Ordenar y emparejar — AWS Certified AI Practitioner (AIF-C01)

Ordenar y emparejar — formatos del examen real

Además de la opción única y la respuesta múltiple, el examen AIF-C01 incluye preguntas de ordenamiento (poner de 3 a 5 pasos en secuencia) y de emparejamiento (unir de 3 a 7 conceptos con su descripción). No hay puntaje parcial: o todo bien o nada. Practica ambos aquí con corrección inmediata.

Ordenamiento

Ordena las fases del ciclo de vida de un proyecto de machine learning, de la primera a la última. ORDENAMIENTO

  1. Definir el objetivo de negocio y encuadrar el problema de ML
  2. Recopilar y preparar los datos (incluida la ingeniería de características)
  3. Entrenar y ajustar el modelo
  4. Evaluar el modelo con métricas
  5. Desplegar el modelo
  6. Monitorear (drift) y reentrenar

Orden correcto: Definir el objetivo de negocio y encuadrar el problema de ML → Recopilar y preparar los datos (incluida la ingeniería de características) → Entrenar y ajustar el modelo → Evaluar el modelo con métricas → Desplegar el modelo → Monitorear (drift) y reentrenar.

Se empieza por el problema de negocio: sin él no sabes qué datos ni qué métrica usar. Los datos van antes del entrenamiento y la evaluación antes del despliegue; el monitoreo cierra el ciclo y lo reinicia.

Repasar: Dominio 1 · conceptos esenciales

Ordena el flujo de una consulta en una solución RAG (Retrieval-Augmented Generation) ya preparada. ORDENAMIENTO

  1. El usuario envía su pregunta
  2. La pregunta se convierte en un embedding
  3. Se buscan en la base vectorial los fragmentos más similares
  4. Los fragmentos recuperados se añaden al prompt como contexto
  5. El modelo fundacional genera la respuesta

Orden correcto: El usuario envía su pregunta → La pregunta se convierte en un embedding → Se buscan en la base vectorial los fragmentos más similares → Los fragmentos recuperados se añaden al prompt como contexto → El modelo fundacional genera la respuesta.

RAG recupera primero y genera después: el contexto recuperado se inserta en el prompt antes de llamar al modelo, que por eso no necesita reentrenarse.

Repasar: Dominio 3 · conceptos esenciales

Ordena los pasos para preparar la base de conocimiento de una solución RAG (ingesta). ORDENAMIENTO

  1. Cargar los documentos de origen
  2. Dividirlos en fragmentos (chunking)
  3. Generar un embedding de cada fragmento
  4. Almacenar los embeddings en una base de datos vectorial

Orden correcto: Cargar los documentos de origen → Dividirlos en fragmentos (chunking) → Generar un embedding de cada fragmento → Almacenar los embeddings en una base de datos vectorial.

Antes de poder buscar por similitud hay que trocear el texto, convertir cada trozo en vector y guardarlo en una base vectorial.

Repasar: Dominio 3 · conceptos esenciales

Ordena las técnicas para adaptar un modelo fundacional, de menor a mayor esfuerzo y costo. ORDENAMIENTO

  1. Ingeniería de prompts
  2. RAG (aportar contexto externo)
  3. Fine-tuning (ajuste fino con datos propios)
  4. Entrenar un modelo desde cero

Orden correcto: Ingeniería de prompts → RAG (aportar contexto externo) → Fine-tuning (ajuste fino con datos propios) → Entrenar un modelo desde cero.

La escalera de personalización sube en costo, datos y tiempo: primero prueba el prompt, luego RAG, después fine-tuning y, solo si nada basta, un modelo propio.

Repasar: Dominio 3 · escalera de personalización

Ordena el recorrido de una petición cuando se usa Guardrails for Amazon Bedrock. ORDENAMIENTO

  1. La aplicación envía el prompt del usuario
  2. El guardrail evalúa la entrada
  3. El modelo fundacional genera la respuesta
  4. El guardrail evalúa la salida
  5. La aplicación entrega la respuesta al usuario

Orden correcto: La aplicación envía el prompt del usuario → El guardrail evalúa la entrada → El modelo fundacional genera la respuesta → El guardrail evalúa la salida → La aplicación entrega la respuesta al usuario.

Un guardrail se aplica en los dos sentidos: filtra la entrada antes de llegar al modelo y filtra la salida antes de llegar al usuario.

