS se puede incorporar con flujos de aprobación propios o con evaluaciones con trabajadores humanos (p. ej., en Bedrock o SageMaker AI), sobre todo cuando la confianza del modelo es baja.

Truco para el examen: "Caso sensible", "alto riesgo", "médico/legal/financiero" → revisión humana. Descarta opciones que presentan una buena práctica como "requisito técnico obligatorio" de un servicio.

Respuesta: C. En la mayoría de proveedores, generar cada token de salida es al menos tan costoso (a menudo más) que procesar cada token de entrada, por el trabajo computacional adicional de generación.

Concepto clave: La entrada se procesa "de un solo golpe" en paralelo; la salida se genera token por token, cada uno dependiendo del anterior. Es como leer una carta (rápido) frente a escribirla a mano palabra por palabra (lento). Por eso limitar la longitud de la respuesta (max tokens) es una palanca directa de ahorro.

Truco para el examen: Para bajar costos en un LLM: prompts más cortos, respuestas más cortas (max tokens), un modelo más pequeño adecuado a la tarea, batch inference o prompt caching. Opciones con "siempre gratis" o "nunca se cobra" son trampa.

Respuesta: A. Es una técnica de prompt engineering: pedirle al modelo que adopte un rol ayuda a condicionar el estilo y el enfoque de sus respuestas, sin modificar el modelo.

Concepto clave: El modelo tiene conocimiento muy variado; el rol le indica qué "sombrero" ponerse. Es como pedirle a un amigo que te explique un contrato "como si fueras abogado" o "como si le hablaras a mi abuelita": sabe lo mismo, pero cambia cómo lo dice. Se suele colocar en el system prompt.

Truco para el examen: "Actúa como...", "eres un experto en..." → role prompting (o persona). Todas las técnicas de prompting (zero-shot, few-shot, chain-of-thought, role) NO modifican los pesos del modelo; si una opción dice "permanente", piensa en fine-tuning.

Respuesta: A y B. Ambos controlan cómo se muestrean los tokens candidatos durante la generación; los otros dos son un límite de tamaño y una opción de capacidad.

Concepto clave: Al generar, el modelo calcula una lista de posibles siguientes palabras con sus probabilidades. La temperature es como el ánimo de quien elige: con temperatura baja siempre va a lo seguro; con alta se anima a probar opciones menos obvias. Top-p y top-k recortan la lista antes de elegir: "solo considera las opciones más probables".

Truco para el examen: Parámetros de aleatoriedad: temperature, top-p, top-k. Parámetros de longitud: max tokens, stop sequences. Si la pregunta pide respuestas "más consistentes/deterministas", baja la temperature.

Respuesta: A, B y C. Anthropic, Cohere y Meta son proveedores clásicos de modelos fundacionales en Amazon Bedrock; los modelos Gemini de Google se ofrecen en su propia nube.

Concepto clave: Amazon Bedrock es como un centro comercial de modelos fundacionales: en un solo lugar y con una sola API encuentras modelos de varios proveedores, sin gestionar servidores. Entre los proveedores más citados en el examen están Amazon (Titan y Nova), Anthropic (Claude), Meta (Llama), Cohere, Mistral AI, AI21 Labs y Stability AI.

Truco para el examen: Memoriza la lista de proveedores de Bedrock. El distractor más habitual es un competidor de nube (Google, Microsoft/Azure, OpenAI como servicio de Azure). Si ves "Gemini" o "GPT" como opción de Bedrock en el examen, desconfía.

Respuesta: A y C. Zero-shot y few-shot son técnicas puramente de diseño del prompt; las otras dos sí actualizan los pesos del modelo mediante entrenamiento.

Concepto clave: Hay dos formas de adaptar un modelo: cambiar lo que le pides (prompting, RAG) o cambiar lo que el modelo es (fine-tuning, continued pre-training). Lo primero es como darle mejores indicaciones a un taxista; lo segundo es mandarlo a un curso para que aprenda rutas nuevas. Prompting es más barato y rápido; entrenar cuesta más, pero el cambio es permanente.

Truco para el examen: Orden típico de costo/esfuerzo de menor a mayor: prompt engineering → RAG → fine-tuning → continued pre-training → entrenar desde cero. Si la pregunta pide "sin modificar el modelo" o "menor esfuerzo", ve por prompting o RAG.

Respuesta: A y C. Cuantización y distillation reducen el tamaño o la complejidad efectiva del modelo usado en inferencia; las otras dos opciones tienden a aumentar el costo.

Concepto clave: La cuantización es como guardar una foto en menor calidad: pesa menos y casi no se nota la diferencia. La distillation es como un profesor experto que prepara a un practicante para que haga las tareas del día a día: el practicante no sabe todo, pero cuesta menos y resuelve rápido lo habitual.

Truco para el examen: "Reducir costo/latencia de inferencia" → cuantización, distillation, modelos más pequeños, prompts más cortos. Palabras como "siempre" y "sin importar la tarea" delatan distractores.

Respuesta: A y C. Una alucinación no detectada le entrega al usuario información falsa con total seguridad, y eso termina dañando la confianza en la empresa y su reputación.

Concepto clave: Una alucinación ocurre cuando el LLM genera contenido plausible pero no respaldado por hechos: el modelo predice palabras probables, no verifica la verdad. Es como un mozo nuevo que, por no quedar mal, te inventa que el plato 'no lleva maní' sin preguntar en cocina: suena seguro, pero el daño llega después. Se mitiga con RAG (respuestas ancladas a documentos), Guardrails con contextual grounding check y revisión humana en casos sensibles.

Truco para el examen: Si una opción habla de que el modelo 'deja de funcionar' o de un efecto automático en costos, descártala: las consecuencias reales de una alucinación son de negocio (información errónea, confianza, reputación, riesgo legal), no técnicas.

Respuesta: D. Amazon Transcribe convierte voz a texto y, en modo streaming, lo hace en tiempo real, ideal para subtítulos en vivo.

Concepto clave: Transcribe es el servicio de speech-to-text (ASR) de AWS. Tiene dos modos: por lotes (subes un archivo de audio y recibes la transcripción) y streaming (envías el audio mientras ocurre y recibes el texto casi al instante). Piensa en el intérprete de lengua de señas de un noticiero: acompaña la transmisión mientras sucede, no al día siguiente.

Truco para el examen: Memoriza la dirección: audio → texto = Transcribe; texto → audio = Polly; texto → otro idioma = Translate. Las palabras 'en vivo' o 'tiempo real' con audio apuntan a Transcribe streaming.

Respuesta: D. Amazon Rekognition incluye moderación de contenido para detectar automáticamente imágenes explícitas o de riesgo.

Concepto clave: Rekognition es el servicio de visión por computadora preentrenado: detecta objetos, escenas, rostros, texto en imágenes y contenido inapropiado. Su API de moderación devuelve etiquetas jerárquicas (p. ej., 'Violencia > Armas') con un puntaje de confianza, y puedes enviar a revisión humana los casos de baja confianza. Es como el filtro de seguridad en la entrada de un concierto, pero para las fotos que suben tus usuarios.

Truco para el examen: Si el enunciado dice 'imágenes' o 'video' + 'inapropiado/explícito/moderación', la respuesta es Rekognition. Si la moderación fuera sobre texto, pensarías en Comprehend o Guardrails.

Respuesta: C. Amazon Textract está diseñado para extraer texto, campos de formularios y tablas de documentos escaneados.

Concepto clave: Textract va más allá del OCR clásico: no solo reconoce letras, entiende que 'Monto: S/ 1,250' es un par clave-valor y que una cuadrícula es una tabla. Tiene APIs especializadas para formularios, tablas, facturas/recibos (AnalyzeExpense) e identificaciones (AnalyzeID). Imagínalo como un practicante que recibe una pila de formularios impresos y los tipea ordenadamente en un Excel.

Truco para el examen: 'Escaneado', 'formulario', 'factura', 'PDF', 'extraer campos o tablas' = Textract. La trampa típica es Comprehend: úsalo cuando ya tienes texto y quieres entender su significado, no para leer el documento.

Respuesta: B. Amazon Translate se encarga de la traducción automática de texto entre idiomas, el paso natural tras transcribir.

Concepto clave: Muchos casos del examen son pipelines que encadenan AI Services: Transcribe (audio → texto) → Translate (texto → otro idioma) → Polly (texto → voz). Es como una cadena de postas: cada servicio hace una sola cosa bien y le pasa el resultado al siguiente.

Truco para el examen: Cuando la pregunta dice 'a continuación' o 'siguiente paso', ubica en qué formato están los datos ahora (aquí: texto en un idioma) y qué transformación falta (otro idioma) = Translate.

Respuesta: D. Lex gestiona intenciones y flujo conversacional; Polly convierte las respuestas de texto a voz natural.

Concepto clave: Un IVR es el '¿En qué puedo ayudarte? Diga saldo o reclamo' de la central telefónica de tu banco. Lex (la misma tecnología de Alexa) se encarga de entender la intención ('quiero ver mi saldo'), pedir los datos que faltan (slots) y decidir qué responder; Polly le pone voz a esa respuesta. En producción suele integrarse con Amazon Connect como contact center.

Truco para el examen: 'Entender la intención' o 'chatbot/IVR' = Lex. 'Responder por voz' o 'texto a voz' = Polly. Si la combinación correcta incluye ambos verbos (entender + hablar), busca la pareja Lex + Polly.

Respuesta: B. Provisioned Throughput reserva capacidad dedicada, necesaria cuando el tráfico es alto, constante y requiere rendimiento garantizado.

Concepto clave: Bedrock tiene dos grandes formas de pagar la inferencia: On-Demand (pagas por token, capacidad compartida) y Provisioned Throughput (compras capacidad reservada por un tiempo, con o sin compromiso de 1 o 6 meses). Es como la diferencia entre tomar un taxi cuando lo necesitas y contratar una movilidad fija para tu empresa: la movilidad cuesta aunque no la uses, pero siempre está disponible a la hora punta.

Truco para el examen: 'Garantizar', 'consistente', 'alto volumen sostenido' o 'modelo personalizado/fine-tuned' = Provisioned Throughput. Descarta términos de EC2 (Spot, Reservadas) aplicados a Bedrock: son distractores.

Respuesta: D. Para tráfico impredecible y ocasional, pagar solo por lo usado (On-Demand) evita pagar capacidad reservada que no se aprovecha.

Concepto clave: El costo en IA generativa se decide mirando el patrón de tráfico. Con On-Demand pagas por token de entrada y salida; con Provisioned Throughput pagas por hora de capacidad reservada. Es como el plan del celular: si casi no usas datos, conviene recargar prepago cuando lo necesitas, no pagar un plan ilimitado mensual.

Truco para el examen: 'Impredecible', 'ocasional', 'startup', 'minimizar costos' = On-Demand. Si además dice 'no urgente y gran volumen', piensa en Batch inference, que es aún más barata.

Respuesta: A. Amazon Comprehend ofrece clasificación de texto lista para usar, sin entrenar ni gestionar un modelo propio.

Concepto clave: AWS organiza su IA en capas: AI Services (preentrenados, se consumen vía API: Comprehend, Rekognition, Textract…), plataformas de ML (SageMaker, para construir tus propios modelos) e IA generativa (Bedrock). Si el caso pide resolver una tarea común de NLP sin experiencia en ML, la capa de AI Services es la respuesta. Es como comprar un pan en la panadería en vez de montar tu propio horno.

Truco para el examen: 'Sin entrenar', 'sin gestionar modelo', 'lo más directo' o 'mínimo esfuerzo' apuntan a un AI Service. Texto → Comprehend. Descarta 'SageMaker desde cero' cuando la pregunta pide simplicidad.

Respuesta: D. Con los modelos disponibles por defecto, el control de qué modelo se puede invocar pasa por políticas de IAM o SCP que permitan o denieguen ese ARN concreto.

Concepto clave: AWS simplificó el antiguo paso de «Model access»: los modelos serverless quedan habilitados en la cuenta (algunos proveedores, como Anthropic, piden un formulario de caso de uso la primera vez y los de AWS Marketplace requieren permiso de suscripción). Por eso el gobierno se hace con permisos: es como un edificio con todas las puertas instaladas, donde la tarjeta de cada empleado (IAM) decide cuáles abre y la administración (SCP) puede clausurar una para todos.

Truco para el examen: Restringir modelos, proveedores o Regiones en Bedrock = IAM (cuenta) o SCP (organización). Un «AccessDenied» al invocar suele deberse a permisos de IAM/SCP o a la suscripción de Marketplace. Descarta correos al proveedor o cuentas por modelo.

Respuesta: A. El streaming muestra la respuesta progresivamente al usuario conforme se genera, mejorando la experiencia en tiempo real.

Concepto clave: En modo síncrono esperas a que el modelo termine todo el texto y recién lo recibes; en streaming recibes token por token. El tiempo total de generación es parecido, pero el tiempo hasta la primera palabra baja muchísimo. Es como ver un partido en vivo por TV en vez de esperar a que termine para ver la repetición completa: el partido dura lo mismo, pero lo vas viviendo desde el inicio.

Truco para el examen: Streaming = mejor experiencia de usuario / menor latencia percibida. Cualquier opción que diga que el streaming reduce costo, amplía el contexto o reemplaza controles de seguridad es un distractor.

Respuesta: B. Bedrock Knowledge Bases es RAG gestionado (ingesta, chunking, embeddings y recuperación); montar RAG sobre OpenSearch da más control, pero tú configuras la indexación y la búsqueda vectorial.

Concepto clave: En RAG, el retriever busca los fragmentos relevantes antes de que el LLM responda. Knowledge Bases es como contratar una biblioteca ya organizada: tú entregas los libros y ella los cataloga y busca. Montarlo sobre OpenSearch es armar tu propia biblioteca: la organizas como quieras, pero te toca definir estanterías, índices y reglas. OpenSearch (incluida su versión Serverless) es además el vector store más común detrás de Knowledge Bases; Aurora PostgreSQL (pgvector), Neptune y RDS for PostgreSQL son otras bases vectoriales del temario.

Truco para el examen: «Gestionado», «sin código de ingesta», «chunking y embeddings automáticos» = Knowledge Bases. «Vector database», «k-NN», «control/flexibilidad» = OpenSearch Service. Desconfía de opciones absolutas como «nunca» o «solo».

Respuesta: D. Amazon Comprehend incluye detección del idioma dominante de un texto como una de sus funciones de NLP.

Concepto clave: Comprehend es la navaja suiza del NLP en AWS: detecta idioma, entidades (personas, lugares, fechas), frases clave, sentimiento, PII, sintaxis y temas. Detectar el idioma antes de traducir es como que la recepcionista de un hotel en Cusco escuche primero al turista para saber si llamar al guía de inglés o al de francés. (Translate también puede autodetectar el idioma de origen, pero la función de análisis explícita es de Comprehend.)

Truco para el examen: 'Analizar texto' (idioma, sentimiento, entidades, PII) = Comprehend. Si la opción es un servicio de imágenes o de recomendaciones, descártala de inmediato.

Respuesta: A. Amazon SageMaker es la plataforma para construir, entrenar y desplegar modelos propios con control total, a diferencia de Bedrock, que ofrece modelos ya entrenados.

Concepto clave: Piensa en la diferencia entre cocinar desde cero y pedir delivery. SageMaker es tu cocina completa: eliges ingredientes (datos), receta (arquitectura) y horno (instancias). Bedrock es un restaurante con chefs de primer nivel: puedes pedir ajustes al plato (fine-tuning), pero no cambias la receta base. Q Business y Comprehend son soluciones ya servidas en la mesa, como mucho con algún ajuste.

Truco para el examen: «Desde cero», «arquitectura propia», «control total» = SageMaker. «Modelo fundacional de terceros», «sin gestionar infraestructura» = Bedrock.

Respuesta: A. Amazon Q Business se conecta a fuentes empresariales internas (SaaS, wikis, gestores documentales) para responder preguntas de los empleados.

Concepto clave: Q Business es un asistente de IA generativa 'listo para la empresa': indexa los repositorios internos, aplica RAG por debajo y respeta el control de acceso (un practicante no verá los documentos de gerencia). Es como tener un compañero veterano que ha leído todos los manuales, wikis y tickets de la empresa y te responde al toque, pero solo te muestra lo que tienes permiso de ver.

Truco para el examen: Q Business = empleados + datos internos + conectores + permisos. No lo confundas con Q Developer (asistente para programar) ni con Bedrock Knowledge Bases (el RAG que armas tú para tu propia aplicación).

Respuesta: D. Guardrails con denied topics permite bloquear por completo categorías de temas que el asistente no debe tratar.

