Simulacro Básico — AWS Certified AI Practitioner (AIF-C01)#
Nivel 1 de 4 en la progresión de simulacros: Básico → Intermedio → Avanzado → Combinado. Este es el punto de partida: preguntas cortas y directas, centradas en reconocer un término o servicio a partir de su definición, con distractores fáciles de descartar por categoría. El objetivo aquí no es simular la dificultad del examen real (eso lo hacen los niveles Avanzado y Combinado), sino confirmar que el vocabulario básico de cada dominio ya quedó fijado después de leer la guía de estudio, antes de pasar a escenarios más exigentes.
| Dominio | Preguntas | Rango |
|---|---|---|
| 1. Fundamentos de IA y ML | 13 | 1–13 |
| 2. Fundamentos de IA Generativa | 16 | 14–29 |
| 3. Aplicaciones de Modelos Fundacionales | 18 | 30–47 |
| 4. Directrices para IA Responsable | 9 | 48–56 |
| 5. Seguridad, Cumplimiento y Gobernanza | 9 | 57–65 |
Incluye unas pocas preguntas "Selecciona DOS" para que te familiarices con el formato desde
ya, aunque aquí son más sencillas que en los niveles siguientes. Cada justificación de la Parte 2 incluye una
referencia → Guía §X.Y. Si en este nivel obtienes menos de 80%, vuelve a leer la guía antes de
intentar el nivel Intermedio — no tiene sentido avanzar de nivel sobre una base floja.
Parte 1 — Preguntas#
Dominio 1 — Fundamentos de IA y ML#
Respuesta: D. Para que algo sea Machine Learning, el patrón (aquí, el umbral de ingreso) debe aprenderse de datos. Si una persona escribe la regla a mano, es IA clásica o simple programación basada en reglas. → Guía §1.1.
Concepto clave: programación tradicional = reglas + datos → respuestas; Machine Learning = datos + respuestas conocidas → reglas. Es como la diferencia entre darle a un cajero nuevo una lista impresa de “billetes falsos” y que él mismo aprenda a detectarlos después de revisar miles de billetes.
Truco para el examen: busca frases como “escribió la regla directamente” o “sin usar datos para aprenderla”: delatan que no es ML. La trampa es asociar “automático” o “usa números” con ML.
Respuesta: C. Hay una etiqueta conocida para cada ejemplo (“spam”/“no spam”), así que el modelo aprende con un “profesor” que le dice la respuesta correcta: aprendizaje supervisado. → Guía §1.2.
Concepto clave: supervisado = datos con respuesta conocida (clasificación o regresión); no supervisado = datos sin etiqueta (clustering); refuerzo = acción + recompensa. Es como aprender a reconocer mangos maduros porque tu mamá te dice “este sí, este no” con cada uno.
Truco para el examen: las palabras “ya marcados”, “etiquetados” o “con la respuesta conocida” apuntan siempre a supervisado.
Respuesta: B. Como no hay segmentos definidos de antemano, el modelo debe encontrar la estructura oculta en los datos por sí solo: clustering, es decir, aprendizaje no supervisado. → Guía §1.2.
Concepto clave: el no supervisado agrupa por similitud sin que nadie le diga qué es cada cosa. Es como ordenar un cajón de medias sueltas: nadie te dio categorías, pero terminas juntándolas por color y tamaño.
Truco para el examen: “agrupar”, “segmentar” o “sin categorías previas” = no supervisado (clustering). Si el enunciado dijera que ya existen segmentos asignados, cambiaría a supervisado.
Respuesta: A. Una brecha grande entre entrenamiento (98%) y datos nuevos (55%) indica que el modelo memorizó en vez de generalizar: overfitting. → Guía §1.3.
Concepto clave: overfitting = alto en entrenamiento, bajo en prueba; underfitting = bajo en ambos. Es como el alumno que se aprende de memoria el examen del año pasado: saca 20 si le toman el mismo, pero se jala si cambian las preguntas. Se combate con más datos, regularización o un modelo más simple.
Truco para el examen: cuando veas dos porcentajes muy distintos (entrenamiento alto vs. validación baja), piensa en overfitting. Si el problema aparece “meses después en producción”, entonces sería drift.
Respuesta: B. Un hiperparámetro es una perilla que configuras antes del entrenamiento, como el learning rate o el número de árboles; el modelo no lo aprende, a diferencia de un parámetro. → Guía §1.3.
Concepto clave: hiperparámetro = lo decides tú (“entrenaré con 100 árboles y learning rate 0.01”); parámetro = lo aprende el modelo (pesos, umbrales). Es como cocinar un arroz: tú eliges el fuego y el tiempo (hiperparámetros), pero cómo se cocina cada grano lo determina el proceso (parámetros). SageMaker Automatic Model Tuning busca la mejor combinación de hiperparámetros.
Truco para el examen: “antes de entrenar” o “se configura” = hiperparámetro; “se aprende durante el entrenamiento” = parámetro.
Respuesta: A. Un Falso Positivo es cuando el modelo predijo “positivo” pero la realidad era “negativo”: una falsa alarma. → Guía §1.5.
Concepto clave: la segunda palabra (Positivo/Negativo) es lo que predijo el modelo; la primera (Verdadero/Falso) dice si acertó. Es como la alarma de un carro que suena porque pasó una combi: dijo “robo” (positivo) y no lo era (falso).
Truco para el examen: traduce siempre “Falso X” como “el modelo dijo X y se equivocó”. Los FP afectan a Precision; los FN afectan a Recall.
Respuesta: D. Recall = TP/(TP+FN): de todos los casos positivos reales, cuántos logró detectar el modelo. Si hay 100 fraudes reales y detecta 95, el Recall es 0.95. → Guía §1.5.
Concepto clave: Recall mira la “realidad” (¿cuántos atrapé?) y Precision mira las “predicciones” (¿cuántas de mis alarmas eran ciertas?). Es como una red de pesca: Recall es cuántos peces del río atrapaste; Precision es cuánto de lo que sacaste eran peces y no basura.
Truco para el examen: si el enunciado dice “no podemos dejar pasar ningún caso” (fraude, cáncer), la métrica es Recall; si dice “evitar falsas alarmas”, es Precision.
Respuesta: B. SageMaker Ground Truth es el servicio para crear datasets etiquetados coordinando revisores humanos, antes de entrenar. → Guía §1.4, §1.6.
Concepto clave: Ground Truth trabaja antes del entrenamiento (etiquetar datos); la revisión humana de predicciones de baja confianza (human-in-the-loop) ocurre después. Es como contratar a un grupo de personas para marcar miles de fotos de palta como “madura” o “verde” antes de enseñarle al modelo.
Truco para el examen: “etiquetar datos de entrenamiento” + “humanos” = Ground Truth. No lo confundas con la revisión humana de predicciones ya hechas.
Respuesta: C. SageMaker Canvas permite a analistas de negocio construir modelos de ML con una interfaz visual de apuntar y hacer clic, sin código. → Guía §1.6.
Concepto clave: SageMaker tiene herramientas para cada perfil: Canvas (analista, no-code), Studio (data scientist, código), Pipelines (MLOps). Canvas es como armar una presentación en una plantilla de arrastrar y soltar en vez de programarla.
Truco para el examen: las palabras “analista de negocio”, “sin escribir código” o “no-code” apuntan casi siempre a SageMaker Canvas.
Respuesta: D. XGBoost es el algoritmo integrado de SageMaker más usado para clasificación y regresión con datos tabulares. → Guía §1.7.
Concepto clave: los algoritmos integrados de SageMaker se eligen por el tipo de dato: tabular → XGBoost o Linear Learner; texto → BlazingText; anomalías → Random Cut Forest; clustering → K-Means. Rekognition, Polly y compañía son AI Services listos para usar, no algoritmos que entrenas tú.
Truco para el examen: “datos tabulares” + “clasificación o regresión” = XGBoost. Descarta de inmediato los nombres “Amazon X” si preguntan por un algoritmo de SageMaker.
Respuesta: C. Las Instancias Spot son las más económicas (hasta 70–90% de descuento frente a On-Demand) a cambio de que AWS pueda interrumpirlas; los checkpoints permiten retomar el entrenamiento. En SageMaker esto se llama Managed Spot Training. → Guía §1.8.
Concepto clave: Spot = barato pero interrumpible; On-Demand = caro pero garantizado; Reservadas = descuento a cambio de compromiso largo. Es como comprar un pasaje de último minuto en remate: sale baratísimo, pero la aerolínea puede reubicarte.
Truco para el examen: “tolera interrupciones” o “checkpoints” + “más económico” = Spot. Si dice “carga estable 24/7 durante años”, entonces serían Reservadas o Savings Plans.
Respuesta: B. La relación es IA ⊃ ML ⊃ DL: cada término es un subconjunto más específico del anterior. La IA Generativa, a su vez, se apoya en Deep Learning. → Guía §1.1.