Repasar: Dominio 4 · Guardrails pieza por pieza

Emparejamiento

Une cada servicio de IA preentrenado con lo que hace. EMPAREJAMIENTO

  • Amazon Rekognition → Analiza imágenes y video (objetos, rostros, texto en imagen)
  • Amazon Comprehend → Extrae entidades, sentimiento y temas de texto (NLP)
  • Amazon Transcribe → Convierte voz en texto
  • Amazon Polly → Convierte texto en voz
  • Amazon Translate → Traduce texto entre idiomas
  • Amazon Textract → Extrae texto y datos de documentos escaneados y formularios

Cada servicio resuelve una entrada concreta: imagen, texto, voz o documento. Textract y Rekognition suelen confundirse: Textract lee documentos; Rekognition analiza imágenes y video.

Repasar: Mapa de servicios · IA preentrenada

Une cada servicio con su función. EMPAREJAMIENTO

  • Amazon Lex → Construye chatbots conversacionales por voz y texto
  • Amazon Kendra → Búsqueda empresarial inteligente sobre documentos
  • Amazon Personalize → Recomendaciones personalizadas para usuarios
  • Amazon Q Business → Asistente de IA generativa sobre los datos de la empresa
  • Amazon Q Developer → Asistente de IA para desarrollo de software

Lex es la interfaz conversacional; Kendra es el buscador; Personalize recomienda; Q Business responde sobre datos corporativos; Q Developer ayuda a programar.

Repasar: Mapa de servicios · IA generativa

Une cada herramienta de Amazon SageMaker con su propósito. EMPAREJAMIENTO

  • SageMaker Clarify → Detecta sesgo y explica las predicciones de un modelo
  • SageMaker Model Monitor → Vigila la deriva (drift) de calidad de un modelo en producción
  • SageMaker Ground Truth → Etiqueta datos con ayuda de personas
  • SageMaker Model Cards → Documenta propósito, riesgos y rendimiento de un modelo
  • SageMaker JumpStart → Ofrece modelos preentrenados y soluciones listas para usar

Clarify mira sesgo y explicabilidad; Model Monitor mira el modelo ya desplegado; Ground Truth produce etiquetas; Model Cards documenta; JumpStart acelera el inicio.

Repasar: Mapa de servicios · SageMaker

Une cada tipo de aprendizaje con su descripción. EMPAREJAMIENTO

  • Aprendizaje supervisado → Aprende de ejemplos con la respuesta correcta (etiquetas)
  • Aprendizaje no supervisado → Encuentra estructura en datos sin etiquetas
  • Aprendizaje por refuerzo → Aprende por prueba y error con recompensas
  • Aprendizaje autosupervisado → Genera sus propias etiquetas a partir de datos sin etiquetar

La diferencia está en los datos: con etiquetas (supervisado), sin etiquetas (no supervisado), con recompensas (refuerzo) o con etiquetas derivadas del propio dato (autosupervisado, base del preentrenamiento de modelos fundacionales).

Repasar: Dominio 1 · conceptos esenciales

Une cada métrica de evaluación con lo que mide. EMPAREJAMIENTO

  • ROUGE → Calidad de resúmenes automáticos frente a uno de referencia
  • BLEU → Calidad de traducciones frente a una de referencia
  • BERTScore → Similitud semántica entre textos mediante embeddings
  • Perplejidad (perplexity) → Qué tan bien un modelo de lenguaje predice el siguiente token

ROUGE se asocia a resúmenes y BLEU a traducción; BERTScore compara significado, no solo palabras; la perplejidad mide la predicción del lenguaje (menor es mejor).

Repasar: Dominio 3 · evaluación

Une cada servicio de seguridad y gobernanza con su función. EMPAREJAMIENTO

  • AWS Artifact → Descarga informes de cumplimiento y acuerdos bajo demanda
  • AWS CloudTrail → Registra las llamadas a la API de la cuenta
  • AWS Config → Evalúa la configuración de los recursos frente a reglas
  • Amazon Macie → Descubre datos sensibles en Amazon S3
  • Amazon Inspector → Escanea vulnerabilidades en cargas de trabajo
  • AWS Audit Manager → Recopila evidencia automáticamente para auditorías

Artifact entrega documentos de cumplimiento; CloudTrail dice quién hizo qué; Config revisa el estado de los recursos; Macie busca datos sensibles; Inspector busca vulnerabilidades; Audit Manager arma la evidencia.

Repasar: Mapa de servicios · seguridad y gobernanza