Concepto clave: Bedrock Guardrails es una capa de control que revisa tanto la entrada del usuario como la salida del modelo. Sus políticas principales: content filters (odio, insultos, sexual, violencia, mala conducta, prompt attacks), denied topics, word filters (palabras prohibidas y profanidad), filtros de información sensible (PII) y contextual grounding check (contra alucinaciones). Los denied topics son como el cartel de 'aquí no se habla de política' en una reunión familiar: el tema se corta antes de empezar.

Truco para el examen: 'Evitar que hable de X tema' = denied topics. 'Contenido dañino/violento' = content filters. 'Datos personales' = filtros de PII. Todo eso vive en Guardrails, nunca en opciones de capacidad o evaluación.

Respuesta: B. AWS Cost Explorer y las métricas de CloudWatch permiten analizar y proyectar el gasto y el uso de Bedrock en el tiempo.

Concepto clave: Para controlar costos de IA generativa necesitas dos vistas: la de 'cuánto dinero' (Cost Explorer, AWS Budgets para alertas, etiquetas de asignación de costos) y la de 'cuánto uso' (métricas de CloudWatch como InputTokenCount, OutputTokenCount e Invocations). Es como revisar tu recibo de luz y, a la vez, el medidor de la casa: uno te dice cuánto pagas y el otro qué lo está consumiendo.

Truco para el examen: Pregunta sobre costos, presupuestos o gasto = Cost Explorer / Budgets; sobre métricas de uso o rendimiento = CloudWatch; sobre quién hizo qué llamada a la API = CloudTrail. Los AI Services (Rekognition, Personalize…) nunca son herramientas de gobierno financiero.

Respuesta: B. Rekognition estándar reconoce objetos genéricos predefinidos; Custom Labels permite entrenar reconocimiento de elementos específicos del negocio.

Concepto clave: Rekognition estándar sabe distinguir 'auto', 'perro' o 'botella', pero no sabe que esa botella es de tu marca de chicha morada. Custom Labels aplica transfer learning: partes del conocimiento que el modelo ya tiene y le enseñas tus propias etiquetas con unos cuantos cientos de imágenes, sin necesidad de ser experto en ML.

Truco para el examen: 'Genérico/predefinido' = Rekognition estándar. 'Específico del negocio', 'logo propio', 'piezas propias' = Rekognition Custom Labels. La palabra 'Custom' en el nombre del servicio es la pista.

Respuesta: C. Amazon SageMaker Canvas permite crear pronósticos de series de tiempo, como demanda o inventario, sin escribir código.

Concepto clave: Una serie de tiempo son datos ordenados por fecha (ventas diarias, visitas por hora). Pronosticar demanda es como el dueño de una bodega que, viendo cuánto vendió en diciembre de años anteriores, decide cuántos panetones pedir. Canvas automatiza eso con AutoML y tiene en cuenta la estacionalidad y variables relacionadas. Amazon Forecast cerró a clientes nuevos en 2024 y AWS recomienda Canvas como reemplazo.

Truco para el examen: «Pronosticar», «demanda», «próximos meses», «series de tiempo» + «sin código» = SageMaker Canvas (o SageMaker AI si piden control total). «Recomendar» = Personalize. Si ves Amazon Forecast, recuerda que ya no admite clientes nuevos.

Respuesta: C. Amazon CloudWatch recoge las métricas operativas del endpoint (latencia, invocaciones, errores) y permite crear alarmas sobre ellas.

Concepto clave: Monitorear un sistema de IA tiene varias miradas: rendimiento operativo (CloudWatch: métricas, logs y alarmas), auditoría de quién hizo qué (CloudTrail), cumplimiento de configuración (Config) y calidad del modelo (SageMaker Model Monitor, para drift). CloudWatch es como el tablero del auto: velocidad, temperatura y una luz que se enciende cuando algo se sale de rango.

Truco para el examen: «Métricas», «latencia», «alarmas», «logs», «en tiempo real» = CloudWatch. «Quién hizo la llamada a la API» = CloudTrail. «Configuración conforme a reglas» = Config. «Drift de datos o del modelo» = Model Monitor.

Respuesta: C. Un Bedrock Agent puede consultar una Knowledge Base para responder con datos propios y, además, ejecutar acciones mediante action groups.

Concepto clave: Knowledge Base = memoria documental (el asistente 'sabe' tus políticas y manuales). Agent = capacidad de actuar (consultar un pedido, reservar, crear un ticket). Juntos son como un asesor de banco que conoce el reglamento de memoria y además puede entrar al sistema para hacerte la transferencia. El Agent decide en cada paso si le conviene buscar en la Knowledge Base o invocar una acción.

Truco para el examen: Si el caso pide 'responder con documentos de la empresa' y 'ejecutar tareas/llamar APIs', la respuesta es Agent + Knowledge Base. Solo documentos = Knowledge Base; solo acciones en varios pasos = Agent.

Respuesta: A. En function calling, el LLM indica qué función invocar y con qué parámetros; la aplicación la ejecuta y le devuelve el resultado.

Concepto clave: Un LLM solo sabe lo que aprendió en su entrenamiento y no puede consultar sistemas por sí mismo. Con tool use le describes herramientas disponibles (nombre, para qué sirve, parámetros) y él decide cuándo usarlas. Es como un jefe que no toca la computadora: le dice a su asistente 'revisa el stock del producto 123', el asistente lo hace y le trae el dato. En Bedrock esto se hace con la Converse API (toolConfig) y es la base de los Agents.

Truco para el examen: La trampa clásica es creer que el modelo 'ejecuta' el código. Busca la opción donde el modelo indica y la aplicación ejecuta. Tool use tampoco modifica pesos: no es fine-tuning.

Respuesta: C. Cada paso intermedio de razonamiento o invocación del Agent consume tokens adicionales, aumentando el costo total.

Concepto clave: Los Agents siguen un patrón tipo ReAct: el modelo razona, decide una acción, ve el resultado y vuelve a razonar hasta terminar. Además, cada paso reenvía el contexto acumulado (instrucciones, historial, resultados), así que el consumo de tokens crece. Es como un taxi con taxímetro que hace varias paradas: cada desvío suma al monto final aunque solo te importe llegar al destino.

Truco para el examen: Si una opción dice 'sin costo adicional' o 'solo se cobra el resultado final', desconfía. Más pasos de razonamiento = más tokens = más costo y más latencia. Para bajar costos: prompts más concisos, modelos más pequeños o menos pasos.

Respuesta: A y C. Bedrock Knowledge Bases automatiza el chunking y la generación de embeddings como parte del RAG gestionado.

Concepto clave: Un flujo RAG tiene dos fases. Ingesta: leer documentos (p. ej., de S3), partirlos en chunks, generar embeddings y guardarlos en un vector store (OpenSearch Serverless, Aurora, etc.). Consulta: convertir la pregunta en embedding, buscar los chunks más parecidos y pasárselos al LLM como contexto. Knowledge Bases hace todo eso por ti. Es como un bibliotecario que corta cada libro en fichas, las ordena por tema y, cuando preguntas algo, te trae las fichas justas.

Truco para el examen: Knowledge Bases = RAG gestionado: ingesta, chunking, embeddings, almacenamiento vectorial y recuperación. Si una opción habla de 'entrenar el modelo', no es RAG: RAG agrega contexto sin cambiar los pesos.

Respuesta: A, B y D. Textract, Rekognition y Comprehend son AI Services preentrenados; SageMaker Studio es un entorno para construir y entrenar modelos propios.

Concepto clave: Recuerda la pila de IA de AWS: arriba, AI Services (preentrenados, consumo vía API, sin conocimiento de ML); en medio, SageMaker (herramientas para construir modelos propios); y en paralelo, Bedrock para IA generativa. Los AI Services son como electrodomésticos: los enchufas y funcionan. SageMaker Studio es el taller donde fabricas tu propio electrodoméstico.

Truco para el examen: 'Listo para usar', 'sin entrenar', 'preentrenado' = AI Services. Cualquier cosa con 'SageMaker' en el nombre (Studio, Training, Pipelines) indica que construyes tú, salvo que la pregunta hable de herramientas no-code como Canvas o JumpStart.

Respuesta: A y C. Bedrock Guardrails filtra contenido dañino y enmascara información personal identificable (PII).

Concepto clave: Guardrails es como el control de seguridad del aeropuerto aplicado al modelo: revisa lo que entra (el prompt del usuario) y lo que sale (la respuesta) según reglas que tú defines. Sus políticas: content filters, denied topics, word filters, filtros de PII, contextual grounding check y verificaciones de razonamiento automatizado. Un mismo guardrail puede aplicarse a varios modelos y aplicaciones.

Truco para el examen: Guardrails = controlar contenido (qué se dice), nunca entrenar ni escalar infraestructura. Si ves 'PII', 'dañino', 'tema prohibido' o 'grounding', piensa en Guardrails.

Respuesta: A y C. Batch inference reduce costos para grandes volúmenes cuando no se necesita una respuesta inmediata.

Concepto clave: En batch inference subes un archivo JSONL con muchos prompts a S3, Bedrock los procesa cuando puede y deja los resultados en otro bucket de S3. Es como llevar tu ropa a la lavandería por kilo: sale más barato que lavar prenda por prenda al instante, pero la recoges al día siguiente.

Truco para el examen: 'Grandes volúmenes', 'no urgente', 'nocturno', 'minimizar costo' = Batch inference. 'Tiempo real', 'chat en vivo', 'baja latencia' = invocación On-Demand (o streaming).

Respuesta: A y B. Amazon Connect provee la plataforma de contact center y Amazon Transcribe convierte las llamadas de voz a texto.

Concepto clave: Un pipeline de atención por voz necesita una 'central telefónica' (Connect) y 'oídos' que conviertan la voz en texto (Transcribe). Sobre eso se agregan Lex (entender intenciones), Polly (responder con voz), Comprehend o Contact Lens (sentimiento) y hasta Bedrock para resumir la llamada. Es la central de un call center moderno: el conmutador más un transcriptor automático que va tomando nota.

Truco para el examen: Llamadas, contact center, IVR = Connect; voz a texto = Transcribe. Los servicios de datos y analítica (Redshift, Glue, Athena) aparecen como distractores cuando la pregunta es sobre el flujo operativo en tiempo real.

Respuesta: A y C. Entrenar un modelo propio y tener control total sobre instancias y pipeline son razones para elegir SageMaker; el acceso serverless y la API unificada a modelos de terceros son ventajas de Bedrock.

Concepto clave: Regla mental: Bedrock = 'consumo' de modelos fundacionales vía API, serverless y con personalización ligera; SageMaker = 'construcción' con control total del ciclo de ML. Es como elegir entre alquilar un departamento amoblado (Bedrock: entras y vives) o construir tu casa (SageMaker: decides cada plano, pero te encargas de todo).

Truco para el examen: 'Control total', 'arquitectura personalizada', 'tipo de instancia', 'desde cero' = SageMaker. 'Sin infraestructura', 'serverless', 'varios proveedores', 'API única' = Bedrock. En preguntas de selección múltiple, las opciones de Bedrock suelen estar ahí como espejo para confundir.

Respuesta: B. Evaluar la equidad (fairness) implica comparar resultados entre grupos demográficos, controlando por variables relevantes.

Concepto clave: Fairness significa que el modelo no trate peor a un grupo sin razón legítima. Se mide con métricas de bias como diferencia en proporciones de resultados positivos (DPPL), disparate impact o diferencias en precisión entre grupos; SageMaker Clarify calcula muchas de ellas. Es como revisar si un profesor pone notas distintas a alumnos con exámenes parecidos solo por su apellido o distrito.

Truco para el examen: Si la pregunta es sobre discriminación o bias, la respuesta compara grupos. Las métricas de velocidad, costo o tamaño del dataset son distractores operativos.

Respuesta: A. SageMaker Clarify puede ejecutarse antes del entrenamiento (bias en los datos) y después (bias en las predicciones y explicabilidad).

Concepto clave: Clarify acompaña todo el ciclo de vida: 1) antes de entrenar, revisa si los datos están desbalanceados (p. ej., 90 % de ejemplos de un solo género); 2) después de entrenar, revisa si las predicciones favorecen a un grupo y explica con valores SHAP qué variables pesan más; 3) en producción, junto con Model Monitor, detecta si el bias o la importancia de variables cambian con el tiempo. Es como un control de calidad en cada etapa de una fábrica, no solo al final de la línea.

Truco para el examen: Clarify = bias + explicabilidad, en cualquier etapa. Desconfía de opciones con 'solo', 'únicamente' o 'nunca'. Si la pregunta menciona 'SHAP' o 'importancia de variables', también es Clarify.

Respuesta: A. Los AI Services de AWS se documentan con AWS AI Service Cards; los modelos entrenados a medida se documentan con SageMaker Model Cards.

Concepto clave: La diferencia está en quién construyó el modelo. Si lo hizo AWS (Rekognition, Textract, Titan…), AWS publica la AI Service Card, como la ficha técnica que viene con un electrodoméstico. Si lo entrenaste tú, te toca llenar la Model Card en SageMaker: uso previsto, datos de entrenamiento, métricas, riesgos y limitaciones, como la historia clínica de tu propio modelo.

Truco para el examen: 'Servicio de AWS / preentrenado' = AI Service Card (responsabilidad de AWS). 'Mi modelo / entrenado a medida' = SageMaker Model Card (responsabilidad del cliente). Es una aplicación del modelo de responsabilidad compartida a la documentación.

Respuesta: A. Safety by design es incorporar la seguridad y la prevención de daños desde el diseño inicial del sistema, no como una capa añadida al final.

Concepto clave: Es un principio preventivo, igual que en la construcción: en Lima las normas antisísmicas se consideran en los planos, no después del primer temblor. En IA implica preguntarse desde el inicio quién podría salir perjudicado, cómo podría abusarse del sistema y qué controles hacen falta, y documentarlo.

Truco para el examen: 'By design', 'desde el inicio', 'proactivo' son las pistas. Descarta opciones reactivas ('después de un incidente') o que trasladan la responsabilidad al usuario.

Respuesta: B. El red teaming consiste en probar deliberadamente el sistema con entradas adversariales para descubrir vulnerabilidades antes del lanzamiento.

Concepto clave: El término viene de los ejercicios militares y de ciberseguridad: el 'equipo rojo' juega a ser el atacante. En IA generativa se prueba si el modelo filtra datos, se salta sus guardrails o genera contenido dañino ante prompts maliciosos. Es como contratar a alguien para que intente entrar a tu casa y así saber qué cerradura falla, antes de que lo haga un ladrón de verdad.

Truco para el examen: 'Adversarial', 'ataque simulado', 'antes del lanzamiento', 'descubrir vulnerabilidades' = red teaming. Si la opción lo describe como servicio o entrenamiento, es un distractor.

Respuesta: D. El concept drift es el cambio con el tiempo de la relación entre las variables de entrada y el resultado, lo que exige monitoreo y posible reentrenamiento.

Concepto clave: Un modelo aprende patrones de datos pasados. Si el mundo cambia (una pandemia, una nueva regulación, otros hábitos de compra), esos patrones dejan de ser válidos. Ejemplo: un modelo que predecía la afluencia a restaurantes antes de 2020 dejó de servir con las restricciones. Se diferencia del data drift (cambia la distribución de las entradas) aunque ambos se detectan con monitoreo continuo, como SageMaker Model Monitor.

Truco para el examen: 'Con el tiempo', 'en producción', 'el modelo pierde precisión' = drift → monitorear y reentrenar. Si la pregunta menciona buen desempeño en entrenamiento y malo con datos nuevos desde el inicio, eso es overfitting, no drift.

Respuesta: A. Un equipo diverso tiene más probabilidades de identificar puntos ciegos, supuestos erróneos o sesgos que un equipo homogéneo pasaría por alto.

Concepto clave: Los sesgos no solo están en los datos, también en las decisiones humanas: qué datos recolectar, qué variables usar, qué se considera 'éxito'. Por ejemplo, un equipo que solo vive en Lima podría no notar que su modelo de reconocimiento de voz falla con el acento de Puno o con usuarios quechuahablantes. La diversidad es un mecanismo de mitigación de bias, junto con datos representativos y herramientas como Clarify.

Truco para el examen: En preguntas de IA responsable, las opciones que minimizan un factor humano ('no tiene relevancia', 'solo es legal') casi siempre son incorrectas. Diversidad + inclusión = mitigación de bias.

Respuesta: D. Una AI impact assessment evalúa riesgos potenciales (bias, privacidad, seguridad) antes de desplegar un sistema en dominios sensibles.

Concepto clave: Es como el estudio de impacto ambiental que se exige antes de construir una mina o una carretera: antes de afectar a personas reales, analizas qué podría salir mal, a quién afectaría y cómo lo mitigarías. En IA de alto riesgo esto incluye evaluar la equidad del modelo, el manejo de datos personales, la necesidad de revisión humana y los mecanismos de apelación.