Concepto clave: piénsalo como muñecas rusas (o como Perú ⊃ Lima ⊃ Miraflores): IA es el país, ML una región dentro y DL un distrito dentro de esa región. Todo DL es ML, pero no todo ML es DL.
Truco para el examen: recuerda el orden de “lo general a lo específico”: IA → ML → DL → GenAI. Cualquier opción que ponga DL como el más amplio es trampa.
Respuesta: A y B. Precision y Recall evalúan modelos que predicen clases (sí/no, spam/no spam). Las métricas de error numérico y R² son de regresión, es decir, de predecir un número continuo. → Guía §1.5.
Concepto clave: clasificación → Accuracy, Precision, Recall, F1, AUC-ROC, matriz de confusión; regresión → MAE, MSE, RMSE, R². Es como la diferencia entre adivinar si mañana lloverá (clase) y adivinar cuántos grados hará (número).
Truco para el examen: si la métrica tiene “Error” en el nombre (MAE, RMSE) o es R², es de regresión. Las de clasificación hablan de aciertos sobre categorías.
Dominio 2 — Fundamentos de IA Generativa#
Respuesta: C. Un modelo fundacional se define por dos cosas: preentrenamiento a gran escala con datos generales y capacidad de adaptarse a muchas tareas distintas. → Guía §2.1.
Concepto clave: es como un egresado de estudios generales muy bien formado: sabe un poco de todo y, con una breve inducción (prompting, RAG o fine-tuning), rinde en casi cualquier puesto. Los LLM son modelos fundacionales especializados en texto.
Truco para el examen: “grande”, “preentrenado” y “múltiples tareas” son las tres palabras que definen un FM. Si una opción dice “una única tarea”, descártala.
Respuesta: C. Un LLM (Large Language Model) es un modelo fundacional especializado en texto y lenguaje, por ejemplo Claude o Titan Text. → Guía §2.1.
Concepto clave: un LLM aprende a predecir el siguiente token a partir de enormes cantidades de texto; así termina “entendiendo” gramática, contexto y hechos. Es como alguien que leyó una biblioteca entera y ahora completa frases con mucha soltura.
Truco para el examen: todo LLM es un modelo fundacional, pero no todo modelo fundacional es un LLM (también hay de imágenes o multimodales).
Respuesta: C. Bedrock factura principalmente por tokens de entrada y de salida procesados (en On-Demand); no por usuarios ni por servidores. → Guía §2.1.
Concepto clave: un token es un fragmento de texto (aprox. ¾ de palabra en inglés). Es como un taxi con taxímetro: pagas por el recorrido (tokens), no por el número de pasajeros. Los tokens de salida suelen costar más que los de entrada.
Truco para el examen: para bajar costos en Bedrock piensa en tokens: prompts más cortos, limitar la longitud de salida, prompt caching o un modelo más pequeño. Provisioned Throughput es la excepción: se paga por capacidad reservada por hora.
Respuesta: C. Un embedding es un vector de números que captura el significado de un texto o imagen, de modo que contenidos similares quedan cerca en ese espacio. → Guía §2.1.
Concepto clave: es como darle coordenadas GPS a cada idea: “ceviche” y “tiradito” quedan cerca en el mapa; “ceviche” y “impresora”, lejísimos. Modelos como Amazon Titan Embeddings generan esos vectores, y bases vectoriales (OpenSearch, Aurora con pgvector) los guardan para buscar por significado.
Truco para el examen: “representación vectorial”, “similitud semántica” o “búsqueda por significado” = embeddings. No lo confundas con chunking (cortar documentos).
Respuesta: C. La ventana de contexto es la cantidad máxima de tokens que el modelo puede procesar en una solicitud, sumando prompt y respuesta. → Guía §2.1.
Concepto clave: es la “memoria de trabajo” del modelo, como el tamaño de la mesa donde extiendes tus apuntes: si la mesa es chica, no caben todos los documentos a la vez. Si un documento es más grande que la ventana, se usa RAG o se divide en partes.
Truco para el examen: si el problema es “el documento no entra” o “el modelo olvida el inicio de la conversación”, piensa en la ventana de contexto.
Respuesta: D. Subir la temperature aumenta la aleatoriedad al elegir cada token, lo que da respuestas más creativas y variadas, pero también menos consistentes. → Guía §2.1.
Concepto clave: temperature baja = el modelo casi siempre elige la palabra más probable (ideal para respuestas técnicas); alta = se arriesga más (ideal para lluvia de ideas o slogans). Es como un cocinero que sigue la receta al pie de la letra frente a uno que improvisa. Top-p y top-k también controlan la diversidad.
Truco para el examen: “creativo/variado” = subir temperature; “consistente/determinista/factual” = bajarla. La temperature no afecta costos ni longitud.
Respuesta: A. La alucinación ocurre cuando el modelo inventa datos con total confianza, porque su objetivo es generar texto plausible, no verificar la verdad. → Guía §2.1.
Concepto clave: es como ese amigo que nunca dice “no sé” y te da una dirección inventada con toda seguridad. Se reduce con RAG (anclar las respuestas en documentos reales), temperature baja, Guardrails con verificación de contextual grounding y revisión humana.
Truco para el examen: “dato inventado”, “suena convincente pero es falso” o “cita fuentes que no existen” = alucinación. La solución más citada por AWS es RAG.
Respuesta: A y B. Zero-shot no incluye ejemplos; few-shot sí incluye ejemplos resueltos dentro del prompt. Ninguno de los dos modifica los pesos del modelo. → Guía §2.2.
Concepto clave: el prompting cambia lo que le dices al modelo, no al modelo en sí. Es como pedirle a un mozo nuevo “tráeme la cuenta” (zero-shot) frente a mostrarle antes dos boletas bien hechas para que copie el formato (few-shot). Lo que aprende con esos ejemplos se olvida al terminar la conversación.
Truco para el examen: el número del nombre dice cuántos ejemplos lleva: zero = 0, one = 1, few = varios. Cualquier opción que diga que el prompting “modifica permanentemente” el modelo es falsa.
Respuesta: B. Chain-of-thought pide al modelo que muestre su razonamiento paso a paso antes de responder, lo que reduce errores en problemas de varios pasos. → Guía §2.2.
Concepto clave: es como el profesor de matemáticas que te exige “el procedimiento” y no solo el resultado: al escribir cada paso, es menos probable equivocarse. Ejemplo: “Tengo 3 manzanas y agrego 5” → “3 + 5 = 8”.
Truco para el examen: “paso a paso”, “razonamiento” o “mostrar el proceso” = chain-of-thought. La palabra “chain” engaña para pensar en encadenar modelos: no es eso.
Respuesta: B. RAG (Retrieval Augmented Generation) recupera la información vigente del manual en el momento de cada consulta, así que basta con actualizar los documentos, sin tocar el modelo. → Guía §2.3.
Concepto clave: RAG = darle al modelo un libro abierto; fine-tuning = hacerlo estudiar hasta que cambie cómo piensa. Es como un asesor de un banco que consulta el tarifario del día antes de contestarte, en vez de memorizarlo cada lunes. En AWS se implementa fácilmente con Bedrock Knowledge Bases.
Truco para el examen: “información que cambia seguido”, “documentos internos” o “sin reentrenar” = RAG. Si piden cambiar tono o estilo de forma permanente, entonces es fine-tuning.
Respuesta: C. Para que el modelo adopte de forma permanente un tono o estilo propio usando ejemplos etiquetados, se usa fine-tuning, que ajusta los pesos del modelo. → Guía §2.3.
Concepto clave: fine-tuning es como capacitar a un nuevo empleado con cientos de correos modelo de la empresa hasta que escriba “con la voz de la marca” sin que se lo recuerdes. Requiere datos etiquetados (pares prompt-respuesta) y cuesta más que el prompting, pero el cambio queda en el modelo.
Truco para el examen: las palabras “permanentemente”, “estilo/tono propio” y “ejemplos etiquetados” delatan fine-tuning. Si en cambio hablan de datos que cambian cada semana, es RAG.
Respuesta: A. Amazon OpenSearch Service es una de las bases de datos vectoriales válidas en AWS para guardar embeddings y buscar por similitud en RAG. → Guía §2.3.
Concepto clave: en RAG, los documentos se trocean, se convierten en embeddings y se guardan en una base vectorial; al preguntar, se buscan los vectores más cercanos. Otras opciones en AWS: Aurora PostgreSQL o RDS for PostgreSQL con pgvector, Amazon Neptune Analytics, Amazon DocumentDB y Amazon S3 Vectors. Es como un bibliotecario que ordena los libros por tema y no por título.
Truco para el examen: si la pregunta pide “base de datos vectorial” en AWS, busca OpenSearch, Aurora o RDS (pgvector) o Neptune. Los AI Services de un solo propósito (Polly, Translate) y los servicios de streaming como Kinesis nunca lo son.