Truco para el examen: 'Antes del despliegue' + 'alto riesgo' + 'evaluar riesgos' = impact assessment. Descarta opciones que la reducen a costo, velocidad o trámite opcional.

Respuesta: C. Un Model Card debe actualizarse cuando el modelo se reentrena, cambian sus datos o se detectan nuevas limitaciones: es un documento vivo.

Concepto clave: El Model Card es como la historia clínica de un paciente: no se escribe una sola vez al nacer, se actualiza en cada control, diagnóstico o tratamiento. Registra uso previsto, datos de entrenamiento, métricas de evaluación, consideraciones éticas y limitaciones; si cualquiera de esos elementos cambia, el documento debe reflejarlo para que auditores y usuarios confíen en él.

Truco para el examen: 'Documento vivo', 'reentrenamiento', 'nuevas limitaciones' son las pistas. En gobernanza, toda opción con 'nunca' o 'solo una vez' suele ser incorrecta.

Respuesta: A. Escalar a revisión humana es transferir la decisión final a una persona cuando el sistema detecta baja confianza o un caso sensible.

Concepto clave: Es el mecanismo de human-in-the-loop: la IA resuelve lo rutinario y deriva lo difícil. En la práctica se fija un umbral de confianza (p. ej., en Textract o Rekognition) y lo que queda por debajo pasa a una cola de revisión humana. Es como un cajero de banco que atiende operaciones normales pero llama al supervisor cuando alguien quiere retirar un monto inusual.

Truco para el examen: 'Baja confianza', 'caso sensible', 'alto impacto', 'decisión final' = human-in-the-loop. Descarta opciones que hablan de parámetros de inferencia (temperature) o de entrenar el modelo.

Respuesta: B. El profanity filter de Bedrock Guardrails detecta y bloquea lenguaje vulgar u ofensivo en la entrada o en la salida del modelo.

Concepto clave: Guardrails combina varias capas de control de contenido: filtros por categoría (odio, insultos, sexual, violencia, mala conducta, ataques de prompt) con niveles de intensidad; filtros de palabras, que incluyen un filtro de profanidad administrado por AWS y listas personalizadas; temas denegados; y filtros de PII. El filtro de profanidad es como el 'bip' que tapa las lisuras en la televisión, tanto si las dice el invitado como el conductor.

Truco para el examen: Guardrails siempre revisa entrada y salida. 'Lenguaje vulgar/lisuras' = filtro de profanidad; 'palabras específicas de mi negocio' = lista personalizada de palabras. Descarta opciones de rendimiento, costo o región.

Respuesta: B. La explicabilidad permite demostrar ante un regulador qué factores influyeron en una decisión automatizada específica.

Concepto clave: Hay dos niveles de explicación: global (qué variables importan en general al modelo) y local (por qué esta persona recibió este resultado). Las auditorías suelen pedir la local. Herramientas como SageMaker Clarify usan valores SHAP para calcularla. Es como cuando el banco te rechaza un préstamo: tienes derecho a saber que fue por tu nivel de endeudamiento y no por tu apellido o distrito.

Truco para el examen: 'Regulador', 'auditoría', 'justificar una decisión' = explicabilidad (Clarify/SHAP). Explicabilidad y Model Cards son complementarias; una opción que diga que una 'reemplaza' a la otra suele ser falsa.

Respuesta: A y C. Fairness y Explainability son dimensiones reconocidas de la IA responsable; latencia y costo son consideraciones operativas.

Concepto clave: AWS define como dimensiones de la IA responsable: fairness, explainability, privacy and security, safety, controllability, veracity and robustness, governance y transparency. Piénsalo como los valores de una buena institución: no hablan de qué tan rápido atiende ni de cuánto cuesta, sino de si trata a todos con justicia, rinde cuentas y protege a las personas.

Truco para el examen: Si la opción suena a métrica técnica u operativa (latencia, costo, throughput), no es una dimensión de IA responsable. Busca los términos del listado de AWS.

Respuesta: A y C. Curar datos representativos y detectar el bias antes de entrenar con SageMaker Clarify atacan de forma preventiva la causa del sesgo.

Concepto clave: El modelo aprende lo que ve: si en los datos históricos casi solo se aprobaban créditos a un perfil, el modelo repetirá esa preferencia. Por eso la mitigación empieza por los datos (más representatividad, balanceo, revisión de etiquetas) y por medir con herramientas como Clarify antes y después de entrenar. Es como una encuesta electoral: si solo preguntas en un distrito, el resultado no representará a todo el país, por más fórmulas que apliques después.

Truco para el examen: Mitigar bias = datos representativos + medición (Clarify) + monitoreo + equipos diversos + revisión humana. Los parámetros de inferencia (temperature, top-p) nunca son la respuesta para corregir bias.

Respuesta: A y B. Model Cards aporta transparencia (documenta qué hace el modelo y sus límites) y Clarify aporta detección de sesgo y explicabilidad; ambas son herramientas de IA responsable.

Concepto clave: La IA responsable en AWS se apoya en herramientas que documentan (SageMaker Model Cards, AI Service Cards), detectan sesgo y explican (Clarify), supervisan en producción (Model Monitor), filtran contenido (Bedrock Guardrails) y ponen a una persona en el circuito (revisión humana). Es como la ficha técnica de un medicamento más el control de calidad que verifica que funcione igual para todos los pacientes.

Truco para el examen: Que un servicio sea de IA no lo convierte en herramienta de IA responsable: Polly, Rekognition o Transcribe son servicios de IA, no de gobernanza. Busca palabras como documentar, transparencia, revisión humana, sesgo, explicabilidad.

Respuesta: C. Amazon Inspector es el servicio de gestión de vulnerabilidades: revisa EC2, contenedores y Lambda contra bases de CVE conocidas.

Concepto clave: Cada servicio de seguridad responde a una pregunta distinta: Inspector, ¿mi software tiene huecos conocidos?; Macie, ¿tengo datos sensibles expuestos en S3?; Config, ¿mis recursos están configurados según las reglas?; Artifact, ¿dónde descargo los certificados de cumplimiento de AWS?. Inspector es como la revisión técnica del auto: busca piezas con fallas conocidas.

Truco para el examen: Las palabras vulnerabilidades, CVE o parches de software apuntan a Inspector. Si ves PII o datos sensibles en S3, es Macie.

Respuesta: A. Config vigila el estado y el cumplimiento de la configuración de los recursos; CloudTrail registra las acciones (llamadas API) con autor y hora.

Concepto clave: Piensa en un edificio: CloudTrail es el cuaderno del vigilante que anota quién entró, a qué hora y qué hizo; Config es el inspector que recorre el edificio y verifica que las puertas cortafuego estén cerradas y que nada haya cambiado respecto a la norma. Juntos dan una auditoría completa.

Truco para el examen: Si el enunciado dice quién hizo qué y cuándo, auditoría de llamadas API o actividad de usuarios, es CloudTrail. Si dice cumplimiento de configuración, reglas o historial de cambios de un recurso, es Config.

Respuesta: D. Una resource policy se adjunta al recurso (no a la identidad) y define quién puede acceder a ese recurso concreto, incluso desde otras cuentas.

Concepto clave: En IAM hay dos miradas: la política basada en identidad dice qué puede hacer este usuario o rol; la política basada en recursos dice quién puede usar este recurso. Es como la diferencia entre el fotocheck de un empleado (a dónde puede entrar él) y la lista de invitados pegada en la puerta de una sala (quiénes pueden entrar a esa sala).

Truco para el examen: Adjunta al recurso y acceso entre cuentas son pistas de resource policy. No la confundas con Guardrails, que controlan contenido, no acceso.

Respuesta: A. Los roles de IAM usan credenciales temporales que rotan solas, lo que reduce la ventana de exposición si se filtran.

Concepto clave: Una access key de larga duración es como una llave maestra que nunca caduca: si la pierdes, cualquiera la usa hasta que cambies la cerradura. Un rol es como la tarjeta de un hotel que vence al día siguiente: aunque se pierda, deja de funcionar pronto. Por eso la buena práctica es que la aplicación asuma un rol en lugar de guardar claves en el código.

Truco para el examen: Cuando veas credenciales temporales, rotación automática o evitar access keys en el código, la respuesta va por roles de IAM. Las opciones que hablan de costo o de que no hay diferencia son distractores.

Respuesta: D. Dar permisos más amplios de los que la tarea necesita viola el principio de mínimo privilegio (least privilege).

Concepto clave: El mínimo privilegio es como darle al repartidor acceso solo al lobby del edificio, no la llave de todos los departamentos. En IAM se aplica restringiendo acciones (solo bedrock:InvokeModel) y recursos (solo el ARN del modelo que se usa), en lugar de comodines como bedrock:*.

Truco para el examen: Frases como tiene más permisos de los que necesita, acceso a todo o solo necesita X delatan mínimo privilegio. Los demás principios de seguridad suenan bien, pero no describen el exceso de permisos.

Respuesta: D. El cifrado de extremo a extremo protege los datos en tránsito (TLS) y en reposo (KMS) a lo largo de todo el flujo, no en un solo punto.

Concepto clave: Es como enviar un documento confidencial en un sobre sellado que viaja en un camión blindado y luego se guarda en una caja fuerte: protegido en el camino y en el destino. En AWS, TLS cuida el tránsito y AWS KMS gestiona las claves para el reposo (S3, EBS, bases de datos, Knowledge Bases).

Truco para el examen: Si aparece de extremo a extremo, busca la opción que menciona tránsito y reposo juntos. Las opciones con solo suelen ser incompletas.

Respuesta: C. Una SCP actúa como límite superior de permisos para las cuentas miembro de AWS Organizations y puede restringir el uso de Bedrock o de acciones específicas.

Concepto clave: La SCP es como el reglamento del condominio: define lo que nadie puede hacer en ningún departamento (por ejemplo, no tener mascotas), pero no entrega llaves. Las llaves las da IAM dentro de cada cuenta. El permiso efectivo es la intersección: lo que la SCP permite y lo que IAM concede.

Truco para el examen: Nivel organizacional, todas las cuentas o cuentas miembro apuntan a SCP. Recuerda la trampa: una SCP nunca concede permisos, solo los limita, así que no reemplaza a IAM.

Respuesta: C. El aislamiento de tenant asegura que la información y el contexto de un cliente nunca se mezclen ni se filtren hacia otro cliente de la misma aplicación.

Concepto clave: Un SaaS multi-cliente es como un edificio de departamentos: todos comparten ascensor y tuberías (el mismo modelo e infraestructura), pero cada familia tiene su puerta con llave (datos, historial y documentos separados). En Bedrock se logra con filtros de metadatos por tenant, IAM, bases de conocimiento o índices separados y sesiones independientes.

Truco para el examen: Multi-cliente, multi-tenant o SaaS junto a no mezclar datos indica aislamiento de tenant. Descarta opciones que exigen un modelo distinto por cliente: es innecesario.

Respuesta: A. Un third-party risk assessment analiza los riesgos de seguridad, privacidad y cumplimiento de depender de un proveedor externo, más allá del rendimiento técnico.

Concepto clave: Es como evaluar a un contratista antes de darle las llaves de tu casa: no basta con que cobre barato o trabaje rápido; revisas referencias, antecedentes, seguro y contrato. Con un modelo de terceros revisas licencia, uso de datos, cumplimiento normativo, transparencia y continuidad del proveedor.

Truco para el examen: Las opciones con únicamente o exclusivamente suelen ser distractores en preguntas de gobernanza. La respuesta correcta suele ser la más amplia: seguridad, privacidad y cumplimiento.

Respuesta: C. Trusted Advisor ofrece recomendaciones automatizadas de buenas prácticas para toda la cuenta (seguridad, costos, rendimiento, resiliencia y límites), también útiles en cuentas con cargas de IA.

Concepto clave: Trusted Advisor es como el asesor que revisa tu casa y te deja una lista: esta puerta no tiene seguro, estás pagando luz de un cuarto vacío, te falta un extintor. No arregla nada por ti ni instala cosas; te dice qué mejorar.

Truco para el examen: Recomendaciones, buenas prácticas, optimización de costos y chequeos de la cuenta apuntan a Trusted Advisor. Si piden evaluar reglas propias de configuración, es Config.

Respuesta: D. La clasificación de datos los categoriza por sensibilidad para decidir qué nivel de protección y qué controles de acceso aplicar a cada uno.

Concepto clave: Es como ordenar los papeles de casa: los tickets del mercado van a una caja cualquiera, pero el DNI, las escrituras y los estados de cuenta van a la caja con llave. Antes de entrenar o alimentar un modelo, saber qué datos son confidenciales define si se cifran, se anonimizan o se excluyen.

Truco para el examen: No confundas clasificación de datos (gobernanza por sensibilidad) con etiquetado de datos (labels para entrenamiento, Ground Truth). Si el enunciado habla de sensibilidad o niveles de protección, es clasificación.

Respuesta: A y C. El cliente se encarga de la seguridad en la nube (IAM, datos, cifrado, configuración); AWS se encarga de la seguridad de la nube (hardware, data centers, infraestructura).

Concepto clave: Es como alquilar un departamento: el dueño (AWS) responde por la estructura, las tuberías y la seguridad del edificio; tú (cliente) respondes por a quién le das copia de la llave y cómo guardas tus cosas de valor. En servicios gestionados como Bedrock, AWS asume más capas, pero IAM y los datos siempre son del cliente.

Truco para el examen: Si una opción menciona hardware físico, data centers o infraestructura subyacente, es de AWS. Si menciona IAM, tus datos, cifrado o configuración, es del cliente.

Respuesta: A y C. Elegir la Región adecuada y acceder a los servicios mediante VPC endpoints en esa misma Región son controles directos para cumplir la residencia de datos.

Concepto clave: La residencia de datos responde a ¿en qué país viven y se procesan físicamente mis datos?. Es como una norma que exige que los expedientes de un banco no salgan de la ciudad: eliges una bóveda local (la Región) y un pasillo interno para llevarlos (VPC endpoint), en lugar de sacarlos por la calle. Ojo: en Bedrock, la inferencia entre Regiones (cross-Region inference) puede procesar fuera de la Región de origen, así que hay que evaluarla según la normativa.

Truco para el examen: Residencia, soberanía o la normativa exige que los datos permanezcan en... apuntan a la Región. Las opciones de costos (Spot) o de contenido (Guardrails) son distractores.

Respuesta: D. MAPE convierte el error en porcentaje del valor real, por lo que permite comparar el desempeño entre sedes con volúmenes muy distintos.

Concepto clave: Equivocarse en 12 personas en una bodega de barrio que atiende a 40 clientes es grave; equivocarse en 15 en un centro comercial que recibe 900 es casi nada. Las métricas absolutas (MAE, RMSE) no ven esa diferencia; las relativas (MAPE) sí. Una limitación de MAPE es que se dispara si los valores reales son cercanos a cero.

Truco para el examen: Frases como comparar de forma justa, escalas distintas o en términos porcentuales apuntan a MAPE. Si piden penalizar más los errores grandes, es RMSE.

Respuesta: B. El silhouette score evalúa la calidad de un clustering sin etiquetas, midiendo cohesión interna y separación entre clústeres.

Concepto clave: Imagina que agrupas a los invitados de una fiesta en mesas por afinidad: una buena agrupación es aquella donde cada persona está cerca de los de su mesa y lejos de las otras mesas. Eso mide el silhouette. F1, Recall y AUC necesitan una hoja de respuestas (etiquetas) que en clustering no existe.

Truco para el examen: Sin etiquetas, K-Means o clustering descartan de inmediato todas las métricas de clasificación (Accuracy, Precision, Recall, F1, AUC). La que queda es silhouette.

Respuesta: B. Error alto tanto en entrenamiento como en validación corresponde a bias alto (underfitting), no a varianza alta.

Concepto clave: Es como un estudiante que saca mala nota en la práctica y también en el examen: no entendió el tema (bias alto). El que saca 20 en la práctica, pero reprueba el examen, se memorizó las preguntas (varianza alta). Contra el bias alto se usa un modelo más complejo o mejores features; contra la varianza alta, regularización o más datos.

Truco para el examen: Memoriza la tabla: malo/malo = underfitting (bias alto); bueno/malo = overfitting (varianza alta); bueno/bueno = buen ajuste. AWS suele poner una afirmación falsa de un analista para ver si la corriges.

Respuesta: D. Object Detection identifica y localiza cada objeto con cajas delimitadoras, justo lo que se necesita para contar contenedores y saber dónde está cada uno.

Concepto clave: Las tareas de visión van de menos a más detalle: clasificación de imagen (¿qué hay en la foto?), detección de objetos (¿qué hay, cuántos y dónde, con cajas?) y segmentación semántica (¿a qué clase pertenece cada píxel?). Es como pasar de decir 'en el estacionamiento hay autos' a marcar con un recuadro cada auto.

Truco para el examen: Cuántos y dónde en una imagen delatan Object Detection. Si piden el contorno exacto píxel a píxel, es Semantic Segmentation.

Respuesta: C. La función de viaje en el tiempo (time travel) de Feature Store permite recuperar el valor exacto que tenía una feature en un momento pasado, evitando usar información del futuro al entrenar.

Concepto clave: El data leakage ocurre cuando al entrenar el modelo ve datos que no habría tenido en la vida real en ese momento; es como corregir un examen de ayer con el solucionario de hoy. Feature Store funciona como un archivo histórico con fechas: pides ¿cuánto valía esta feature el 15 de enero? y te devuelve ese valor, no el actual.

Truco para el examen: Valor histórico, point-in-time, hace X meses o sin fuga de información apuntan a Feature Store. Si se trata de compartir y reutilizar features entre equipos, también es Feature Store.

Respuesta: A y C. El test set representa típicamente entre el 10% y el 20% de los datos y se usa una sola vez, al final, para estimar el desempeño real.

Concepto clave: Los tres conjuntos son como estudiar para un examen: el de entrenamiento son los apuntes con los que aprendes; el de validación, los simulacros con los que ajustas tu forma de estudiar; y el de prueba, el examen oficial, que das una sola vez. Si ves el examen oficial antes, tu nota ya no refleja lo que realmente sabes.

Truco para el examen: Ajustar hiperparámetros es validación; ajustar pesos es entrenamiento; una sola vez al final es prueba. Desconfía de cualquier opción que use el test set repetidamente.

Respuesta: C. Sin conexión estable y con exigencia de milisegundos, la opción es ejecutar un modelo pequeño localmente en el dispositivo (edge inference).

Concepto clave: Es como tener un botiquín en la fábrica en lugar de llamar a la clínica cada vez que alguien se corta: responde al instante y no depende de que haya señal. El costo es que el botiquín tiene menos recursos que un hospital, igual que un SLM tiene menos capacidad que un LLM grande. En AWS, servicios como AWS IoT Greengrass ayudan a desplegar modelos en el borde.

Truco para el examen: Sin conexión, en el dispositivo, baja latencia o en el borde apuntan a edge inference con un modelo pequeño. Cualquier opción en la nube queda descartada si no hay internet.

Respuesta: D. Una degradación progresiva en producción sin cambios en el código indica data drift, y SageMaker Model Monitor es la herramienta que lo detecta.

Concepto clave: El mundo cambia y el modelo se queda con la foto de cuando se entrenó: si una tienda cambia de público o aparecen nuevos productos, las recomendaciones pierden puntería. Es como usar un mapa de Lima de hace diez años: las calles nuevas no aparecen. Model Monitor compara continuamente los datos y predicciones actuales con una línea base y alerta cuando se desvían; la solución suele ser reentrenar.

Truco para el examen: Cayó con el tiempo, en producción y sin cambios en el código son la firma de drift. Recuerda el emparejamiento: Debugger = durante el entrenamiento; Model Monitor = después del despliegue.

Respuesta: B. La CNN está diseñada para datos en cuadrícula como imágenes; la RNN, para datos secuenciales como texto o series de tiempo.

Concepto clave: Una CNN mira una foto como quien revisa un mapa con lupa, zona por zona, buscando patrones locales. Una RNN lee como una persona que lee una novela: cada palabra se entiende gracias a lo que leyó antes. Hoy, para texto, los Transformers (base de los LLM) reemplazaron en gran medida a las RNN, pero la distinción sigue saliendo en el examen.

Truco para el examen: Imágenes o visión apuntan a CNN; secuencias, series temporales o orden de las palabras apuntan a RNN (o Transformer, si se habla de LLM).

Respuesta: C. Data Wrangler genera informes de calidad de datos y aplica más de 300 transformaciones predefinidas desde una interfaz visual, sin escribir mucho código.

Concepto clave: Data Wrangler es como la mesa de trabajo del cocinero antes de cocinar: lava, pela, corta y descarta lo malogrado (valores faltantes, duplicados, formatos) para que los ingredientes lleguen listos a la olla (el entrenamiento). Pipelines, en cambio, es la receta automatizada que repite todo el proceso cada vez.

Truco para el examen: Preparar datos, informe de calidad, transformaciones predefinidas y poco código apuntan a Data Wrangler. Si dice sesgo, es Clarify; si dice orquestar o CI/CD de ML, es Pipelines.

Respuesta: B. Instancias Spot: el mayor descuento a cambio de aceptar que AWS pueda interrumpirlas, algo asumible porque el trabajo guarda checkpoints y no tiene fecha límite.

Concepto clave: Spot es como viajar en stand-by en una aerolínea: pagas mucho menos, pero si el vuelo se llena te bajan. Si llevas tu avance guardado (checkpoints), simplemente continúas en el siguiente vuelo. En SageMaker esto se llama Managed Spot Training y puede ahorrar mucho en entrenamientos largos.

Truco para el examen: Puede interrumpirse, tolerante a fallos, checkpoints y sin fecha límite apuntan a Spot. Compromiso de 1 o 3 años es Reservadas o Savings Plans; licencias por servidor es Dedicated Hosts.

Respuesta: A y C. La regularización y conseguir más datos de entrenamiento son dos formas clásicas de reducir la varianza alta (overfitting).

Concepto clave: Un modelo con overfitting es como el alumno que memoriza las respuestas de un solo solucionario. Para que aprenda de verdad le das más ejercicios distintos (más datos) y le pides respuestas más simples y generales (regularización). Otras técnicas válidas: early stopping, reducir features, data augmentation y dropout.

Truco para el examen: Para overfitting/varianza alta: simplificar, regularizar, más datos, early stopping. Para underfitting/bias alto: más complejidad, más features, entrenar más. AWS suele mezclar remedios de uno como distractores del otro.

Respuesta: C. One-hot encoding para la variable categórica (tipo de póliza) y normalización para la numérica de rango amplio (prima anual).

Concepto clave: El one-hot encoding convierte cada categoría en un interruptor sí/no (es_básica, es_intermedia, es_premium), como marcar casillas en un formulario. La normalización lleva los números a una escala común (por ejemplo, 0 a 1), igual que convertir soles y dólares a una misma moneda antes de compararlos. Nota: si la categoría tiene un orden claro, a veces se usa ordinal encoding, pero one-hot es la opción segura y la que espera el examen.

Truco para el examen: Categórica (texto, tipos, colores) va con one-hot encoding; numérica con rangos muy distintos va con normalización o estandarización. Si una opción está invertida, descártala.

Respuesta: A. K-Means asigna cada punto al centroide más cercano y recalcula los centroides de forma iterativa hasta converger.

Concepto clave: Imagina que quieres poner k puestos de emoliente en un distrito: los colocas al azar, cada vecino va al puesto más cercano, luego mueves cada puesto al centro de sus clientes y repites hasta que los puestos ya no cambian de lugar. Eso es K-Means: no supervisado, necesita que tú elijas k y agrupa por cercanía.

Truco para el examen: Asocia cada descripción con su algoritmo: centroides = K-Means; generador y discriminador = GAN; muchos árboles = Random Forest; quitar ruido en pasos = difusión.

Respuesta: A. SageMaker Ground Truth coordina el etiquetado masivo de datos, y Amazon Mechanical Turk puede aportar la mano de obra de revisores humanos.

Concepto clave: Ground Truth es como la empresa que organiza a un ejército de digitadores: reparte las radiografías, da instrucciones claras, junta las respuestas y controla la calidad. Mechanical Turk es la bolsa de trabajo de donde salen esas personas (aunque para datos médicos sensibles se suele preferir un equipo privado). Ground Truth también puede preetiquetar automáticamente para reducir costos.

Truco para el examen: Etiquetar datos para entrenar = Ground Truth. Revisar predicciones de un modelo ya desplegado = human-in-the-loop. Esa diferencia (antes o después del entrenamiento) es la trampa más común.

Respuesta: B. La queja de que no se encuentran los casos buscados apunta a los falsos negativos, que mide el Recall: 45/95 ≈ 0.47.

Concepto clave: Recall responde de todos los que había, ¿cuántos encontré?; Precision responde de los que marqué, ¿cuántos eran de verdad?. Es como un control de aeropuerto: si deja pasar la mitad de los objetos prohibidos, tiene mal Recall, aunque cada alarma que suene sea acertada (buena Precision).

Truco para el examen: No encuentra, se le escapan o falsos negativos costosos apuntan a Recall. Falsas alarmas apunta a Precision. Si las clases están desbalanceadas, desconfía de Accuracy.

Respuesta: A y C. El entrenamiento ajusta los parámetros y es intensivo en cómputo; la inferencia aplica el modelo ya entrenado a datos nuevos sin modificarlo.

Concepto clave: Entrenar es como los años de estudio de un médico: largos, caros y de una sola vez (o con actualizaciones periódicas). Inferir es cada consulta: aplica lo que ya sabe a un paciente nuevo, rápido y sin cambiar lo aprendido. Si aparece una enfermedad nueva, tiene que volver a estudiar (reentrenar).

Truco para el examen: Desconfía de afirmaciones del tipo el modelo aprende solo con cada uso: en producción los pesos están congelados. Las opciones invertidas (entrenamiento en cada petición) son un distractor clásico.

Respuesta: D. SageMaker Automatic Model Tuning (AMT) prueba automáticamente combinaciones de hiperparámetros en experimentos paralelos para encontrar la mejor.

Concepto clave: AMT es como probar una receta de causa con distintas cantidades de ají, limón y sal en varias ollas a la vez, y quedarse con la que mejor sabe según un jurado (la métrica objetivo). Tú defines los rangos a explorar; AMT decide qué combinaciones probar.

Truco para el examen: Hiperparámetros + automático o en paralelo = AMT (también llamado hyperparameter tuning). No lo confundas con Autopilot, que automatiza todo el proceso de crear el modelo.

Respuesta: C. Los hiperparámetros se fijan antes de entrenar y el modelo no los aprende; el número de epochs es un hiperparámetro.

Concepto clave: Si entrenar un modelo fuera hornear un pan, los hiperparámetros son la temperatura del horno y el tiempo (los decides tú antes), y los parámetros son cómo queda la masa por dentro (resultado del proceso). Ejemplos de hiperparámetros: epochs, learning rate, batch size, número de capas; ejemplos de parámetros: pesos y sesgos de la red.

Truco para el examen: Pregúntate: ¿lo decide una persona antes de entrenar? Entonces es hiperparámetro. ¿Sale del entrenamiento? Entonces es parámetro. Epochs, learning rate y batch size siempre son hiperparámetros.

Respuesta: A y C. Ambos escenarios describen un agente que interactúa con un entorno y mejora su comportamiento según las recompensas que recibe.

Concepto clave: El aprendizaje por refuerzo es como entrenar a un perro con premios: no le das la respuesta correcta, le das una galleta cuando lo hace bien, y va aprendiendo qué acciones le convienen. Los elementos clave son agente, entorno, acción, recompensa y política. Ejemplos típicos: robots, vehículos autónomos y el RLHF con el que se alinean los LLMs.

Truco para el examen: Recompensa, agente, prueba y error o mejora en cada intento apuntan a refuerzo. Datos etiquetados históricos = supervisado; sin etiquetas, agrupar = no supervisado.

Respuesta: D. Es comportamiento esperado: los LLM son no deterministas y, con temperature 0.8, el mismo prompt puede generar respuestas distintas.

Concepto clave: La temperature controla qué tan arriesgado es el modelo al elegir la siguiente palabra. Con valores altos es como un cantante que improvisa cada vez que canta la misma canción; con valores cercanos a 0 es como alguien que lee siempre el mismo guion. Si se necesitan respuestas más consistentes, se baja la temperature (aunque ni siquiera en 0 se garantiza un resultado idéntico en todos los casos).

Truco para el examen: Mismo prompt, respuestas distintas + temperature alta = no determinismo normal. AWS suele disfrazarlo de incidente o de ataque para que elijas un problema que no existe.

Respuesta: D. BERTScore mide similitud semántica mediante embeddings, por lo que reconoce que dos frases con palabras distintas pueden significar lo mismo.

Concepto clave: BLEU y ROUGE son como un profesor que califica comparando palabra por palabra con el solucionario: si escribes 'auto' en vez de 'vehículo', te baja puntos. BERTScore es como un profesor que entiende la idea: si dijiste lo mismo con otras palabras, te da el punto.

Truco para el examen: Mismo significado con palabras distintas, similitud semántica o sinónimos apuntan a BERTScore. Coincidencia de palabras o n-gramas apunta a BLEU (traducción) o ROUGE (resúmenes).

Respuesta: D. Una red generadora frente a una red discriminadora que compiten entre sí es la definición de una GAN.

Concepto clave: Una GAN es como un falsificador de billetes contra un cajero experto: el falsificador intenta hacer billetes cada vez más creíbles, y el cajero aprende a detectarlos cada vez mejor. Tras muchas rondas, los billetes falsos son casi indistinguibles de los reales.

Truco para el examen: Generador y discriminador, adversarial o compiten = GAN. Ruido que se limpia en pasos = difusión. Siguiente token = Transformer.

Respuesta: B. Self-consistency genera múltiples razonamientos para el mismo problema y se queda con la respuesta que más se repite.

Concepto clave: Es como pedirle a cinco amigos que resuelvan el mismo problema de matemáticas por separado y quedarte con el resultado en el que coinciden la mayoría: si uno se equivoca en un paso, los otros lo compensan. Suele construirse sobre chain-of-thought, pero añade la votación.

Truco para el examen: Varias cadenas + la respuesta más frecuente o por mayoría = self-consistency. Paso a paso sin votación = chain-of-thought. Ramas y retroceso = Tree of Thoughts.

Respuesta: C. El prompt caching reutiliza el procesamiento del prefijo fijo del prompt entre llamadas, bajando costo y latencia sin alterar el comportamiento.

Concepto clave: Es como el mozo de un restaurante que ya se sabe de memoria el pedido del cliente habitual: no necesita que se lo dicten entero cada vez, así que atiende más rápido. En Bedrock, el prompt caching funciona con modelos compatibles y conviene cuando hay un prefijo largo que se repite (instrucciones, documentos o ejemplos).

Truco para el examen: Prompt fijo que se repite + reducir costo y latencia = prompt caching. Grandes volúmenes sin urgencia = batch inference. La temperature nunca es la respuesta cuando se habla de costo.

Respuesta: A y C. La latencia depende sobre todo de cuántos tokens debe generar el modelo y de su tamaño.

Concepto clave: Es como pedir un discurso: tarda más si pides que sea largo (más tokens de salida) y si el orador piensa mucho cada palabra (modelo grande). La temperature y Top-P solo cambian el estilo con que elige las palabras, no cuántas dice ni cuánto piensa cada una. Para reducir latencia: limitar max tokens, usar un modelo más pequeño, prompt caching o latency-optimized inference.

Truco para el examen: Si preguntan por latencia o costo, piensa en tokens y tamaño del modelo. Temperature, Top-P y Top-K son parámetros de creatividad/aleatoriedad, no de velocidad.

Respuesta: A. Pedirle al modelo que ignore sus instrucciones y se comporte sin restricciones es jailbreaking.

Concepto clave: El jailbreaking es como convencer al vigilante de que 'hoy las reglas no aplican' para que te deje entrar a una zona restringida: se usan juegos de rol, instrucciones que anulan las anteriores o escenarios hipotéticos. Se mitiga con Guardrails de Bedrock (filtro de ataques de prompt), un system prompt robusto y validación de entradas.

Truco para el examen: Olvida tus instrucciones, sin restricciones, actúa como = jailbreaking (o prompt injection, según la opción disponible). Revela tu prompt = prompt leaking. Datos maliciosos en el entrenamiento = poisoning.

Respuesta: C. El modelo reveló sin motivo un dato personal real presente en sus datos de ajuste: es exposición (exposure).

Concepto clave: Es como un empleado nuevo que, al preguntarle el horario de la tienda, responde también con el número personal de un cliente que vio en una planilla durante su capacitación. No lo hizo con mala intención ni lo engañaron: simplemente lo memorizó. Se previene limpiando o anonimizando la PII antes de entrenar o ajustar (por ejemplo, con Macie o Comprehend) y filtrando la salida con Guardrails.

Truco para el examen: Distingue por el origen: dato real salido del entrenamiento sin que lo pidan = exposición; dato inventado = alucinación; usuario intentando romper reglas = jailbreaking o prompt injection.