Respuesta: C. El mecanismo de self-attention permite al Transformer ponderar qué palabras de la frase son relevantes para interpretar cada palabra, procesándolas todas en paralelo. → Guía §2.6.
Concepto clave: en “El banco estaba lleno porque era día de pago”, self-attention conecta “banco” con “pago” para entender que es una entidad financiera y no un asiento del parque. Es como leer una oración subrayando mentalmente las palabras que se aclaran entre sí.
Truco para el examen: “Transformer” + “relevancia entre palabras” o “contexto” = self-attention (attention). Los demás suelen ser algoritmos clásicos de ML puestos como distractores.
Respuesta: D. RLHF se aplica después del preentrenamiento para alinear las respuestas del modelo con las preferencias humanas: utilidad, veracidad y seguridad. → Guía §2.7.
Concepto clave: el modelo genera varias respuestas, personas eligen las mejores y el modelo aprende de esas preferencias. Es como un practicante que recibe feedback de su jefe (“esta respuesta al cliente sí, esta no”) hasta que responde como la empresa espera. En AWS, SageMaker Ground Truth puede recolectar ese feedback humano.
Truco para el examen: “Human Feedback”, “preferencias humanas” o “alinear” = RLHF. No lo confundas con técnicas de eficiencia como cuantización o destilación.
Respuesta: B. Los modelos de difusión (como Stable Diffusion o Amazon Nova Canvas en Bedrock) empiezan con ruido aleatorio y lo eliminan paso a paso, guiados por el prompt, hasta formar la imagen. → Guía §2.8.
Concepto clave: durante el entrenamiento el modelo aprende a quitar ruido de imágenes; al generar, hace ese proceso al revés partiendo de “estática de televisor”. Es como un escultor que, a partir de un bloque sin forma, va retirando material hasta que aparece la figura que le describiste.
Truco para el examen: “difusión” = “ruido que se va limpiando”. Si una opción habla de combinar fotos existentes o tablas fijas, es un distractor.
Respuesta: B. Un agente de IA razona sobre una tarea, decide qué acciones tomar y usa herramientas (como una API) para completarla con cierta autonomía, más allá de solo contestar. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.1.
Concepto clave: un chatbot te dice cómo reprogramar tu vuelo; un agente lo reprograma: consulta disponibilidad, elige el vuelo, llama al sistema de reservas y te confirma. En AWS se construyen con Amazon Bedrock Agents y Amazon Bedrock AgentCore.
Truco para el examen: “tareas de varios pasos”, “ejecutar acciones”, “usar herramientas/APIs” o “autonomía” = agente.
Dominio 3 — Aplicaciones de Modelos Fundacionales#
Respuesta: C. Bedrock es el servicio serverless y totalmente gestionado de AWS para usar modelos fundacionales de múltiples proveedores mediante una API unificada. → Guía §3.1.
Concepto clave: Bedrock es como un patio de comidas: con una sola tarjeta (una API) eliges entre varios “restaurantes” (proveedores de modelos) sin tener que montar ninguna cocina (infraestructura). Además ofrece Knowledge Bases, Agents, Guardrails y fine-tuning.
Truco para el examen: “serverless”, “modelos fundacionales” y “varios proveedores” = Bedrock. Si piden entrenar un modelo propio desde cero con control total, la respuesta es SageMaker.
Respuesta: A. Anthropic es uno de los proveedores de modelos de Bedrock, junto con Amazon (Titan, Nova), AI21 Labs, Cohere, Meta (Llama), Mistral AI y Stability AI. → Guía §3.1.
Concepto clave: Bedrock agrupa modelos de distintas empresas especializadas en IA; los demás nombres son empresas de datos o software empresarial que no publican sus modelos ahí.
Truco para el examen: memoriza la lista de proveedores de Bedrock. Los distractores suelen ser empresas famosas de datos o CRM que “suenan” a IA.
Respuesta: C. Bedrock Knowledge Bases automatiza el flujo completo de RAG: ingesta de documentos, chunking, generación de embeddings y almacenamiento vectorial. → Guía §3.1.
Concepto clave: sin Knowledge Bases tendrías que armar tú mismo el pipeline (trocear, vectorizar, guardar, buscar). Es como contratar un servicio de mudanza “todo incluido” que empaca, etiqueta y ordena tus cosas en la casa nueva.
Truco para el examen: “RAG gestionado”, “ingesta”, “chunking” o “tus documentos” = Knowledge Bases. “Ejecutar acciones” sería Agents y “filtrar contenido”, Guardrails.
Respuesta: D. Bedrock Agents permite que un modelo descomponga una tarea y ejecute acciones de varios pasos, como invocar APIs o funciones Lambda. → Guía §3.5.
Concepto clave: Knowledge Bases le da al modelo qué saber; Agents le da qué hacer. Es como la diferencia entre un asistente que consulta el manual y uno que además entra al sistema y registra tu pedido.
Truco para el examen: “acciones”, “varios pasos”, “invocar API/Lambda” u “orquestar” = Bedrock Agents.
Respuesta: A. Bedrock Guardrails filtra contenido dañino, bloquea temas prohibidos y detecta o enmascara PII en las entradas y salidas del modelo. → Guía §3.5.
Concepto clave: Guardrails es como el filtro de seguridad de un centro comercial: revisa lo que entra (prompts) y lo que sale (respuestas). Funciona con cualquier modelo de Bedrock y también puede verificar que la respuesta esté respaldada por las fuentes (contextual grounding).
Truco para el examen: “filtrar”, “bloquear temas”, “contenido dañino” o “PII en respuestas” = Guardrails. Ojo: Macie detecta PII almacenada en S3, no en las respuestas de un modelo.
Respuesta: B. Provisioned Throughput reserva capacidad dedicada para un modelo en Bedrock, con rendimiento garantizado y consistente para producción. → Guía §3.1.
Concepto clave: On-Demand es como tomar un taxi cuando lo necesitas; Provisioned Throughput es como contratar una movilidad fija que te espera siempre a la misma hora. Se paga por hora de capacidad reservada, uses o no toda esa capacidad.
Truco para el examen: “capacidad reservada”, “throughput garantizado” o “modelo personalizado (fine-tuned)” = Provisioned Throughput. Tráfico impredecible o bajo = On-Demand.
Respuesta: D. Amazon Textract extrae automáticamente texto, formularios y tablas de documentos escaneados, más allá del OCR simple. → Guía §3.2.
Concepto clave: Textract no solo “lee letras”, entiende la estructura: sabe que “RUC: 20123456789” es un par clave-valor. Es como un practicante que transcribe facturas al Excel, pero en segundos. Un flujo típico: Textract extrae el texto y Comprehend lo analiza.
Truco para el examen: “documentos escaneados”, “formularios”, “facturas” o “tablas” = Textract.
Respuesta: A. Amazon Comprehend analiza texto para detectar sentimiento, entidades, frases clave e idioma. → Guía §3.2.
Concepto clave: Comprehend es el “lector” de AWS: le das miles de reseñas de un restaurante y te dice cuáles son positivas, qué platos se mencionan y qué quejas se repiten. También detecta PII en texto.
Truco para el examen: “sentimiento”, “entidades” o “frases clave” en texto = Comprehend. Si el origen es audio, primero va Transcribe.
Respuesta: B. Amazon Rekognition es el servicio de visión por computadora de AWS: detecta objetos, rostros y contenido inapropiado en imágenes y video. → Guía §3.2.
Concepto clave: Rekognition son los “ojos” de AWS. Ejemplos: verificar que la selfie coincide con la foto del DNI al abrir una cuenta, o moderar fotos que suben los usuarios a una app. Para fotos de documentos con datos estructurados, en cambio, se usa Textract.
Truco para el examen: “imágenes o video” + “objetos, rostros o moderación” = Rekognition.
Respuesta: D. Amazon Transcribe convierte voz en texto. → Guía §3.2.
Concepto clave: Transcribe es el “oído” de AWS: escucha una grabación y la convierte en texto, incluso separando quién habla. Es la base para después analizar llamadas con Comprehend o traducirlas con Translate.
Truco para el examen: Transcribe = voz → texto (transcribir, escribir lo que se oye); Polly = texto → voz (el loro que habla).
Respuesta: A. Amazon Polly convierte texto en voz. → Guía §3.2.
Concepto clave: Polly es la “boca” de AWS: por ejemplo, la voz que anuncia “Próxima estación” en un sistema de transporte o que lee un artículo en voz alta. Transcribe es el oído; Polly, la voz.
Truco para el examen: recuerda “Polly = el loro que habla” (texto → voz). La trampa típica es intercambiarlo con Transcribe.
Respuesta: B. Amazon Translate traduce texto automáticamente entre idiomas. → Guía §3.2.
Concepto clave: Translate permite, por ejemplo, que una tienda online muestre sus descripciones en inglés y portugués para turistas. Se combina con otros servicios: Transcribe (voz → texto) + Translate (traducir) + Polly (texto → voz) arma un traductor de voz.
Truco para el examen: “traducir” = Translate, sin más. El distractor frecuente es Comprehend, que detecta el idioma pero no traduce.
Respuesta: A. Amazon Lex construye chatbots que entienden la intención del usuario y gestionan el flujo del diálogo, con la tecnología de Alexa. → Guía §3.2.
Concepto clave: en Lex defines intents (“reservar mesa”) y slots (fecha, hora, número de personas); el bot pregunta lo que falta hasta completar la reserva. Es como el anfitrión de un restaurante que va pidiéndote cada dato.
Truco para el examen: “chatbot”, “intenciones” o “flujo de conversación” = Lex. Si el enfoque es un asistente con IA generativa sobre datos de la empresa, piensa en Amazon Q Business o Bedrock.
Respuesta: D. Amazon Q Business responde preguntas en lenguaje natural con información de los documentos internos de la empresa, sin que tengas que construir el flujo de RAG. → Guía §3.6.
Concepto clave: Q Business es como un compañero que leyó todos los manuales y wikis de la empresa: le preguntas “¿cuántos días de vacaciones tengo?” y te responde citando el reglamento, aunque no uses las mismas palabras. Por dentro usa búsqueda semántica + un FM (RAG gestionado) y respeta los permisos de acceso de cada empleado.
Truco para el examen: “empleados”, “lenguaje natural” y “documentos internos” = Amazon Q Business. Si debes construir tú el RAG para tu propia app, piensa en Bedrock Knowledge Bases. Athena y Redshift son SQL sobre datos estructurados.
Respuesta: A. Amazon Personalize genera recomendaciones personalizadas con la misma tecnología que Amazon.com. → Guía §3.2.
Concepto clave: Personalize aprende del historial de cada usuario (qué vio, compró o calificó) para sugerirle lo siguiente, como el “también te puede interesar” de una tienda online o la sección de recomendados de una app de delivery.
Truco para el examen: “recomendaciones”, “personalizado” o “clientes que compraron esto” = Personalize. Predecir cantidades en el tiempo (demanda) es otro problema: pronóstico de series temporales, con SageMaker Canvas o SageMaker AI.
Respuesta: A. Entrenar un modelo propio con datos etiquetados y servirlo en un endpoint en tiempo real es el caso de uso de Amazon SageMaker AI. → Guía §3.2.
Concepto clave: detectar fraude con un historial etiquetado es aprendizaje supervisado (clasificación binaria). SageMaker AI cubre todo el ciclo: entrenar (por ejemplo, con XGBoost), desplegar el endpoint y devolver un puntaje de riesgo por pago, como un semáforo que decide si aprobar, revisar o rechazar. Nota: Amazon Fraud Detector ya no acepta clientes nuevos desde noviembre de 2025.
Truco para el examen: “modelo propio” + “datos etiquetados” + “endpoint en tiempo real” = SageMaker AI. Shield, Inspector y GuardDuty son servicios de seguridad de infraestructura, no de fraude de negocio; Clarify explica y audita modelos, no los entrena.
Respuesta: A y B. Amazon Q Developer está pensado para desarrolladores dentro del IDE, y Amazon Q Business para empleados no técnicos que consultan datos internos de la empresa: son dos productos distintos. → Guía §3.6.
Concepto clave: la familia Amazon Q son asistentes de IA generativa listos para usar. Q Developer es como un compañero senior que te ayuda a programar; Q Business es como un colega que conoce todos los manuales y políticas de la empresa y te responde al instante.
Truco para el examen: “código”, “IDE” o “desarrolladores” = Q Developer; “empleados”, “datos internos” o “documentos de la empresa” = Q Business.
Respuesta: B. Prompt caching reutiliza el procesamiento del bloque fijo que se repite al inicio del prompt, reduciendo costo y latencia en llamadas repetidas. → Guía oficial AIF-C01 — Dominio 3, Tarea 3.1.
Concepto clave: es como la cafetería que ya tiene el café base preparado: cada pedido solo agrega lo particular (leche, azúcar) en lugar de moler el grano desde cero. Funciona mejor cuando el contenido fijo va al inicio del prompt y lo variable al final.
Truco para el examen: “mismo bloque de instrucciones repetido”, “contexto fijo” o “miles de llamadas” + “reducir costo/latencia” = prompt caching.
Dominio 4 — Directrices para IA Responsable#
Respuesta: D. Fairness es la dimensión de IA responsable que busca que el modelo no discrimine por raza, género, edad u otros atributos. → Guía §4.1.
Concepto clave: un modelo de créditos no debería aprobar menos préstamos a mujeres con el mismo perfil que un hombre. La equidad se mide con métricas de sesgo, y en AWS se detecta con SageMaker Clarify.
Truco para el examen: “discriminación”, “grupos demográficos” o “trato equitativo” = Fairness.
Respuesta: C. La explicabilidad es la mirada hacia adentro del modelo: entender por qué tomó una decisión concreta. → Guía §4.1.
Concepto clave: si el banco te niega un préstamo, la explicabilidad responde “fue principalmente por tu nivel de endeudamiento y tu antigüedad laboral”. En AWS, SageMaker Clarify ofrece explicaciones con valores SHAP sobre la importancia de cada feature.
Truco para el examen: “por qué decidió”, “qué variables influyeron” o “funcionamiento interno” = explicabilidad. “Informar al usuario que es una IA” = transparencia.
Respuesta: A. La transparencia es la comunicación hacia afuera: decirle al usuario que existe un sistema automatizado y cuáles son sus capacidades y límites. → Guía §4.1.
Concepto clave: es como el aviso “Estás conversando con un asistente virtual; para casos complejos te derivaremos con un asesor”. En AWS, las AI Service Cards y las SageMaker Model Cards apoyan la transparencia documentando usos previstos y limitaciones.
Truco para el examen: transparencia = hacia afuera (qué es y qué no puede hacer); explicabilidad = hacia adentro (por qué decidió así).
Respuesta: A. SageMaker Clarify está diseñado para detectar sesgo en los datos y en las predicciones de un modelo, y para explicar sus decisiones. → Guía §4.2, §4.3.
Concepto clave: Clarify es como un auditor que revisa si tu dataset tiene, por ejemplo, muchos más hombres que mujeres, y si el modelo aprueba a un grupo más que a otro. Cubre dos dimensiones de IA responsable: fairness y explicabilidad.
Truco para el examen: “sesgo” o “bias” + SageMaker = Clarify. También es la respuesta cuando preguntan por explicabilidad de predicciones.
Respuesta: C. SageMaker Model Cards resume el propósito, los datos de entrenamiento, las métricas y las limitaciones de un modelo, como documento de gobernanza. → Guía §4.3.
Concepto clave: es como la ficha técnica o el prospecto de un medicamento: para qué sirve, cómo se probó, contraindicaciones. Facilita auditorías y que otros equipos usen el modelo de forma responsable.
Truco para el examen: “documentar el modelo”, “propósito y limitaciones” o “gobernanza” = Model Cards. No confundir con AI Service Cards, que documenta AWS para sus propios servicios.
Respuesta: A. Human-in-the-loop (HITL) incorpora revisión humana en las predicciones de baja confianza de un modelo antes de aplicarlas. → Guía §4.3.
Concepto clave: por ejemplo, si Textract lee una factura con 60% de confianza, el flujo la envía a un revisor humano; si la confianza es alta, pasa sola. Es como el cajero que llama al supervisor solo cuando algo no le cuadra. En AWS se implementa con flujos de revisión humana de SageMaker AI o con un paso de aprobación en el flujo de la aplicación.
Truco para el examen: “revisión humana” + “baja confianza” o “antes de aplicar la decisión” = human-in-the-loop. Si la intervención humana es para etiquetar datos antes de entrenar, es SageMaker Ground Truth.
Respuesta: C. Si el algoritmo funciona bien pero el dataset histórico ya venía sesgado, el modelo aprende y amplifica ese sesgo: bias de datos. → Guía §4.2.
Concepto clave: “basura entra, basura sale”. Si durante años el área de RR. HH. contrató casi solo a hombres, el modelo aprende que “ser hombre” es una señal de buen candidato. La solución es balancear o limpiar los datos y medir el sesgo con SageMaker Clarify.
Truco para el examen: “decisiones históricas”, “datos del pasado” o “el algoritmo funciona correctamente” = bias de datos.
Respuesta: A y B. Fairness y Safety son dimensiones reconocidas de IA responsable; los demás son conceptos técnicos de inferencia o de capacidad. → Guía §4.1.