Respuesta: D. Con grandes volúmenes de texto del dominio sin etiquetar y el objetivo de adaptar el modelo de forma permanente, la técnica es continued pre-training.

Concepto clave: Continued pre-training es como mandar a un profesional a vivir un año en una aseguradora leyendo todas sus pólizas: termina hablando como del rubro. Fine-tuning es darle un manual de preguntas y respuestas modelo para una tarea puntual. RAG es dejarle los archivadores a la mano para que consulte cuando le pregunten. En Bedrock, ambas formas de personalización (continued pre-training y fine-tuning) están disponibles para ciertos modelos.

Truco para el examen: Sin etiquetar + dominio + permanente = continued pre-training. Pares etiquetados = fine-tuning. Información actualizada sin reentrenar = RAG.

Respuesta: C. Los cuatro elementos de un prompt son instrucción, contexto, datos de entrada e indicador de salida: qué hacer, con qué trasfondo, sobre qué contenido y en qué formato.

Concepto clave: Piensa en un encargo a un practicante: le dices la tarea (“resume este informe”), le das contexto (“es para el gerente, que no es técnico”), le entregas el informe (datos de entrada) y le indicas el formato (“en tres viñetas”). Si falta alguna pieza, el resultado se vuelve impredecible. No todos los prompts necesitan las cuatro, pero combinarlas bien es la base del prompt engineering.

Truco para el examen: AWS mezcla en las opciones tres familias distintas: parámetros de inferencia (temperature, Top-P), arquitectura del modelo (encoder, decoder) y técnicas de prompting (zero-shot, CoT). Si la pregunta dice “elementos” o “partes” de un prompt, busca la opción que describe contenido redactado en el texto.

Respuesta: D. Es una prompt injection indirecta: la orden maliciosa llega al modelo a través del contexto recuperado por RAG, no del mensaje del usuario.

Concepto clave: En la inyección directa el usuario escribe “ignora tus reglas”. En la indirecta, esa frase está escondida en una fuente que el sistema considera confiable (un PDF, una web, un correo). Es como si alguien metiera una nota falsa del jefe dentro de un expediente: el asistente la lee junto con el resto y podría seguirla. Se mitiga tratando el contenido recuperado como datos y no como instrucciones, filtrando con Guardrails (prompt attack filters) y controlando qué documentos entran a la Knowledge Base.

Truco para el examen: Si el texto malicioso viene “dentro de un documento”, “de una página web” o “del contexto recuperado”, la palabra clave es indirecta. Si lo escribe el propio usuario en el chat, es inyección directa o jailbreak.

Respuesta: A y C. La ventana de contexto es el límite total de tokens por solicitud y abarca tanto el prompt de entrada como la respuesta generada.

Concepto clave: Imagina una pizarra de tamaño fijo: tú escribes la pregunta y el modelo escribe su respuesta en el mismo espacio. Si llenas casi toda la pizarra con documentos, el modelo tiene poco sitio para contestar. Max tokens es otra cosa: una regla que dice “la respuesta no puede ocupar más de X”, dentro de esa misma pizarra.

Truco para el examen: Desconfía de las afirmaciones que usan “solo” (solo la entrada) o “equivalente” (igual a max tokens). La relación correcta es: max tokens (salida) ≤ ventana de contexto (entrada + salida).

Respuesta: A. Las stop sequences le indican al modelo la cadena exacta en la que debe interrumpir la generación.

Concepto clave: Es como decirle a quien dicta un mensaje: “cuando digas cambio y fuera, cortas”. El modelo genera normalmente y, en cuanto produce esa secuencia, se detiene, evitando comentarios o texto extra después del bloque que te interesa. Es útil para salidas estructuradas (JSON, listas) y para controlar costos al no generar tokens de más.

Truco para el examen: Las palabras “detener”, “cortar” o “terminar exactamente en” apuntan a stop sequences. Max tokens también corta, pero por cantidad, no por contenido; temperature, Top-P y Top-K nunca deciden dónde termina la salida.

Respuesta: B. RAG resuelve las dos exigencias a la vez: información que cambia con frecuencia sin reentrenar y trazabilidad natural hasta el documento fuente.

Concepto clave: Un modelo con fine-tuning es como un abogado que memorizó el código de hace un año; RAG es un abogado que, ante cada consulta, abre la edición vigente de El Peruano y te cita el artículo. Para actualizar, solo reindexas los documentos nuevos en el almacén vectorial; el modelo no cambia.

Truco para el examen: “Cambia con frecuencia”, “información actualizada”, “citar la fuente” o “rastrear hasta el documento” son señales casi seguras de RAG (en Bedrock, Knowledge Bases). Fine-tuning aparece cuando el enunciado habla de estilo, tono o una tarea especializada estable.

Respuesta: A. Self-attention pondera la relevancia de todas las demás posiciones de la secuencia para dar contexto a cada token.

Concepto clave: En “me senté en el banco del parque” y “deposité en el banco”, la palabra “banco” significa cosas distintas. Self-attention hace que el modelo “mire” a “parque” o a “deposité” para decidir el sentido correcto. Además procesa todos los tokens en paralelo, lo que hizo a los Transformers mucho más rápidos de entrenar que las redes recurrentes.

Truco para el examen: Si la pregunta menciona “relevancia de otras palabras”, “contexto de cada token” o “ambigüedad”, piensa en attention. Parches y filtros son visión (CNN); recompensas son refuerzo (RLHF); comparar con referencia es evaluación.

Respuesta: D. Es cuantización: el mismo modelo, con los pesos almacenados en menor precisión. La destilación, en cambio, entrena un modelo nuevo y más pequeño que imita al grande.

Concepto clave: La cuantización es como guardar una foto en menor resolución: es la misma foto, pesa mucho menos y casi no se nota la diferencia. La destilación es como que un profesor experto entrene a un alumno para que responda como él: resulta otra persona (otro modelo), más ligera. El pruning sería recortar partes de la foto que no aportan.

Truco para el examen: “Bits”, “precisión numérica”, “FP32 a INT8” = quantization. “Maestro/estudiante” o “modelo más pequeño que imita” = distillation. Ambas sirven para edge o dispositivos con poca memoria, así que fíjate en cómo se describe el mecanismo.

Respuesta: A y C. RAG consulta una fuente externa al momento de responder, sin tocar los pesos, y por eso puede citar el documento de origen.

Concepto clave: RAG es un examen a libro abierto: el alumno (modelo) no cambia, pero consulta el libro y puede decir en qué página lo leyó. Fine-tuning es estudiar para un examen a libro cerrado: el conocimiento queda en la cabeza (los pesos), pero ya no sabes de dónde salió y actualizarlo exige volver a estudiar.

Truco para el examen: Asocia RAG con “sin reentrenar”, “datos actualizados” y “fuentes citables”; asocia fine-tuning con “modifica pesos”, “datos etiquetados” y “adaptar estilo o tarea”. Las opciones trampa suelen intercambiar estas propiedades.

Respuesta: A. La versión instruct incorpora un ajuste posterior al preentrenamiento —típicamente RLHF— que la vuelve confiable para seguir instrucciones.

Concepto clave: Un modelo base solo aprendió a predecir la siguiente palabra: si le escribes “Dame una receta de ceviche”, podría continuar con “y de causa limeña”, como si completara una lista. La versión instruct es ese mismo modelo tras un “entrenamiento de atención al cliente”: entiende que le hiciste un pedido y responde con la receta, evitando además contenido dañino.

Truco para el examen: Si ves “seguir instrucciones”, “conversacional” o “alineado con preferencias humanas”, la respuesta suele incluir RLHF o instruction tuning. Desconfía de opciones que atribuyen la diferencia al tamaño o al hardware.

Respuesta: C. El prompt de conocimiento generado hace que el modelo produzca primero información relevante y la reutiliza como contexto para la consulta principal.

Concepto clave: Es como, antes de redactar un ensayo, hacer una lluvia de ideas con los datos que conoces del tema y luego escribir apoyándote en esa lista. Se trabaja en dos pasos: “Genera 5 hechos clave sobre X” y luego “Usando estos hechos, responde Y”. Mejora la calidad en preguntas que requieren conocimiento general, pero ojo: esos hechos salen del propio modelo, así que no reemplaza a RAG cuando necesitas datos verificados.

Truco para el examen: La pista es “generar hechos o conocimiento primero y usarlos como contexto”. Si la información viene de documentos externos, es RAG; si la genera el propio modelo, es generated knowledge prompting.

Respuesta: B. Un problema de formato de salida se resuelve con prompt engineering: indicador de salida explícito más un ejemplo (few-shot), la opción de menor costo y complejidad.

Concepto clave: Las opciones de personalización forman una escalera de costo: prompt engineering → RAG → fine-tuning → continued pre-training → entrenar desde cero. Siempre se empieza por el peldaño más bajo que resuelva el problema. Si quieres que tu sobrino te ordene la lista del mercado en viñetas, se lo pides y le muestras un ejemplo; no lo mandas a un curso.

Truco para el examen: “Más económica”, “menor esfuerzo” o “más rápida” casi siempre apuntan a prompt engineering. Si el problema es de formato, tono o estructura, desconfía de las opciones que implican entrenamiento.

Respuesta: B. ROUGE-L se basa en la subsecuencia común más larga; ROUGE-N cuenta coincidencias de n-gramas de longitud fija.

Concepto clave: Si la referencia dice “el gato negro duerme en el sofá” y el modelo escribe “el gato duerme tranquilo en el sofá”, ROUGE-L encuentra “el gato duerme en el sofá” como secuencia en el mismo orden, aunque haya palabras intercaladas. ROUGE-N, en cambio, cuenta cuántos grupos de N palabras seguidas coinciden. ROUGE se usa sobre todo para evaluar resúmenes; BLEU, para traducción; BERTScore, para similitud de significado.

Truco para el examen: Memoriza el par letra-concepto: ROUGE-L = Longest common subsequence; ROUGE-N = N-gramas. Si la pregunta habla de “significado” o “embeddings”, es BERTScore.

Respuesta: A y C. Las alucinaciones y la interpretabilidad limitada (“caja negra”) son dos de las limitaciones reconocidas de la IA generativa.

Concepto clave: Un LLM es como un conversador muy elocuente que nunca dice “no sé”: suena convincente incluso cuando se equivoca, y si le preguntas cómo llegó a su conclusión no puede mostrarte un razonamiento verificable. Otras limitaciones típicas: no determinismo, sesgos heredados, conocimiento con fecha de corte y costo de inferencia.

Truco para el examen: Las palabras absolutas como “garantiza”, “elimina por completo” o “siempre” casi nunca describen correctamente a la IA generativa. Si una opción promete perfección, probablemente es la trampa.

Respuesta: D. El prompt chaining descompone una tarea compleja en pasos simples, encadenando la salida de un prompt como entrada del siguiente.

Concepto clave: Es como una línea de ensamblaje: una estación consulta el pedido, la siguiente calcula la fecha y la última redacta la respuesta. Cada paso es más sencillo, más fácil de probar y de corregir por separado. Se diferencia de las técnicas de razonamiento (CoT, Tree of Thoughts, self-consistency), que trabajan dentro de un mismo problema.

Truco para el examen: “La salida de uno alimenta al siguiente”, “secuencia de prompts” o “dividir en subtareas” = prompt chaining. “Varias respuestas y votación” = self-consistency. “Explorar ramas” = Tree of Thoughts.

Respuesta: D. Una temperature más alta aumenta la aleatoriedad en la elección de tokens y produce más variedad entre generaciones.

Concepto clave: La temperature es como el “nivel de atrevimiento” de un publicista: en bajo, siempre propone la frase más segura y predecible; en alto, se arriesga con combinaciones menos obvias. Para eslóganes creativos conviene alta; para extraer datos o responder preguntas factuales, baja.

Truco para el examen: “Variedad”, “creatividad” o “respuestas distintas” = subir temperature (o Top-P). “Consistencia”, “determinista” o “siempre la misma respuesta” = bajarla. Max tokens y stop sequences controlan longitud, no creatividad.

Respuesta: C. Transcribe Medical está optimizado para dictado clínico y vocabulario médico que la versión general transcribiría con más errores.

Concepto clave: Es la diferencia entre una secretaria general y una secretaria de consultorio que ya conoce términos como “amoxicilina” o “colecistectomía”. Un flujo típico en salud combina servicios: Transcribe Medical pasa el audio a texto y Comprehend Medical extrae de ese texto medicamentos, dosis y diagnósticos.

Truco para el examen: Fíjate en el tipo de entrada y salida: audio → texto = Transcribe; texto → voz = Polly; texto → entidades = Comprehend. Si además aparece “clínico” o “médico”, elige la variante Medical del servicio que corresponda.

Respuesta: A. Knowledge Bases aporta la consulta del manual (RAG) y Agents ejecuta la acción invocando la API mediante un action group.

Concepto clave: Knowledge Bases es “saber”; Agents es “hacer”. Un asistente que solo tiene Knowledge Bases es como un empleado que conoce el reglamento pero no tiene acceso al sistema; con Agents puede además entrar al sistema y ejecutar la cancelación. Un agente de Bedrock puede tener asociadas Knowledge Bases y action groups a la vez.

Truco para el examen: Verbos como “ejecutar”, “cancelar”, “reservar”, “actualizar” o “llamar a una API” señalan Agents. “Responder con documentos” señala Knowledge Bases. Si el enunciado pide ambas cosas, busca la combinación.

Respuesta: B. La inferencia por lotes (batch) procesa grandes volúmenes de forma asíncrona con la salida en S3 y con descuento frente a on-demand.

Concepto clave: Es como mandar la ropa a la lavandería por kilo: no la necesitas ya, la dejas en la noche y la recoges al día siguiente a mejor precio que lavar prenda por prenda al instante. En Bedrock subes un archivo JSONL a S3, creas el job y recibes los resultados en otro bucket.

Truco para el examen: “Millones de registros”, “durante la noche”, “no necesita respuesta inmediata”, “salida en S3” y “menor costo” = batch. “Capacidad garantizada” = Provisioned Throughput. “Tráfico variable interactivo” = on-demand.

Respuesta: B. Los modelos serverless de Bedrock vienen habilitados por defecto en todas las cuentas; con los de Anthropic falta un paso adicional: enviar una sola vez el formulario de caso de uso (desde la consola o la API).

Concepto clave: IAM es tu fotocheck para entrar al edificio; el formulario de Anthropic es firmar en recepción la primera vez que visitas esa oficina concreta. Para restringir qué modelos puede usar cada equipo ya no se «desactiva el acceso»: se usan políticas de IAM o SCP.

Truco para el examen: «Primera vez» + «Anthropic» + «permisos IAM correctos» → formulario de caso de uso. Si piden impedir que se use un modelo, la respuesta es IAM/SCP. Provisioned Throughput, Knowledge Bases y CloudTrail no intervienen en la autorización.

Respuesta: B. Servir un modelo personalizado (fine-tuned) en Bedrock exige Provisioned Throughput, con su compromiso de capacidad por horas.

Concepto clave: Un modelo base se comparte entre muchos clientes, como un bus público al que subes y pagas por tramo. Tu modelo fine-tuned es solo tuyo: AWS tiene que reservarle hardware dedicado, como alquilar una movilidad privada por horas. Nota: AWS ha empezado a ofrecer inferencia on-demand para algunos modelos personalizados (por ejemplo, ciertos modelos Amazon Nova), pero la regla general que evalúa el examen sigue siendo Provisioned Throughput.

Truco para el examen: “Modelo personalizado”, “fine-tuned” o “custom model” + “servir/invocar en Bedrock” = Provisioned Throughput. Es una de las asociaciones más preguntadas.

Respuesta: A y C. RAG ancla las respuestas a documentos reales y los grounding checks verifican que la respuesta esté respaldada por ese contexto.

Concepto clave: Son dos capas complementarias: Knowledge Bases le da al modelo el material correcto (prevención) y los grounding checks revisan que lo que respondió realmente salga de ese material (control). Es como pedirle a un alumno que use la separata y luego que el profesor verifique que sus respuestas estén en ella.

Truco para el examen: Para “alucinaciones” busca RAG/Knowledge Bases, grounding checks, temperature baja o revisión humana. Las opciones de capacidad, costo o infraestructura (Provisioned Throughput, tipos de instancia) nunca mitigan alucinaciones.

Respuesta: C. Bedrock Knowledge Bases gestiona de punta a punta la búsqueda semántica sobre documentos propios: ingesta, chunking, embeddings, almacén vectorial y recuperación de fragmentos relevantes.