Concepto clave: las dimensiones de IA responsable según AWS incluyen fairness, explicabilidad, privacidad y seguridad, safety, controllability, veracidad y robustez, gobernanza y transparencia. Responden a “¿es justo, seguro y confiable?”, no a “¿cómo se procesa o se cobra?”.
Truco para el examen: separa lo ético de lo técnico: los términos de facturación o rendimiento (tokens, throughput, batch) nunca son dimensiones de IA responsable.
Respuesta: D. El ciclo de vida responsable comienza con el diseño preventivo: identificar riesgos y criterios de responsabilidad antes de recolectar datos o entrenar. → Guía §4.4.
Concepto clave: orden lógico: diseño con análisis de riesgos → recolección y auditoría de datos → entrenamiento y pruebas → despliegue (con Model Cards) → monitoreo continuo y feedback. Es como construir una casa: los planos antisísmicos se hacen antes de levantar las paredes, no después del temblor. A esto se le llama “shift left”.
Truco para el examen: si preguntan por el “primer paso” o “lo antes posible”, la respuesta es diseño o evaluación de riesgos. El monitoreo y el feedback siempre son etapas posteriores.
Dominio 5 — Seguridad, Cumplimiento y Gobernanza#
Respuesta: B. Configurar correctamente IAM es responsabilidad del cliente, porque forma parte de la seguridad “en” la nube. → Guía §5.1, §5.3.
Concepto clave: es como alquilar un departamento: el edificio (estructura, ascensores, vigilancia de la puerta principal) es responsabilidad del propietario (AWS); a quién le das copia de tus llaves (IAM) es responsabilidad tuya (cliente).
Truco para el examen: todo lo que configuras tú (IAM, cifrado de tus datos, acceso a buckets, datos de entrenamiento) es del cliente; lo físico y la infraestructura base es de AWS.
Respuesta: A. AWS garantiza que los datos y prompts que envías a Bedrock no se usan para reentrenar los modelos base de terceros ni se comparten con sus proveedores. → Guía §5.1.
Concepto clave: es como una conversación con tu abogado: lo que le cuentas no se usa para asesorar a otros clientes. Además, los datos se cifran en tránsito y en reposo, y puedes mantener el tráfico privado con VPC endpoints (PrivateLink).
Truco para el examen: ante cualquier pregunta sobre privacidad en Bedrock, la respuesta segura es “tus datos no entrenan los modelos base y permanecen en tu cuenta y región”.
Respuesta: D. TLS protege los datos en tránsito, es decir, mientras viajan por la red. El cifrado en reposo (por ejemplo, con KMS) protege los datos almacenados. → Guía §5.2.
Concepto clave: en tránsito es como enviar dinero en un camión blindado; en reposo es como guardarlo en una caja fuerte. Una buena arquitectura usa ambos. El candado del navegador (HTTPS) es TLS en acción.
Truco para el examen: “viajan”, “red” o “en tránsito” = TLS; “almacenados” o “en reposo” = KMS.
Respuesta: D. Un VPC endpoint con AWS PrivateLink permite invocar Bedrock o SageMaker desde una VPC sin que el tráfico salga a la internet pública. → Guía §5.2.
Concepto clave: es como un pasadizo interno entre dos edificios de la misma empresa: vas de uno a otro sin salir a la calle. Es clave para cumplir requisitos de seguridad en banca, salud o gobierno.
Truco para el examen: “sin pasar por internet”, “conectividad privada” o “tráfico no sale de la red de AWS” = VPC endpoint / PrivateLink.
Respuesta: B. El principio de mínimo privilegio establece otorgar exactamente los permisos necesarios, ni más ni menos. → Guía §5.3.
Concepto clave: es como darle al técnico de cable la llave solo de la sala, no de todo el departamento. En IAM se aplica, por ejemplo, permitiendo que una aplicación invoque solo un modelo específico de Bedrock y nada más.
Truco para el examen: “solo los permisos necesarios” o “reducir la superficie de ataque” = mínimo privilegio. Es la respuesta por defecto en casi toda pregunta de IAM.
Respuesta: D. AWS Artifact centraliza el acceso a los informes de cumplimiento de AWS y a acuerdos legales como el BAA de HIPAA. → Guía §5.4.
Concepto clave: Artifact es como la carpeta de certificados que una empresa muestra a un auditor: “aquí está nuestra ISO, aquí nuestro SOC 2”. Tú los descargas para demostrar a tus reguladores que la infraestructura de AWS cumple las normas.
Truco para el examen: “informes de cumplimiento”, “SOC/ISO/PCI”, “acuerdos” o “documentos de auditoría de AWS” = Artifact. Config revisa tus recursos, no las certificaciones de AWS.
Respuesta: B. AWS CloudTrail registra un historial auditable de cada llamada a la API: quién, qué acción y cuándo. → Guía §5.4, §5.7.
Concepto clave: CloudTrail es como las cámaras de seguridad con registro de hora de un edificio: permite saber quién entró, a qué oficina y a qué hora. Por ejemplo, quién invocó un modelo de Bedrock o borró un bucket. CloudWatch, en cambio, mide rendimiento y métricas.
Truco para el examen: “quién hizo qué y cuándo”, “auditoría de llamadas a la API” = CloudTrail. “Métricas y rendimiento” = CloudWatch.
Respuesta: A. Amazon Macie descubre y clasifica automáticamente datos sensibles, incluida la PII, en buckets de S3. → Guía §5.2.
Concepto clave: antes de usar un bucket como fuente de un modelo o de una Knowledge Base, Macie te avisa si contiene datos sensibles que no deberían estar ahí. Es como pasar las maletas por el escáner del aeropuerto antes de embarcarlas.
Truco para el examen: “PII” + “S3” = Macie. Si la PII está en las respuestas de un modelo, piensa en Bedrock Guardrails; si está en texto que analizas, Comprehend también la detecta.
Respuesta: D. AgentCore Identity gestiona de forma segura la identidad y las credenciales que un agente usa para autenticarse ante otros servicios, sin credenciales permanentes en el código. → Guía oficial AIF-C01 — Dominio 5, Tarea 5.1.
Concepto clave: Amazon Bedrock AgentCore ofrece piezas para operar agentes en producción (Runtime, Memory, Gateway, Identity, Observability). Identity es como el fotocheck temporal que la empresa le entrega a un contratista: le abre solo las puertas necesarias y se puede revocar, en lugar de darle una llave maestra permanente.
Truco para el examen: “agente” + “autenticarse” o “credenciales” = AgentCore Identity. “Credenciales incrustadas en el código” siempre es una mala práctica que el examen quiere que evites.
Parte 2 — Respuestas y justificación#
Dominio 1#
1. D. El ML requiere que el sistema aprenda el patrón a partir de datos; una regla fija escrita por una persona es IA clásica, no ML. Por qué no las otras: A) confunde automatización con aprendizaje — no todo sistema automatizado aprende de datos. B) confunde procesar datos numéricos con aprender de ellos; una regla fija también usa números, pero no fue aprendida. C) es falsa: el sistema sí usa una computadora; el motivo real es la ausencia de aprendizaje, no de cómputo. → Guía §1.1.
2. C — Supervisado. Existe una etiqueta conocida ("spam"/"no spam") para cada ejemplo de entrenamiento — la definición exacta de aprendizaje supervisado. Por qué no las otras: A) se usaría si no hubiera etiquetas previas, y aquí sí las hay. B) implicaría un agente que aprende por prueba y error mediante recompensas, no clasificación sobre ejemplos ya etiquetados. D) IA Generativa se refiere a crear contenido nuevo, no a clasificar correos existentes. → Guía §1.2.
3. B — No supervisado. Sin categorías previas, el objetivo es que el modelo descubra estructura por sí mismo (clustering). Por qué no las otras: A) requeriría categorías de segmento ya definidas de antemano, que no existen en este caso. C) implica recompensas y acciones secuenciales, no agrupar datos estáticos. D) fine-tuning es una técnica de ajuste de un modelo preentrenado, no un tipo de aprendizaje para agrupar clientes. → Guía §1.2.
4. A — Overfitting. Una gran diferencia entre el desempeño en entrenamiento y en datos nuevos es la firma clásica de overfitting: el modelo memorizó en vez de generalizar. Por qué no las otras: B) underfitting implicaría bajo desempeño incluso en entrenamiento, justo lo opuesto a este caso. C) data drift se refiere a que los datos cambian con el tiempo después del despliegue, no a la diferencia entre entrenamiento y prueba en el mismo momento. D) fine-tuning es una técnica de ajuste del modelo, no un problema de generalización. → Guía §1.3.
5. B. Un hiperparámetro se fija antes de entrenar (learning rate, número de árboles); el modelo no lo aprende por sí solo, a diferencia de un parámetro. Por qué no las otras: A) eso describe un parámetro (por ejemplo, los pesos), que sí se aprende durante el entrenamiento. C) una feature es una variable de entrada del dataset, un concepto distinto de un hiperparámetro. D) el resultado de una predicción es el output del modelo, no una configuración previa al entrenamiento. → Guía §1.3.
6. A. Un falso positivo es cuando el modelo predijo "positivo" pero la realidad era "negativo" — una falsa alarma. Por qué no las otras: B) predijo positivo y era positivo es un verdadero positivo, no un falso positivo. C) predijo negativo y era negativo es un verdadero negativo. D) predijo negativo pero era positivo es un falso negativo, el error opuesto. → Guía §1.5.
7. D. Recall = TP/(TP+FN): de todos los casos positivos reales, cuántos detectó el modelo. Por qué no las otras: A) esa es la definición de Precision, no de Recall. B) el error promedio de un modelo de regresión describe métricas como MAE, no Recall. C) la velocidad de entrenamiento no es una métrica de calidad predictiva. → Guía §1.5.
8. B — SageMaker Ground Truth. Está diseñado específicamente para coordinar revisores humanos en el etiquetado de datos. Por qué no las otras: A) Clarify detecta sesgo en datos y modelos, no coordina el etiquetado humano. C) Model Monitor vigila el desempeño de modelos ya en producción, no gestiona etiquetado. D) Debugger depura problemas técnicos durante el entrenamiento (por ejemplo, gradientes), no coordina revisores humanos. → Guía §1.4, §1.6.
9. C — SageMaker Canvas. Es la herramienta no-code de SageMaker pensada para analistas de negocio sin experiencia en programación. Por qué no las otras: A) Studio es un IDE completo de ML que sí implica notebooks y código, dirigido a data scientists. B) Feature Store es un repositorio de features, no una herramienta para construir modelos. D) Pipelines orquesta flujos de MLOps, no es una interfaz visual de apuntar y hacer clic para no-programadores. → Guía §1.6.
10. D — XGBoost. Es el algoritmo integrado de referencia para clasificación y regresión sobre datos tabulares en SageMaker. Por qué no las otras: A) BlazingText es un algoritmo integrado, pero orientado a texto/word embeddings, no al típico caso tabular. B) Rekognition es un AI Service de visión por computadora, no un algoritmo integrado de SageMaker. C) Polly es un AI Service de texto a voz, tampoco un algoritmo de SageMaker. → Guía §1.7.
11. C — Instancias Spot. Ofrecen el mayor descuento frente a On-Demand a cambio de que AWS pueda interrumpirlas, ideales para entrenamientos con checkpoints que toleran interrupciones. Por qué no las otras: A) On-Demand no ofrece descuento, es la opción más cara de las cuatro. B) las Reservadas de 3 años dan descuento, pero exigen un compromiso largo y están pensadas para cargas estables y predecibles, no para trabajos que toleran interrupciones. D) los Dedicated Hosts son la opción más costosa, pensada para cumplimiento normativo o licencias, no para ahorrar. → Guía §1.8.
12. B. La jerarquía correcta es IA ⊃ ML ⊃ DL: la IA es el término más amplio y cada categoría siguiente es un subconjunto más específico. Por qué no las otras: A) invierte la jerarquía real: DL es el subconjunto más específico, no el más amplio. C) los tres términos no son sinónimos, cada uno tiene un alcance distinto. D) coloca a ML como el término más amplio, cuando en realidad es la IA. → Guía §1.1.
13. A y B. Precision y Recall son métricas de clasificación. MAE, RMSE y R² son métricas de regresión (predicción de un número continuo), no de clasificación. Por qué no las otras: C) MAE mide el error promedio en una predicción numérica continua, propio de regresión. D) RMSE mide igualmente el error de predicciones numéricas, no de clases. E) R² mide qué tan bien un modelo de regresión explica la varianza de los datos, no aplica a clasificación. → Guía §1.5.
Dominio 2#
14. C. Un modelo fundacional se define por su preentrenamiento a gran escala y su capacidad de adaptarse a múltiples tareas, no por ser pequeño ni estar limitado a una sola tarea. Por qué no las otras: A) describe justo lo opuesto: un modelo fundacional no es pequeño ni de tarea única. B) confunde modelo fundacional con base de datos vectorial, un componente distinto usado en RAG. D) los modelos fundacionales suelen usarse mediante una API en la nube (como Bedrock), no exclusivamente sin conexión. → Guía §2.1.
15. C. Un LLM es, específicamente, un modelo fundacional especializado en texto y lenguaje (por ejemplo, Claude o Titan Text). Por qué no las otras: A) confunde un LLM con una base de datos relacional, una tecnología completamente distinta. B) un algoritmo de clustering es una técnica de ML no supervisado, no un modelo de lenguaje. D) el etiquetado de datos es un proceso de preparación (como Ground Truth), no la definición de un LLM. → Guía §2.1.
16. C. Bedrock (y los LLMs en general) factura principalmente por los tokens de entrada y salida procesados, no por usuarios ni por el tamaño del modelo. Por qué no las otras: A) el número de usuarios registrados no es la unidad de facturación de Bedrock. B) el tamaño del modelo en gigabytes no determina el costo por uso. D) Bedrock es serverless: el cliente no paga por instancias EC2 activas. → Guía §2.1.
17. C. Un embedding es una representación vectorial numérica que captura el significado de un texto o imagen, permitiendo comparar similitud semántica. Por qué no las otras: A) eso describe "chunking", el paso de dividir documentos, no el embedding en sí. B) una red neuronal recurrente es una arquitectura de modelo, no una representación numérica de significado. D) el proveedor del modelo (por ejemplo, Anthropic) es una entidad, sin relación con qué es un embedding. → Guía §2.1.
18. C. La ventana de contexto es la cantidad máxima de tokens (entrada + salida) que el modelo puede procesar en una sola solicitud. Por qué no las otras: A) el número de usuarios concurrentes es un asunto de capacidad/infraestructura, no de ventana de contexto. B) el tiempo de respuesta es una métrica de latencia, no de capacidad de tokens. D) el número de proveedores disponibles en Bedrock es un dato del catálogo de modelos, no una propiedad de un modelo individual. → Guía §2.1.
19. D. Temperature alta aumenta la aleatoriedad, produciendo respuestas más variadas y creativas, pero también menos predecibles. Por qué no las otras: A) describe el efecto de una temperature baja, justo lo opuesto a aumentarla. B) la temperature no afecta la cantidad de tokens procesados, solo la aleatoriedad de la elección de tokens. C) la ventana de contexto es un parámetro independiente del modelo, no se modifica con la temperature. → Guía §2.1.
20. A — Alucinación. Es la definición exacta: contenido inventado generado con apariencia de certeza, sin base real. Por qué no las otras: B) overfitting es un problema de generalización durante el entrenamiento, no un fenómeno de inventar datos en una respuesta. C) fine-tuning es una técnica de ajuste del modelo, no un fenómeno de contenido inventado. D) data drift describe el cambio de los datos de producción respecto a los de entrenamiento, no una respuesta inventada. → Guía §2.1.
21. A y B. Zero-shot no incluye ningún ejemplo (A); few-shot sí incluye uno o más ejemplos resueltos dentro del prompt (B) — son técnicas opuestas en ese sentido, y ninguna modifica los pesos del modelo (lo que descarta D). Por qué no las otras: C) son técnicas opuestas (con o sin ejemplos), no lo mismo. D) ningún tipo de prompting modifica permanentemente los pesos del modelo — eso solo ocurre con fine-tuning. E) zero-shot por definición no usa ningún ejemplo, mucho menos "al menos 5". → Guía §2.2.
22. B. Chain-of-thought pide explícitamente al modelo razonar paso a paso antes de dar la respuesta final, mejorando el desempeño en tareas de razonamiento. Por qué no las otras: A) encadenar varios modelos fundacionales distintos describe una arquitectura de orquestación, no chain-of-thought. C) fine-tuning implica reentrenar los pesos del modelo; chain-of-thought es solo una técnica de prompting que no lo modifica. D) chain-of-thought se usa principalmente en tareas de texto/razonamiento, no es exclusiva de generación de imágenes. → Guía §2.2.
23. B — RAG. Permite que el modelo consulte información actualizada en el momento de responder, sin necesidad de reentrenar cada vez que el documento cambia. Por qué no las otras: A) fine-tuning completo cada semana sería lento y costoso para un manual que cambia constantemente. C) entrenar desde cero es aún más costoso e innecesario para este caso. D) aumentar la temperature solo afecta la creatividad/aleatoriedad de la respuesta, no da acceso a información actualizada. → Guía §2.3.
24. C — Fine-tuning. Cuando se necesita un cambio permanente de tono/estilo usando datos propios etiquetados, fine-tuning ajusta los pesos del modelo para ese propósito. Por qué no las otras: A) prompt engineering por sí solo no cambia el modelo de forma permanente, hay que repetir las instrucciones en cada solicitud. B) el top-p controla la diversidad del muestreo de tokens, no ajusta el estilo de forma permanente. D) reducir la ventana de contexto limita cuánta información cabe en la solicitud, sin relación con adoptar un estilo. → Guía §2.3.