Concepto clave: Un buscador tradicional es como un índice alfabético al final de un libro: si no usas la palabra exacta, no encuentras nada. La búsqueda semántica compara significados (embeddings), como un bibliotecario que entiende tu pregunta y te trae el párrafo que la responde. Knowledge Bases puede solo recuperar fragmentos (Retrieve) o, además, generar una respuesta con un FM (RetrieveAndGenerate, es decir, RAG completo). Como almacén vectorial puede usar, entre otros, Amazon OpenSearch Serverless o Aurora PostgreSQL.

Truco para el examen: “Búsqueda semántica”, “sin palabras exactas” o “fragmentos relevantes de documentos internos” = embeddings + almacén vectorial; la opción gestionada es Bedrock Knowledge Bases. Si la pregunta pide un asistente listo para empleados sobre fuentes internas, piensa en Amazon Q Business. Comprehend analiza un texto dado; no busca en una colección.

Respuesta: A. Model Evaluation permite comparar modelos de forma automática o con evaluadores humanos antes de llevar uno a producción.

Concepto clave: Es como hacer una prueba de manejo de dos autos en tu propia ruta diaria antes de comprar: no te fías solo del catálogo (benchmarks generales), sino de cómo rinden en tu caso. Bedrock ofrece evaluación automática (precisión, robustez, toxicidad), con humanos (tu equipo o uno gestionado por AWS) y con un LLM como juez.

Truco para el examen: “Comparar modelos”, “elegir el mejor para mi caso” o “revisión humana de respuestas antes de desplegar” = Model Evaluation. Si la revisión humana ocurre en producción sobre predicciones de baja confianza, se trata de un flujo human-in-the-loop, no de Model Evaluation.

Respuesta: C. Custom Labels permite entrenar Rekognition para reconocer elementos visuales específicos del negocio a partir de imágenes etiquetadas propias.

Concepto clave: Rekognition estándar ya reconoce cosas genéricas (personas, autos, perros), pero no sabe cómo luce el sello de tu empresa. Con Custom Labels le enseñas con unos cuantos cientos de fotos etiquetadas, sin necesidad de ser experto en ML. Es como enseñarle a un vigilante a reconocer el fotocheck específico de tu empresa.

Truco para el examen: “Imágenes” + “elementos propios del negocio” + “imágenes etiquetadas propias” = Rekognition Custom Labels. Si lo que se busca es leer el texto de un documento, sería Textract.

Respuesta: A y C. SageMaker es la vía cuando se requiere control sobre la arquitectura, los datos y el proceso de entrenamiento completo.

Concepto clave: Bedrock es como pedir por delivery a buenos restaurantes: eliges el plato (modelo) y lo personalizas un poco, sin cocinar. SageMaker es tener tu propia cocina profesional: más esfuerzo y conocimiento, pero control total sobre ingredientes y receta. La mayoría de proyectos de IA generativa empiezan en Bedrock; SageMaker entra cuando hay un equipo de ML y necesidades a medida.

Truco para el examen: “Control total”, “arquitectura propia”, “entrenar desde cero” o “equipo de científicos de datos” = SageMaker. “Rápido”, “sin equipo de ML”, “serverless” o “acceso a modelos fundacionales vía API” = Bedrock.

Respuesta: A. Los denied topics bloquean una categoría temática completa, con independencia de cómo se formule la consulta.

Concepto clave: Un word filter es como prohibir la palabra “diagnóstico”: el usuario escribe “¿qué enfermedad tengo con estos síntomas?” y pasa sin problema. Un denied topic entiende la intención: le describes “consultas de diagnóstico médico” y reconoce cualquier variante. Guardrails también incluye content filters (odio, violencia), filtros de PII y grounding checks, cada uno para un riesgo distinto.

Truco para el examen: “Todo un tema”, “en todas sus formulaciones” o “no hablar de X” = denied topics. “Palabras específicas” = word filters. “Datos personales” = PII. “Respaldado por el contexto” = grounding.

Respuesta: D. El flujo es: ingesta → chunking → embedding → almacenamiento vectorial → recuperación → aumento → generación.

Concepto clave: RAG tiene dos fases. La preparación (una vez, o cuando llegan documentos nuevos) es como organizar una biblioteca: recibes los libros, los divides en fichas, a cada ficha le asignas una “ubicación por significado” (embedding) y las guardas. La consulta (en cada pregunta) es buscar las fichas más parecidas a la pregunta, pegarlas al prompt y dejar que el modelo redacte. Las propias siglas lo recuerdan: Retrieval → Augmented → Generation.

Truco para el examen: La generación siempre va al final y la recuperación siempre después de tener los vectores guardados. Descarta cualquier secuencia donde “generación” aparezca antes que “recuperación”.

Respuesta: C. PartyRock es el playground público asociado a Bedrock y no requiere cuenta de AWS.

Concepto clave: PartyRock es como un “arenero” de juegos para aprender IA generativa: describes la app que quieres, se arma con widgets (texto, imagen, chat) y puedes compartirla con un enlace, sin tarjeta de crédito ni configuración de AWS. Es ideal para experimentar y aprender prompt engineering, no para producción.

Truco para el examen: “Sin cuenta de AWS”, “experimentar”, “prototipar sin código” o “playground” = PartyRock. Si se trata de un entorno de producción con datos corporativos, apunta a Bedrock o Amazon Q.

Respuesta: B. Q in Connect asiste en tiempo real a los agentes humanos dentro de Amazon Connect, sugiriendo respuestas durante la interacción.

Concepto clave: Imagina a un operador de call center con un compañero experto al lado que escucha la llamada y le va pasando notas: “el cliente pregunta por el reembolso, dile esto”. Eso hace Q in Connect: detecta la intención del cliente y le muestra al agente la respuesta y los artículos relevantes de la base de conocimiento.

Truco para el examen: Distingue a quién se ayuda: si un bot atiende al cliente, es Lex; si se ayuda al agente humano del contact center, es Q in Connect; si son empleados consultando datos internos, es Q Business; si son dashboards, es Q in Quick Sight.

Respuesta: A y C. El enrutamiento inteligente evita usar un modelo caro en tareas triviales y el batch abarata el volumen que tolera espera.

Concepto clave: No mandas un camión de mudanza para llevar una carta: para lo simple usas una moto (modelo pequeño) y para lo pesado el camión (modelo grande). Y si el envío no es urgente, eliges el servicio económico (batch). Otras palancas de costo: prompt caching, prompts más cortos, limitar max tokens y RAG en lugar de meter documentos enteros en el prompt.

Truco para el examen: Temperature, Top-P y Top-K nunca son palancas de costo. Y cualquier opción que diga “para todas las cargas” o “siempre” con un recurso caro es sospechosa.

Respuesta: B. Q Apps genera aplicaciones sin código a partir de una descripción o conversación, y se comparten en la Amazon Q Library.

Concepto clave: Q Apps es una función de Amazon Q Business: si una conversación te resultó útil (por ejemplo, “redacta propuestas comerciales con nuestras plantillas”), puedes convertirla en una mini app reutilizable que usa los datos de la empresa, y publicarla en la Library para que tus compañeros la usen. Es como convertir una receta que te salió bien en una ficha que queda en el recetario del equipo.

Truco para el examen: “Usuario de negocio”, “sin programar”, “a partir de una conversación con Q Business” y “compartir con colegas” = Q Apps + Q Library. Canvas es no-code, pero para modelos predictivos, no para apps de IA generativa.

Respuesta: B. Derivar a una persona las predicciones que no alcanzan un umbral de confianza es el patrón human-in-the-loop (HITL).

Concepto clave: Es como el control de calidad en una fábrica: la máquina revisa todo y, cuando duda, aparta la pieza para que la vea un inspector humano. Se define un umbral (por ejemplo, confianza menor a 80 %), una cola de revisión y la fuerza laboral (equipo privado o proveedor). El resultado de la revisión decide si se publica y puede reutilizarse como dato etiquetado para mejorar el modelo.

Truco para el examen: “Revisión humana” + “baja confianza” + “en producción/inferencia” = human-in-the-loop. “Etiquetar datos para entrenar” = Ground Truth. “Detectar drift” = Model Monitor. “Preferencias humanas para alinear un LLM durante el entrenamiento” = RLHF.

Respuesta: D. CloudWatch observa la aplicación en ejecución (métricas, logs, trazas y alarmas) y permite localizar cuellos de botella de rendimiento.

Concepto clave: CloudWatch es como el tablero de un auto en plena carrera: velocidad, temperatura y alertas en tiempo real. Inspector, en cambio, es el mecánico que revisa si hay piezas vulnerables, y Config es el registro de cómo está armado el auto. Para revisar el código antes de desplegar, AWS ofrece hoy Amazon Q Developer (CodeGuru Reviewer ya no admite nuevas asociaciones).

Truco para el examen: “En ejecución”, “en producción”, “latencia/CPU/métricas/alarmas” = CloudWatch. “Vulnerabilidades” = Inspector. “Cambios de configuración y cumplimiento” = Config. “Recomendaciones de buenas prácticas de la cuenta” = Trusted Advisor.

Respuesta: C. Connect como centro de contacto, Lex para reconocer la intención (ASR + NLU) y Lambda para la lógica de negocio.

Concepto clave: Piensa en una clínica: Connect es la central telefónica que recibe la llamada, Lex es la recepcionista que entiende “quiero cambiar mi cita” y Lambda es quien entra al sistema y mueve la cita. Lex usa la misma tecnología de voz y lenguaje que Alexa, organizada en intents y slots (fecha, hora).

Truco para el examen: “IVR”, “intención” o “chatbot de voz” = Lex. “Centro de contacto” o “telefonía” = Connect. “Ejecutar lógica” = Lambda. Descarta combinaciones en las que un servicio hace algo ajeno a su función.

Respuesta: C. Un action group declara las operaciones que el agente puede ejecutar, típicamente funciones Lambda o APIs.

Concepto clave: Un agente de Bedrock es como un asistente con una “caja de herramientas”: cada action group es un conjunto de herramientas (consultar pedido, emitir reembolso) con instrucciones de uso (el esquema). El modelo decide cuál usar según la petición y Lambda hace el trabajo real. Las Knowledge Bases son su biblioteca de consulta y los Guardrails, sus reglas de conducta.

Truco para el examen: Action group = acciones/APIs/Lambda. Knowledge Base = documentos. Guardrails = restricciones. Provisioned Throughput = capacidad. Memoriza este mapa porque AWS lo usa para construir los distractores.

Respuesta: A y C. OpenSearch y Aurora/RDS PostgreSQL con pgvector son almacenes vectoriales válidos en AWS, junto con otros como Neptune Analytics, DocumentDB y Amazon S3 Vectors.

Concepto clave: Un almacén vectorial guarda los embeddings (listas de números que representan el significado) y encuentra rápido los más parecidos a una consulta. Es como un mapa donde los textos con significado similar están cerca: la búsqueda consiste en ver qué puntos quedan más próximos a tu pregunta.

Truco para el examen: Si ves “vector”, “embeddings” o “búsqueda semántica”, busca OpenSearch, Aurora/RDS con pgvector, Neptune o DocumentDB. Servicios de IA como Polly, Translate o Rekognition son distractores.

Respuesta: A. La inferencia asíncrona está diseñada para solicitudes individuales de larga duración que no necesitan respuesta inmediata.

Concepto clave: SageMaker ofrece cuatro formas de inferencia. Tiempo real: el mozo te atiende al instante. Serverless: igual, pero la cocina solo se enciende cuando hay clientes. Asíncrona: dejas tu pedido grande, te dan un ticket y te avisan cuando esté listo (el resultado va a S3 y puede notificarse por SNS). Batch: la cocina prepara de una vez todos los pedidos del día de un evento.

Truco para el examen: “Minutos por solicitud”, “cargas grandes” o “no requiere respuesta inmediata” con solicitudes individuales = asíncrona. “Dataset completo” = batch. “Tráfico intermitente” = serverless. “Baja latencia” = tiempo real.

Respuesta: B. La inferencia serverless escala automáticamente y evita pagar por capacidad inactiva, ideal para tráfico intermitente e impredecible.

Concepto clave: Es como la luz con sensor de movimiento en un pasillo: se prende solo cuando alguien pasa y no gastas electricidad el resto del tiempo. El costo a cambio es el “cold start”: la primera petición tras un rato de inactividad puede tardar un poco más.

Truco para el examen: “Tráfico intermitente”, “picos impredecibles”, “sin administrar servidores” y “no pagar capacidad ociosa” = serverless. Si además se exige latencia mínima garantizada, la respuesta cambiaría a tiempo real.

Respuesta: B. Los grounding checks verifican que la respuesta generada esté respaldada por el contexto recuperado y señalan afirmaciones no sustentadas.

Concepto clave: Es como un verificador de datos que, antes de publicar una nota, revisa que cada afirmación aparezca en las fuentes del periodista. Funciona con umbrales configurables: si la respuesta no alcanza el nivel de respaldo exigido, Guardrails la bloquea. Es una de las defensas específicas contra alucinaciones en flujos RAG.

Truco para el examen: “Afirma cosas que no están en los documentos”, “no respaldado por el contexto” o “alucinaciones en RAG” = contextual grounding checks. Los demás filtros de Guardrails controlan qué se dice, no si es verdad.

Respuesta: A. Se distinguen por su usuario objetivo: Q Developer trabaja con código en el entorno de desarrollo; Q Business responde consultas de negocio sobre datos internos.

Concepto clave: Amazon Q es una familia de asistentes, como una empresa con varios especialistas: Q Developer es el ingeniero senior que te ayuda a programar; Q Business es el colega que conoce todas las políticas, manuales y documentos de la empresa; Q in Quick Sight es el analista de datos; Q in Connect asiste a los agentes del call center.

Truco para el examen: Identifica al usuario del enunciado: desarrollador → Q Developer; empleado de negocio con documentos internos → Q Business; analista con dashboards → Q in Quick Sight; agente de contact center → Q in Connect.

Respuesta: A y C. Los AI Services resuelven problemas concretos ya cubiertos, sin entrenar ni diseñar prompts, y son la opción preferente cuando encajan con el caso.

Concepto clave: AWS tiene tres capas: AI Services (listos para usar), Bedrock (modelos fundacionales que personalizas con prompts, RAG o fine-tuning) y SageMaker (construyes y entrenas lo tuyo). Los AI Services son como electrodomésticos: si necesitas licuar, compras una licuadora; no la fabricas ni tienes que programarla.

Truco para el examen: Si el enunciado describe una tarea estándar y bien definida (OCR, traducción, transcripción, detección de rostros) y pide “menor esfuerzo” o “sin experiencia en ML”, la respuesta suele ser el AI Service específico, no Bedrock ni SageMaker.

Respuesta: D. El prompt caching evita reprocesar la parte fija del prompt y el enrutamiento inteligente envía las consultas simples a un modelo más pequeño y barato.

Concepto clave: Cada causa tiene su remedio. Reenviar 5,000 tokens idénticos 3 millones de veces es como fotocopiar el mismo reglamento cada vez que alguien hace una consulta: con caché lo guardas una vez y lo reutilizas, pagando mucho menos por esos tokens repetidos. Y mandar el 85 % de preguntas simples al modelo más caro es como consultar a un especialista por un resfriado. Bedrock ofrece ambas funciones: prompt caching e Intelligent Prompt Routing.

Truco para el examen: Relaciona síntoma y solución: “prompt largo repetido” → prompt caching; “consultas simples al modelo grande” → enrutamiento o modelo más pequeño; “cargas que pueden esperar” → batch. Temperature y CloudTrail nunca ahorran dinero.

Respuesta: C. Textract extrae texto, escritura a mano y datos estructurados (formularios y tablas) de documentos escaneados.

Concepto clave: Un OCR simple te devuelve “un montón de letras”; Textract entiende que “N.º de póliza:” es una etiqueta y que “PL-00123” es su valor. Con la función Queries incluso puedes preguntarle directamente “¿cuál es el monto?”. Para volúmenes grandes como 200,000 formularios se usa la API asíncrona, con documentos en S3.

Truco para el examen: “Formularios”, “campos”, “tablas”, “escaneados” o “manuscrito” = Textract. Si ya tienes el texto y quieres entender su significado, es Comprehend; si son fotos de objetos o personas, Rekognition.

Respuesta: B. Un modelo que funciona bien con un tipo de voz pero falla con otras variaciones legítimas de la entrada no es robusto: la robustez es mantener el desempeño ante cambios en la entrada.

Concepto clave: La robustez mide qué tan estable es el modelo cuando la entrada no se parece exactamente a lo que vio en el entrenamiento: acentos, ruido, errores de tipeo, imágenes con poca luz. Es como un chofer que maneja bien en la Vía Expresa pero se pierde apenas sale a una trocha: no es un buen conductor todoterreno. Suele originarse en datos de entrenamiento poco variados (por ejemplo, grabaciones solo de hablantes de Lima), y se corrige ampliando la diversidad de los datos y probando con casos límite.