25. A — Amazon OpenSearch Service. Es una de las bases de datos vectoriales válidas para RAG en AWS. Por qué no las otras: B) Polly convierte texto a voz, sin relación con almacenamiento vectorial. C) Translate traduce idiomas, tampoco almacena vectores. D) Kinesis Data Streams ingiere datos en streaming, no es una base de datos vectorial. → Guía §2.3.
26. C — Self-attention. Es el mecanismo central del Transformer que calcula qué tan relevantes son las demás palabras de una frase para interpretar correctamente cada palabra. Por qué no las otras: A) K-Means es un algoritmo de clustering no supervisado, sin relación con la arquitectura Transformer. B) backpropagation es el método general de entrenamiento de redes neuronales, no el mecanismo específico que relaciona palabras entre sí. D) Random Cut Forest es un algoritmo de detección de anomalías de SageMaker, sin relación con los Transformers. → Guía §2.6.
27. D. RLHF ajusta el modelo después del preentrenamiento para alinear sus respuestas con las preferencias humanas (utilidad, veracidad, seguridad). Por qué no las otras: A) la cuantización reduce el tamaño y los requisitos de memoria del modelo, no alinea respuestas con preferencias humanas. B) la tokenización convierte texto en tokens, un paso de preprocesamiento distinto. C) la velocidad de inferencia se mejora con otras técnicas (cuantización, hardware), no es el propósito de RLHF. → Guía §2.7.
28. B. Los modelos de difusión parten de ruido aleatorio y lo "limpian" en pasos sucesivos guiados por el prompt de texto, hasta formar una imagen coherente. Por qué no las otras: A) combinar fotografías reales preexistentes describe un enfoque de collage o recuperación, no cómo funcionan los modelos de difusión. C) no usan una tabla fija que traduzca texto a píxeles, sino un proceso iterativo guiado por el prompt. D) el clustering es una técnica no supervisada de agrupamiento, no el mecanismo generativo de la difusión. → Guía §2.8.
29. B. Un agente de IA razona sobre una tarea, decide qué acciones tomar y ejecuta herramientas (como consultar una API) para completarla, con cierta autonomía — más allá de solo responder una pregunta directa. Por qué no las otras: A) describe un chatbot simple de una sola respuesta, sin la capacidad de decidir y ejecutar acciones que define a un agente. C) confunde "agente" con un tipo específico de modelo generativo de imágenes; un agente puede usar cualquier tipo de modelo como su "cerebro". D) describe un servicio de almacenamiento de datos etiquetados, sin relación con razonar o ejecutar acciones. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.1.
Dominio 3#
30. C. Bedrock es un servicio totalmente gestionado y serverless que da acceso a modelos fundacionales de múltiples proveedores mediante una API unificada. Por qué no las otras: A) etiquetar datos es la función de SageMaker Ground Truth, no la definición de Bedrock. B) Bedrock no es una instancia EC2, es un servicio serverless de más alto nivel. D) Bedrock no está pensado para entrenar modelos desde cero, sino para usar modelos fundacionales ya preentrenados. → Guía §3.1.
31. A — Anthropic. Es uno de los proveedores de modelos disponibles en Bedrock (junto con Amazon, AI21 Labs, Cohere, Meta, Mistral AI y Stability AI). Por qué no las otras: B) Snowflake es una plataforma de datos/almacén de datos, no un proveedor de modelos en Bedrock. C) Databricks es una plataforma de analítica y ML, tampoco ofrece modelos en Bedrock. D) Salesforce es un proveedor de CRM, sin modelos fundacionales en Bedrock. → Guía §3.1.
32. C — Bedrock Knowledge Bases. Automatiza el flujo completo de RAG: ingesta, chunking y almacenamiento vectorial. Por qué no las otras: A) Bedrock Agents orquesta acciones y llamadas a APIs, no la ingesta/chunking/vectorización de documentos. B) Guardrails filtra contenido, no gestiona el pipeline de RAG. D) Model Evaluation compara el desempeño de distintos modelos, no gestiona documentos para RAG. → Guía §3.1.
33. D — Bedrock Agents. Permite que un modelo ejecute acciones de varios pasos invocando APIs o funciones Lambda. Por qué no las otras: A) Guardrails filtra y protege contenido, no ejecuta acciones. B) Knowledge Bases gestiona la recuperación de documentos para RAG, no la ejecución de acciones de varios pasos. C) Provisioned Throughput es una opción de capacidad/rendimiento, no un componente de orquestación de acciones. → Guía §3.5.
34. A — Bedrock Guardrails. Filtra contenido dañino, temas prohibidos e información personal en las respuestas del modelo. Por qué no las otras: B) Agents ejecuta acciones de varios pasos, no filtra contenido. C) Ground Truth es de SageMaker y sirve para etiquetado de datos, no para filtrar respuestas de Bedrock. D) Macie detecta PII almacenada en S3, no filtra prompts ni respuestas. → Guía §3.5.
35. B — Provisioned Throughput. Ofrece capacidad reservada con throughput garantizado, a diferencia de On-Demand. Por qué no las otras: A) On-Demand es la opción de pago por uso sin capacidad reservada, justo lo opuesto a lo que pide la pregunta. C) las instancias Spot son un concepto de EC2/entrenamiento en SageMaker, no una opción de inferencia en Bedrock. D) SageMaker Canvas es una herramienta no-code de ML, sin relación con el throughput de Bedrock. → Guía §3.1.
36. D — Amazon Textract. Es el servicio de OCR inteligente diseñado para extraer texto y datos de documentos escaneados. Por qué no las otras: A) Comprehend analiza texto ya extraído (sentimiento, entidades), no extrae texto de imágenes o documentos escaneados. B) Rekognition analiza imágenes y video (objetos, rostros), no está especializado en extraer datos de formularios o facturas. C) Transcribe convierte voz a texto, no extrae datos de documentos escaneados. → Guía §3.2.
37. A — Amazon Comprehend. Analiza sentimiento, entidades y frases clave en texto no estructurado. Por qué no las otras: B) Transcribe convierte voz a texto, no analiza el sentimiento de un texto. C) Personalize genera recomendaciones, sin relación con análisis de texto. D) Polly convierte texto a voz, no analiza sentimiento. → Guía §3.2.
38. B — Amazon Rekognition. Detecta objetos, rostros y modera contenido en imágenes y video. Por qué no las otras: A) Textract extrae texto de documentos, no analiza imágenes o video en busca de objetos o rostros. C) Kinesis Video Streams ingiere y almacena video en streaming, pero no detecta objetos ni rostros por sí solo. D) Translate traduce idiomas, no analiza imágenes. → Guía §3.2.
39. D — Amazon Transcribe. Convierte voz a texto. Por qué no las otras: A) Polly hace lo opuesto: convierte texto a voz. B) Translate traduce idiomas, no convierte audio a texto. C) Comprehend analiza texto ya escrito, no reconoce voz. → Guía §3.2.
40. A — Amazon Polly. Convierte texto a voz. Por qué no las otras: B) Transcribe hace lo opuesto: convierte voz a texto. C) Comprehend analiza texto, no lo convierte en audio. D) Lex construye chatbots conversacionales, no es un motor de texto a voz por sí solo. → Guía §3.2.
41. B — Amazon Translate. Traduce texto automáticamente entre idiomas. Por qué no las otras: A) Comprehend analiza el texto (sentimiento/entidades), no traduce idiomas. C) Polly convierte texto a voz, no traduce. D) Personalize genera recomendaciones, sin relación con traducción. → Guía §3.2.
42. A — Amazon Lex. Construye chatbots que entienden intenciones y gestionan el diálogo, con la misma tecnología de Alexa. Por qué no las otras: B) Polly convierte texto a voz, no entiende intenciones ni gestiona el diálogo. C) Rekognition es de visión por computadora, sin relación con chatbots. D) Personalize genera recomendaciones, no construye chatbots. → Guía §3.2.
43. D — Amazon Q Business. Responde en lenguaje natural a partir de los documentos internos de la empresa. Por qué no las otras: A) Athena consulta datos en S3 con SQL, no responde preguntas sobre documentos. B) Redshift es un data warehouse para analítica, no un asistente sobre documentos. C) Redshift Serverless es el mismo data warehouse sin servidores, sigue siendo analítica SQL. → Guía §3.6.
44. A — Amazon Personalize. Genera recomendaciones personalizadas con la misma tecnología que Amazon.com. Por qué no las otras: B) Transcribe convierte voz a texto, no genera recomendaciones. C) Comprehend analiza texto, sin relación con recomendaciones. D) Textract extrae datos de documentos escaneados, no genera recomendaciones. → Guía §3.2.