Truco para el examen: Frases como funciona bien con X pero falla con variaciones, ruido, entradas inesperadas o desempeño inconsistente apuntan a Robustness. Ojo: si el enunciado dijera que el modelo discrimina a un grupo protegido, el foco pasaría a Fairness.

Respuesta: A. Documentar propósito, datos, métricas y condiciones en que el modelo es menos confiable es exactamente lo que hace un SageMaker Model Card para un modelo propio.

Concepto clave: Un Model Card es como la ficha técnica o el prospecto de un medicamento: indica para qué sirve, con qué se probó, qué tan bien funciona y en qué casos no se recomienda. Sirve para auditorías, para que otros equipos entiendan el modelo y para dejar trazabilidad de decisiones. La diferencia clave es de autoría: tú haces el Model Card de tu modelo; AWS hace la AI Service Card de su servicio.

Truco para el examen: Si el enunciado dice modelo propio, documentar, uso previsto y limitaciones, piensa en Model Cards. Si menciona un servicio gestionado de AWS (Rekognition, Textract, Transcribe), piensa en AI Service Cards.

Respuesta: A. El sesgo estaba en los datos históricos, no en el algoritmo; la mitigación más efectiva es curar datos representativos desde el origen, antes de entrenar.

Concepto clave: Un modelo aprende lo que ve. Si los datos reflejan decisiones humanas sesgadas, el modelo las reproduce aunque sus matemáticas sean perfectas: es como un practicante que aprende copiando a un jefe con favoritismos; el practicante no es malo, aprendió de un mal ejemplo. Por eso la mitigación empieza en los datos: balancear, revisar etiquetas y medir el sesgo antes de entrenar (por ejemplo con SageMaker Clarify).

Truco para el examen: La frase el algoritmo es matemáticamente correcto descarta el bias de algoritmo. Históricamente o datos del pasado apunta a bias de datos. Desconfía de respuestas que proponen epochs o temperature para arreglar sesgos: son distractores técnicos.

Respuesta: D. La interpretabilidad viene del diseño del modelo; la explicabilidad es lo que agregas con técnicas externas para entender un modelo complejo.

Concepto clave: Piensa en una receta escrita versus un plato ya servido. Con la receta (modelo interpretable) ves cada paso y sabes por qué sabe así. Con el plato de un chef que no comparte su receta (red neuronal), necesitas un catador experto (SHAP, LIME) que te diga qué ingredientes pesaron más. Suele haber un trade-off: los modelos más interpretables tienden a ser más simples y a veces menos precisos.

Truco para el examen: Propiedad inherente, por diseño o modelo simple → interpretabilidad. Técnicas post-hoc, SHAP, explicar una predicción de un modelo complejo → explicabilidad. Si la opción dice que son lo mismo, casi siempre es la trampa.

Respuesta: A y C. Ambas son comunicaciones hacia afuera, dirigidas a que el usuario sepa que interactúa con IA y qué puede esperar de ella.

Concepto clave: La transparencia es como el aviso en un restaurante que dice este plato puede contener maní: no te explica la receta, pero te informa honestamente lo que necesitas saber para decidir. En IA significa declarar que hay un sistema automatizado, para qué sirve y cuáles son sus límites. La explicabilidad, en cambio, abre el modelo para justificar una decisión puntual, y fairness mide si trata igual a distintos grupos.

Truco para el examen: Verbos como informar, avisar, publicar, documentar para el usuario apuntan a transparencia. Qué variables pesaron es explicabilidad y equitativo entre grupos es fairness.

Respuesta: A. Clarify analiza el desequilibrio del dataset antes de entrenar, y el paso lógico siguiente es mitigarlo balanceando los datos.

Concepto clave: SageMaker Clarify trabaja en dos momentos: pre-entrenamiento (¿mis datos están balanceados?, métricas como Class Imbalance) y post-entrenamiento (¿mis predicciones tratan distinto a cada grupo?, además de explicaciones con SHAP). Es como revisar los ingredientes antes de cocinar en vez de descubrir el problema cuando el plato ya está en la mesa: corregir en los datos es más barato y efectivo.

Truco para el examen: Si el enunciado habla del dataset, proporción de grupos o antes de entrenar, es detección pre-entrenamiento. Si habla de predicciones del modelo ya entrenado, es post-entrenamiento. Si dice en producción o drift, es Model Monitor.

Respuesta: C. El NIST AI RMF estructura la gestión de riesgos de IA en cuatro funciones: gobernar, mapear, medir y gestionar.

Concepto clave: Es una guía voluntaria para que cualquier organización identifique y controle los riesgos de sus sistemas de IA. Govern crea la cultura y las responsabilidades; Map identifica el contexto y los riesgos; Measure los cuantifica; Manage los prioriza y trata. Piensa en el plan de seguridad de un edificio: primero defines quién es responsable, luego ubicas los riesgos, los mides y finalmente actúas.

Truco para el examen: Distingue los tres marcos que AWS mezcla en los distractores: NIST AI RMF = cuatro funciones de riesgo; ISO/IEC 42001 = sistema de gestión de IA certificable; GDPR/EU AI Act = regulaciones europeas. Si ves mapear, medir, gestionar, gobernar, es NIST.

Respuesta: A. Explicar por qué se produjo una decisión concreta es explicabilidad, y Clarify la implementa mediante SHAP, que cuantifica la contribución de cada variable.

Concepto clave: SHAP reparte la decisión entre las variables, como cuando se divide la cuenta en un almuerzo según lo que consumió cada uno: el ingreso aportó tanto, el historial crediticio tanto, la deuda actual tanto. Así el banco puede decirle al cliente tu solicitud se rechazó principalmente por tu nivel de endeudamiento, algo exigido en muchos contextos regulados.

Truco para el examen: Qué variables pesaron, en qué proporción o por qué se rechazó a este cliente → Explainability + Clarify (SHAP). Revisa siempre que la pareja dimensión-herramienta sea coherente: los distractores suelen juntar una dimensión válida con un servicio que no corresponde.

Respuesta: A y C. La revisión humana por umbral de confianza materializa el human-in-the-loop a nivel técnico, y un comité de aprobación es un mecanismo de gobernanza organizacional.

Concepto clave: La supervisión humana puede estar en dos niveles: en cada decisión (un revisor mira los casos dudosos, como el cajero que llama al supervisor cuando un billete le parece sospechoso) y en el ciclo de vida (un comité decide qué sistemas se lanzan). En el primer nivel se define un umbral de confianza y, por debajo de él, el caso pasa a una persona.

Truco para el examen: Revisión humana, baja confianza, human-in-the-loop → supervisión humana. Los parámetros de inferencia (temperature, ventana de contexto, top-p) nunca son mecanismos de supervisión: son distractores frecuentes.

Respuesta: A. La controlabilidad es contar con mecanismos para que una persona intervenga, pause o corrija el comportamiento del sistema.

Concepto clave: Es el botón de parada de emergencia de la IA, como el freno de mano del auto o el botón rojo de una escalera eléctrica. Incluye poder apagar el sistema, revertir a una versión anterior, limitar lo que puede hacer y exigir aprobación humana en decisiones críticas. Un sistema potente sin controlabilidad es un riesgo, porque cuando falla no hay forma de contenerlo.

Truco para el examen: Detener, pausar, intervenir, corregir el comportamiento o limitar la autonomía → Controllability. No la confundas con explicabilidad: entender por qué falla no es lo mismo que poder frenarlo.

Respuesta: B. Considerar riesgos desde el diseño y curar datos representativos antes de entrenar es más efectivo que intentar corregir un modelo sesgado ya desplegado.

Concepto clave: La IA responsable no es un parche al final, sino algo que atraviesa todo el ciclo. Es como construir una casa: las columnas antisísmicas se planifican en los planos, no se agregan cuando el edificio ya está habitado. Cada etapa tiene su control: diseño (evaluar riesgos), datos (representatividad), entrenamiento (métricas de bias), pruebas (explicabilidad), producción (monitoreo) y mejora continua (feedback humano).

Truco para el examen: La respuesta correcta casi siempre empieza por diseño y termina con monitoreo o retroalimentación. Si una opción despliega antes de entrenar o monitorea antes de diseñar, descártala al toque.

Respuesta: C. Los content filters de Guardrails bloquean contenido de odio, insultos, contenido sexual o violento, con niveles de sensibilidad ajustables.

Concepto clave: Bedrock Guardrails es una capa de seguridad que se pone entre el usuario y el modelo, como el portero de una discoteca que revisa quién entra y quién sale. Además de los content filters, ofrece denied topics (temas prohibidos), filtros de palabras, redacción de PII, contextual grounding checks contra alucinaciones y detección de prompt attacks. Se configura una vez y aplica a cualquier modelo de Bedrock.

Truco para el examen: Filtrar contenido tóxico, dañino u ofensivo en una app de GenAI → Bedrock Guardrails (content filters). Si en cambio se pide evitar que el asistente hable de un tema específico (por ejemplo, asesoría de inversiones), la función es denied topics, también de Guardrails.

Respuesta: D. Las AI Service Cards son la documentación que AWS publica sobre sus servicios de IA preentrenados.

Concepto clave: Son como el manual del fabricante que viene con un electrodoméstico: el fabricante (AWS) te dice para qué está hecho, cómo usarlo bien y en qué situaciones puede fallar. Existen para servicios como Rekognition, Textract, Transcribe o los modelos Amazon Nova. Complementan tu propia documentación: tú sigues siendo responsable de usar el servicio de forma adecuada.

Truco para el examen: Pregúntate ¿quién escribe el documento? Si es AWS sobre su servicio → AI Service Card. Si es el cliente sobre su modelo → Model Card. Si es un certificado de cumplimiento → AWS Artifact.

Respuesta: A y C. Fairness mira la equidad entre grupos; explainability mira hacia adentro del modelo para justificar decisiones individuales.

Concepto clave: Las dimensiones de IA responsable son independientes entre sí; cumplir una no garantiza las demás. Piensa en un árbitro de fútbol: puede ser justo con ambos equipos (fairness) pero nunca explicar por qué cobró un penal (sin explicabilidad). Cada dimensión se evalúa y se mejora por separado.

Truco para el examen: Desconfía de afirmaciones con necesariamente, siempre o son lo mismo cuando relacionan dos dimensiones distintas: AWS suele usarlas como trampa. Fairness = entre grupos; explainability = por qué esta decisión.

Respuesta: B. Audit Manager automatiza la recopilación de evidencia de tu propia cuenta para auditorías de cumplimiento.

Concepto clave: En una auditoría hay dos lados: demostrar que AWS cumple (eso lo da Artifact, con los certificados de AWS) y demostrar que tú cumples con lo que configuras. Audit Manager es como un asistente contable que va juntando boletas y comprobantes durante todo el año, clasificados por rubro, para que el día de la auditoría no tengas que armar todo a la carrera.

Truco para el examen: Evidencia, recopilar automáticamente, de la cuenta → Audit Manager. Descargar el informe SOC de AWS → Artifact. La palabra evidencia casi siempre delata a Audit Manager.

Respuesta: D. GuardDuty es el servicio de detección continua de amenazas y comportamiento malicioso en la cuenta.

Concepto clave: GuardDuty es como el agente de seguridad que mira las cámaras las 24 horas: no cambia nada del edificio, pero avisa si alguien entra a una hora extraña, desde un lugar raro o intenta abrir puertas que no le corresponden. Usa machine learning e inteligencia de amenazas sobre los logs de la cuenta, y se activa sin instalar agentes.

Truco para el examen: Amenazas, comportamiento malicioso, actividad anómala, detección continua → GuardDuty. Configuración que cumpla reglas → Config. Vulnerabilidades → Inspector. Datos sensibles en S3 → Macie.

Respuesta: D. Inspector realiza análisis automatizado de vulnerabilidades; GuardDuty monitorea continuamente en busca de comportamiento malicioso.

Concepto clave: Imagina tu casa: Inspector es el técnico que revisa si alguna ventana tiene la chapa malograda o si la puerta es fácil de forzar (vulnerabilidades); GuardDuty es la alarma que suena cuando alguien realmente está intentando entrar (amenaza activa). Ambos se complementan: uno reduce la superficie de ataque y el otro detecta el ataque.

Truco para el examen: Vulnerabilidades, CVE, software desactualizado, exposición de red → Inspector. Amenazas, actividad sospechosa, credenciales comprometidas → GuardDuty.

Respuesta: A. Un VPC endpoint mediante PrivateLink permite alcanzar el servicio a través de la red privada de AWS, sin exposición a internet.

Concepto clave: Es como tener un pasadizo interno entre tu oficina y la del proveedor dentro del mismo edificio, en vez de salir a la calle y entrar por la puerta principal. Tu aplicación en la VPC habla con Bedrock usando IPs privadas, lo que reduce la exposición y ayuda a cumplir políticas que prohíben tráfico por internet. Además, puedes aplicar endpoint policies para restringir qué acciones se permiten por ese camino.

Truco para el examen: Sin salir a internet, tráfico privado, conectividad privada → VPC endpoint / PrivateLink. NAT Gateway es la trampa clásica porque suena a red privada, pero sirve para salir a internet.

Respuesta: A y C. Todo lo que el cliente configura o envía por encima de la API es responsabilidad suya: permisos, cifrado y el contenido de sus prompts.

Concepto clave: AWS es responsable de la seguridad de la nube (hardware, instalaciones, red global, aislamiento entre clientes) y el cliente de la seguridad en la nube (IAM, datos, configuración, lo que manda al modelo). Es como alquilar un departamento: el dueño se encarga de la estructura y la seguridad del edificio; tú decides a quién le das copia de la llave y qué guardas adentro.

Truco para el examen: Pregúntate ¿esto lo puede tocar el cliente desde la consola o la API? Si sí (IAM, datos, prompts, cifrado que activa) → cliente. Si es físico o de la infraestructura subyacente → AWS.

Respuesta: B. CloudWatch Logs puede almacenar el contenido de las invocaciones (prompt y respuesta) cuando ese registro se habilita explícitamente.

Concepto clave: Hay dos tipos de registro distintos. CloudTrail es como el registro de visitas de la recepción: anota quién entró, a qué hora y a qué oficina, pero no lo que se conversó. El model invocation logging de Bedrock es como la grabación de la reunión: guarda el contenido. Viene desactivado por defecto justamente porque puede incluir datos sensibles, y sus destinos son CloudWatch Logs o S3.

Truco para el examen: Quién llamó y cuándo → CloudTrail. El texto exacto del prompt y la respuesta → invocation logging hacia CloudWatch Logs (o S3). La frase suponiendo que el registro se habilitó es la pista de que se habla del invocation logging.

Respuesta: D. La residencia de datos se resuelve seleccionando la Región adecuada: por defecto, el procesamiento y almacenamiento no salen de la Región elegida.

Concepto clave: Cada Región de AWS es un conjunto de centros de datos en una zona geográfica concreta (Frankfurt, Irlanda, París, etc.). Es como decidir en qué ciudad abres tu almacén: si la ley dice que la mercadería no puede salir del país, eliges un almacén dentro del país. Ojo en Bedrock con la cross-Region inference: si la usas, conviene elegir un perfil geográfico de la UE para que las solicitudes se procesen solo en Regiones europeas.

Truco para el examen: Los datos no deben salir de un país o región, residencia, soberanía → elegir la Región de AWS. El cifrado es el distractor típico: protege el contenido, no su ubicación.

Respuesta: A. AWS Config audita y registra si la configuración de los recursos cumple las reglas definidas, manteniendo el histórico a lo largo del tiempo.

Concepto clave: Config es como una cámara que toma una foto de la configuración de cada recurso cada vez que cambia, y además compara esa foto con tus reglas. Así puedes responder ¿este bucket fue público alguna vez en los últimos seis meses? y recibir una alerta (o una remediación automática) apenas algo se sale de la norma.

Truco para el examen: De forma continua, a lo largo del tiempo, historial de configuración, cumple reglas → AWS Config. Trusted Advisor es el distractor porque también da recomendaciones de seguridad, pero no es un registro histórico de cumplimiento.

Respuesta: A y C. El aislamiento por cuenta y la no utilización de los datos del cliente para reentrenar modelos de terceros son garantías explícitas de AWS.

Concepto clave: Usar Bedrock es como alquilar una caja de seguridad en un banco: el banco provee la bóveda, pero no abre tu caja ni usa lo que guardas. Tus prompts, respuestas y datos de fine-tuning se quedan en tu cuenta y tu Región, cifrados, y no alimentan a los modelos de Anthropic, Meta, Amazon ni ningún otro proveedor.

Truco para el examen: Cualquier opción que diga que tus datos se comparten, se publican o se usan para mejorar el modelo base en Bedrock es falsa. Es una de las preguntas de privacidad más repetidas del examen.

Respuesta: D. El linaje de datos documenta el recorrido y las transformaciones de un dato, facilitando auditorías al mostrar cómo y por qué cambió.

Concepto clave: El linaje es como la trazabilidad del café de exportación: se sabe de qué finca salió, dónde se tostó, cómo se empaquetó y a qué tienda llegó. En IA es clave para la gobernanza: si un modelo da un resultado raro, el linaje te permite rastrear de qué datos vino y qué transformación pudo haberlo alterado. El catálogo, en cambio, es solo el inventario del almacén.

Truco para el examen: Recorrido, origen hasta el destino, transformaciones, trazabilidad → linaje (lineage). Inventario, buscar datasets, metadatos → catálogo. Dónde → residencia. Cuánto tiempo → retención.

Respuesta: B. Procesar datos de salud bajo HIPAA requiere firmar el Business Associate Addendum, que se gestiona a través de AWS Artifact.

Concepto clave: HIPAA es la ley de Estados Unidos que protege la información médica. El BAA es el contrato en el que AWS se compromete formalmente a proteger esos datos como socio de negocio. Sin firmarlo, no deberías cargar datos de pacientes en ningún servicio, aunque sea elegible para HIPAA. AWS Artifact es la ventanilla de documentos legales de AWS: ahí descargas informes y aceptas acuerdos como el BAA.

Truco para el examen: HIPAA + paso formal o acuerdo → BAA en AWS Artifact. Artifact aparece en dos papeles: descargar informes de cumplimiento de AWS y aceptar acuerdos (BAA, NDA).

Respuesta: D. El mínimo privilegio consiste en otorgar solo los permisos estrictamente necesarios, reduciendo la superficie de riesgo ante una credencial comprometida.

Concepto clave: Es como las llaves en una empresa: el personal de limpieza tiene llave de los pasillos, pero no de la caja fuerte; el contador tiene acceso a la caja, pero no al servidor. Si alguien pierde su llave, el daño queda limitado a lo que esa llave abría. En AWS se aplica con políticas de IAM específicas, por ejemplo permitiendo bedrock:InvokeModel solo sobre el modelo que la aplicación realmente usa.

Truco para el examen: Exactamente los permisos que necesita, ninguno más, solo lo necesario → least privilege. Si ves una opción con permisos amplios del tipo * o AdministratorAccess para simplificar, suele ser la respuesta incorrecta.

Respuesta: A. Macie descubre y clasifica automáticamente datos sensibles almacenados en S3, que es exactamente la revisión previa que se necesita.

Concepto clave: Macie es como un detector de metales en la puerta del almacén: revisa todo lo que ya está guardado en S3 y te marca dónde hay DNI, tarjetas, correos o direcciones. Hacerlo antes de indexar en una Knowledge Base evita que el asistente termine citando datos personales en sus respuestas. Guardrails actúa después, durante la conversación; ambos son capas complementarias.

Truco para el examen: Datos sensibles o PII + S3 + escanear/descubrir → Macie. PII en el prompt o la respuesta del modelo → Guardrails (sensitive information filters).

Respuesta: A y C. Las capas incluyen políticas y procedimientos, físico, perímetro, redes, hosts, aplicaciones y datos; la seguridad real surge de que todas actúen juntas.

Concepto clave: La defensa en profundidad es como la seguridad de una casa: rejas en el perímetro, puerta con buena chapa, alarma adentro y una caja fuerte para lo más valioso. Si una capa falla, las otras siguen protegiendo. En un sistema de IA eso se traduce en IAM, redes privadas, cifrado de datos, Guardrails en la aplicación y monitoreo.

Truco para el examen: Los parámetros del modelo (temperature, top-p, ventana de contexto) aparecen como distractores en preguntas de seguridad porque suenan técnicos. Las capas de seguridad son siempre lugares o activos: físico, red, host, aplicación, datos.

Respuesta: C. Kiro es el IDE agéntico de AWS orientado a un flujo de desarrollo guiado por especificaciones, pensado para acelerar la construcción de software con asistencia de IA.

Concepto clave: En el spec-driven development primero se define qué se va a construir (requisitos, diseño, lista de tareas) y luego los agentes de IA ayudan a implementarlo siguiendo esa especificación. Es como construir con planos aprobados en vez de ir improvisando pared por pared: el resultado es más predecible y fácil de revisar. Esto se diferencia del simple autocompletado de código.

Truco para el examen: IDE + agéntico + guiado por especificaciones → Kiro. Los distractores suelen ser servicios de IA reales pero de otra categoría (documentos, recomendaciones, datos). → Guía oficial AIF-C01 — Dominio 1, Tarea 1.3.

Respuesta: A. Amazon Quick agrupa las capacidades de analítica y asistencia de IA de AWS orientadas a generar dashboards, informes y respuestas en lenguaje natural sobre datos de negocio.

Concepto clave: La idea es que un gerente pueda preguntar ¿cuánto vendimos en Arequipa el último trimestre? y obtener la respuesta o el gráfico sin escribir SQL ni pedírselo a un analista. Es como tener un analista junior disponible todo el día que entiende tu pregunta, busca en los datos y te arma el reporte.

Truco para el examen: Dashboards, BI, informes + lenguaje natural → Amazon Quick (incluye Amazon Quick Sight, antes QuickSight). Los distractores suelen ser servicios de datos que almacenan o comparten información, pero no la visualizan. → Guía oficial AIF-C01 — Dominio 1, Tarea 1.3.

Respuesta: B. Razonar sobre un objetivo, decidir de forma autónoma qué pasos y herramientas usar y ejecutar varias acciones hasta completar la tarea es la definición de IA agéntica, distinta de un chatbot de una sola respuesta.

Concepto clave: Un chatbot es como preguntarle a alguien en la calle cómo llegar a Miraflores: te responde y ya. Un agente es como una agencia de viajes a la que le dices organiza mi viaje a Madrid: ella busca vuelos, compara precios, reserva el hotel y te entrega todo listo. Los agentes combinan un modelo que razona, un conjunto de herramientas (APIs) y un bucle de planificar, actuar y observar.

Truco para el examen: Objetivo, decide por sí mismo, varios pasos, invoca herramientas, ejecuta acciones → IA agéntica. Si solo se busca información para responder, es RAG. Desconfía de opciones con exclusivamente o siempre. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.1.

Respuesta: A. MCP es el estándar abierto creado específicamente para definir una forma común de conectar agentes y aplicaciones de IA con herramientas y fuentes de datos externas, evitando integraciones a medida por cada caso.

Concepto clave: MCP es como el USB-C de la IA: antes cada celular tenía su propio cargador, ahora un solo conector sirve para muchos dispositivos. Con MCP, una herramienta o fuente de datos se expone una vez como servidor MCP y cualquier agente compatible (el cliente MCP) puede descubrirla y usarla. Fue lanzado por Anthropic y hoy lo soportan muchos proveedores, incluida AWS.

Truco para el examen: Estándar abierto, conectar agentes con herramientas o fuentes de datos, sin integración a medida → MCP. RLHF y distillation son técnicas de entrenamiento: descártalas si la pregunta es de integración. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.1.

Respuesta: B. AgentCore reúne un conjunto de servicios administrados diseñados para desplegar y operar agentes de IA de forma segura a gran escala en producción, incluyendo identidad, aislamiento de sesiones y memoria.

Concepto clave: Construir un agente y operarlo son etapas distintas. Si Strands es la cocina donde preparas la receta, AgentCore es el restaurante ya funcionando: atiende a muchos clientes a la vez sin mezclar sus pedidos (aislamiento de sesiones), sabe quién es quién (Identity), recuerda las preferencias de cada cliente habitual (Memory) y lleva control de todo (Observability). Además, AgentCore funciona con agentes hechos con distintos frameworks, no solo Strands.

Truco para el examen: Ya construyó el código + producción, a escala, identidad, sesiones, memoria → AgentCore. SDK de código abierto para escribir el agente → Strands Agents. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.3.

Respuesta: C. Strands Agents es el SDK de código abierto de AWS, agnóstico de proveedor de modelo, pensado para que los desarrolladores construyan el código de sus agentes con control total.

Concepto clave: Strands sigue un enfoque model-driven: defines el modelo, el prompt y las herramientas, y el propio modelo decide cómo usarlas en el bucle del agente. Al ser open source y agnóstico, es como una caja de herramientas universal que no te obliga a comprar los repuestos de una sola marca. Luego ese agente se puede desplegar donde quieras, incluido AgentCore.

Truco para el examen: SDK, código abierto, control total del código, sin depender de un proveedor → Strands Agents. Operar en producción a escala → AgentCore. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.3.

Respuesta: D. Context engineering es el diseño sistemático de qué información se selecciona, ensambla y estructura como contexto para una aplicación de modelo fundacional, más allá del texto de un solo prompt.

Concepto clave: Si el prompt engineering es redactar bien la pregunta, el context engineering es preparar el expediente completo que le entregas a un abogado antes de la reunión: qué documentos van, en qué orden, qué se resume y qué se deja fuera. Como la ventana de contexto es limitada y cada token cuesta, elegir bien qué entra mejora la calidad, el costo y la latencia de las respuestas, sobre todo en agentes y RAG.

Truco para el examen: De forma sistemática, qué información se selecciona, historial, en cada llamada, más allá de un prompt individual → context engineering. Si solo se habla de mejorar la redacción de una instrucción, es prompt engineering. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.1.

Respuesta: C. Prompt caching reutiliza el procesamiento ya realizado sobre la parte fija y repetida de un prompt entre llamadas, reduciendo el costo y la latencia sin necesidad de cambiar de modelo.

Concepto clave: Es como un profesor que cada clase debe repetir las mismas reglas del curso antes de responder la pregunta de un alumno: con caché, las reglas ya quedaron escritas en la pizarra y solo atiende la pregunta nueva. En Bedrock marcas un punto de caché (cache checkpoint) al final del bloque fijo; los tokens leídos desde caché se cobran con descuento y se procesan más rápido. Funciona mejor cuando la parte repetida va al inicio del prompt.

Truco para el examen: Mismo bloque fijo o mismo contexto repetido en cada llamada + reducir costo y latencia → prompt caching. Si se hablara de procesar miles de solicitudes sin urgencia, sería batch inference. → Guía oficial AIF-C01 — Dominio 3, Tarea 3.1.

Respuesta: A. Decidir de forma autónoma, entre varias opciones, qué acciones ejecutar para resolver un caso es exactamente el rol de un agente de IA.

Concepto clave: Dentro de una aplicación de modelo fundacional, el agente es el componente que orquesta: el modelo razona y el agente convierte ese razonamiento en llamadas a herramientas (APIs, bases de datos) y observa los resultados. Es como un buen asesor de atención al cliente que, sin preguntarle al jefe, revisa tu pedido, rastrea el courier y, si no puede resolverlo, te deriva con un supervisor. En AWS se implementa con Bedrock Agents, Strands Agents o AgentCore.

Truco para el examen: Decide por sí mismo, ejecuta acciones, sin que un humano decida cada paso, varias herramientas → agente. Embeddings = vectores para búsqueda; fine-tuning = entrenamiento previo, nunca en cada consulta. → Guía oficial AIF-C01 — Dominio 3, Tarea 3.1.

Respuesta: C. Evaluar aplicaciones construidas con FM como RAG o agentes requiere ir más allá de la calidad textual del modelo aislado, considerando el desempeño del sistema completo.

Concepto clave: Una aplicación con RAG y agentes es una cadena: recuperación → razonamiento → uso de herramientas → respuesta. Si falla cualquier eslabón, el resultado es malo aunque el modelo escriba bonito. Es como evaluar un restaurante: no basta con que el chef sea bueno, también importa si el mozo trajo el plato correcto a la mesa correcta. Por eso se mide la relevancia de lo recuperado, la fidelidad (sin alucinaciones), la correcta selección de herramientas y el cumplimiento de la tarea.

Truco para el examen: Si la pregunta dice la aplicación en su conjunto o no solo el modelo aislado, la respuesta correcta menciona evaluar el sistema completo. Opciones con basta con, la única métrica o no se puede evaluar son trampas. → Guía oficial AIF-C01 — Dominio 3, Tarea 3.4.

Respuesta: A. Exigir revisión humana obligatoria antes de que el agente ejecute una acción de alto impacto es un mecanismo de controlabilidad: un humano puede intervenir o limitar la autonomía del sistema cuando es necesario.

Concepto clave: Con agentes autónomos, la controlabilidad define hasta dónde puede actuar solo el sistema. Es como en una empresa donde un practicante puede aprobar gastos menores, pero cualquier compra grande necesita la firma del gerente. Se implementa con umbrales, flujos de aprobación (human-in-the-loop), confirmaciones del usuario antes de ejecutar acciones y límites de permisos.

Truco para el examen: Límite a la autonomía, requiere aprobación humana, por encima de cierto umbral → Controllability. Si la pregunta hablara de tratar igual a distintos grupos, sería Fairness. → Guía oficial AIF-C01 — Dominio 4, Tarea 4.1.

Respuesta: B. Manejar con seguridad una respuesta externa mal formada o inesperada, sin inventar información ni fallar de forma descontrolada, es robustez aplicada a un sistema agéntico.

Concepto clave: En un agente, la robustez no solo depende de las entradas del usuario, sino también de lo que devuelven las herramientas que usa. Es como un cajero de banco que, si el sistema no le muestra el saldo, no se inventa una cifra: vuelve a consultar y, si sigue fallando, te dice que por ahora no puede atenderte. Fallar de forma segura (graceful degradation) es mejor que dar una respuesta falsa con total seguridad.

Truco para el examen: Entradas inesperadas, mal formadas, errores de herramientas, comportamiento consistente y seguro → Robustness. Desconfía de opciones absolutas como nunca puede cometer ningún error. → Guía oficial AIF-C01 — Dominio 4, Tarea 4.1.

Respuesta: D. Policy en AgentCore define qué acciones concretas tiene permitido ejecutar cada agente, un control de autorización distinto y complementario a la autenticación que resuelve Identity.

Concepto clave: Autenticar es verificar quién eres; autorizar es decidir qué puedes hacer. En un edificio de oficinas, mostrar tu DNI en recepción es autenticación; que tu fotocheck solo abra el piso 3 y no el 10 es autorización. Con agentes esto es crítico porque actúan solos: una política como puede leer inventario, pero no eliminar registros limita el daño si el agente se equivoca o es manipulado.

Truco para el examen: Quién es / autenticarse → Identity. Qué acciones puede ejecutar / permitir o denegar → Policy (autorización). Si una opción dice que autenticación y autorización son lo mismo, es trampa. → Guía oficial AIF-C01 — Dominio 5, Tarea 5.1.

Respuesta: C. Este marco de AWS clasifica las implementaciones de GenAI en niveles (scopes) según cuánto construye y controla la organización, guiando qué responsabilidades de seguridad corresponden a cada nivel.

Concepto clave: Los cinco scopes son: 1) aplicación de consumo, 2) aplicación empresarial SaaS, 3) app propia sobre un modelo preentrenado (por ejemplo, Bedrock), 4) modelo ajustado con fine-tuning y 5) modelo entrenado desde cero. Es como la diferencia entre tomar un taxi, alquilar un auto con chofer, manejar un auto alquilado, modificar tu propio auto o fabricarlo: mientras más controlas, más responsabilidades de seguridad asumes (datos, gobernanza, cumplimiento, resiliencia).

Truco para el examen: Clasificar un proyecto de GenAI según cuánto construye o controla la empresa → Generative AI Security Scoping Matrix. Si la opción dice exclusivamente el modelo de responsabilidad compartida, es la trampa: es la base, pero no el marco específico. → Guía oficial AIF-C01 — Dominio 5, Tarea 5.2.

Respuesta: A y B. La guía oficial reconoce el registro de auditoría de las interacciones y acciones de sistemas de IA, incluidos los agentes, como una consideración de seguridad y privacidad, y CloudTrail es una de las herramientas para lograrlo.

Concepto clave: Un agente autónomo es como un empleado con acceso a varios sistemas que trabaja solo en el turno de noche: confías en él, pero igual quieres el registro de qué abrió, qué cambió y a qué hora. CloudTrail registra las llamadas a la API; para el contenido de prompts y respuestas se suma el invocation logging de Bedrock, y AgentCore Observability aporta el detalle de cada paso del agente.

Truco para el examen: Más autonomía implica más necesidad de auditoría, nunca menos. Las opciones que hablan de exención o de limitar la auditoría a un único caso (solo si maneja pagos) son trampas. → Guía oficial AIF-C01 — Dominio 5, Tarea 5.1.