45. A — Amazon SageMaker AI. Permite entrenar un modelo propio con el historial etiquetado y desplegarlo en un endpoint que puntúa cada pago en tiempo real. Por qué no las otras: B) Clarify detecta sesgo y explica modelos, no entrena ni despliega el modelo de fraude. C) Shield Advanced protege contra ataques DDoS, sin relación con evaluación de fraude. D) Inspector analiza vulnerabilidades de seguridad en cargas de trabajo, no evalúa transacciones fraudulentas. → Guía §3.2.
46. A y B. Q Developer es para desarrolladores en el IDE (A); Q Business es para empleados no técnicos sobre datos internos (B) — son productos distintos con audiencias distintas, lo que descarta C y D. Por qué no las otras: C) son productos distintos con audiencias distintas, no el mismo producto. D) Q Business no está limitado a un IDE, está pensado para empleados no técnicos en general. E) Q Developer se centra en tareas de desarrollo de software, no en generación de imágenes. → Guía §3.6.
47. B — Prompt caching. Reutiliza el procesamiento ya realizado sobre la parte fija y repetida del prompt entre llamadas, reduciendo costo y latencia. Por qué no las otras: A) fine-tuning ajusta los pesos del modelo con datos propios, un proceso de entrenamiento distinto que no resuelve reprocesar un bloque de prompt repetido. C) model distillation entrena un modelo "estudiante" más pequeño, sin relación con reutilizar el procesamiento de un prompt fijo. D) aumentar la temperature solo cambia la aleatoriedad de la respuesta, no reduce el costo ni la latencia de reprocesar el prompt. → Guía oficial AIF-C01 — Dominio 3, Tarea 3.1.
Dominio 4#
48. D — Fairness. Se refiere directamente a evitar discriminación por raza, género o edad. Por qué no las otras: A) Robustness se refiere a la estabilidad del modelo ante entradas variadas o adversas, no a la discriminación. B) Governance se refiere a políticas y procesos de supervisión organizacional, no directamente a la no discriminación. C) Controllability se refiere a poder dirigir o ajustar el comportamiento del modelo, no a evitar sesgo discriminatorio. → Guía §4.1.
49. C — Explicabilidad. Es la mirada hacia adentro del modelo: entender por qué tomó una decisión concreta. Por qué no las otras: A) Transparencia es la comunicación hacia afuera sobre la existencia del sistema, no el entendimiento interno de una decisión. B) Safety se refiere a evitar daños o resultados peligrosos, no a explicar decisiones. D) Robustness es la estabilidad del modelo, no la explicación de sus decisiones internas. → Guía §4.1.
50. A — Transparencia. Es la comunicación hacia afuera, al usuario, sobre la existencia y los límites del sistema. Por qué no las otras: B) Explicabilidad es la mirada hacia adentro del modelo (por qué decidió algo), no la comunicación hacia el usuario. C) Fairness se refiere a la no discriminación, no a la comunicación sobre el sistema. D) Governance son las políticas y procesos organizacionales, distinto de informar al usuario final. → Guía §4.1.
51. A — SageMaker Clarify. Está diseñado específicamente para detectar sesgo en datos y predicciones. Por qué no las otras: B) Ground Truth sirve para etiquetado de datos, no detección de sesgo. C) Feature Store almacena features reutilizables, sin relación con detección de sesgo. D) Canvas es una herramienta no-code para construir modelos, no para auditarlos por sesgo. → Guía §4.2, §4.3.
52. C — SageMaker Model Cards. Resume propósito, datos, métricas y limitaciones de un modelo, con fines de gobernanza. Por qué no las otras: A) AWS Config Rule audita configuración de recursos de infraestructura, no documenta modelos de ML. B) IAM Policy Summary describe permisos de acceso, no el propósito o las limitaciones de un modelo. D) CloudTrail Log registra llamadas a la API, no resume las características de un modelo. → Guía §4.3.
53. A — Human-in-the-loop. Incorpora revisión humana en predicciones de baja confianza. Por qué no las otras: B) El aprendizaje por refuerzo entrena con recompensas, no revisa predicciones dudosas. C) El aumento de datos genera variaciones del dataset de entrenamiento, no incorpora revisión humana. D) El ajuste fino supervisado reentrena el modelo con ejemplos etiquetados, no revisa predicciones una a una. → Guía §4.3.
54. C — Bias de datos. El algoritmo funciona correctamente; el problema es que el dataset histórico ya venía sesgado. Por qué no las otras: A) Bias del algoritmo implicaría que la lógica de aprendizaje introduce el sesgo, pero aquí el algoritmo funciona correctamente y el problema viene de los datos. B) Overfitting es un problema de generalización estadística, no de sesgo histórico reproducido. D) Data drift se refiere al cambio de los datos con el tiempo tras el despliegue, no a un sesgo ya presente en los datos de entrenamiento. → Guía §4.2.
55. A y B. Fairness y Safety son dimensiones reconocidas de IA responsable. Batch inference, Provisioned Throughput y Token son conceptos técnicos de otros dominios, no dimensiones de IA responsable. Por qué no las otras: C) Batch inference es una opción técnica de inferencia en Bedrock, no una dimensión de IA responsable. D) Provisioned Throughput es una opción de capacidad de Bedrock, sin relación con IA responsable. E) Token es una unidad de procesamiento de texto, no una dimensión de IA responsable. → Guía §4.1.
56. D. El ciclo de vida responsable comienza con el diseño, pensando desde el inicio en los riesgos posibles, antes de recolectar datos, entrenar o desplegar. Por qué no las otras: A) el despliegue en producción ocurre después de diseñar y probar el sistema, no es el primer paso. B) el monitoreo continuo se da cuando el sistema ya está en producción, posterior al diseño. C) la retroalimentación humana se incorpora durante el ciclo de vida, pero después de que exista un sistema ya diseñado y desplegado. → Guía §4.4.
Dominio 5#
57. B — El cliente. Configurar correctamente IAM es responsabilidad del cliente bajo el modelo de responsabilidad compartida ("seguridad en la nube"). Por qué no las otras: A) AWS es responsable de la seguridad "de" la nube (infraestructura física, virtualización), no de configurar IAM dentro de la cuenta del cliente. C) el proveedor del modelo fundacional (por ejemplo, Anthropic) no gestiona la cuenta de AWS del cliente. D) las políticas de IAM no se configuran automáticamente; requieren configuración explícita del cliente. → Guía §5.1, §5.3.
58. A. Es una garantía explícita de AWS: los datos del cliente están aislados por cuenta y no se usan para reentrenar los modelos base de terceros. Por qué no las otras: B) afirma justo lo contrario de la garantía real de AWS sobre aislamiento de datos. C) el uso de Guardrails no tiene relación con si los datos se usan para reentrenar modelos base — el aislamiento aplica siempre. D) el aislamiento de datos del cliente no depende del país, es una garantía contractual/técnica de AWS. → Guía §5.1.
59. D. TLS protege los datos mientras viajan por la red (en tránsito). El cifrado en reposo (KMS) protege los datos almacenados. Por qué no las otras: A) esa es la función del cifrado en reposo, no del cifrado en tránsito. B) los permisos de IAM se gestionan con políticas, no con cifrado TLS. C) el historial de llamadas a la API lo registra CloudTrail, sin relación con TLS. → Guía §5.2.
60. D — VPC endpoint (AWS PrivateLink). Permite invocar servicios de AWS sin que el tráfico salga a la internet pública. Por qué no las otras: A) un Internet Gateway conecta la VPC con la internet pública, justo lo que se quiere evitar. B) una tabla de rutas pública dirige tráfico hacia la internet pública, no lo mantiene privado. C) un balanceador de carga público expone tráfico a internet, no lo mantiene dentro de la red privada. → Guía §5.2.
61. B — Mínimo privilegio. Es el principio de dar exactamente los permisos necesarios, ni más ni menos. Por qué no las otras: A) Responsabilidad compartida describe la división de tareas de seguridad entre AWS y el cliente, no el nivel de permisos otorgados. C) Cifrado en reposo protege datos almacenados, sin relación con el alcance de permisos. D) Residencia de datos se refiere a dónde se almacenan geográficamente los datos, no a permisos de acceso. → Guía §5.3.
62. D — AWS Artifact. Centraliza informes de cumplimiento y acuerdos legales como el BAA de HIPAA. Por qué no las otras: A) AWS Config audita la configuración de recursos, no centraliza informes de cumplimiento. B) Trusted Advisor da recomendaciones de costos/seguridad/rendimiento, no informes formales de cumplimiento. C) Macie clasifica datos sensibles en S3, sin relación con informes de cumplimiento. → Guía §5.4.
63. B — AWS CloudTrail. Registra un historial auditable de cada llamada a la API: quién, qué acción y cuándo. Por qué no las otras: A) Macie clasifica datos sensibles, no registra llamadas a la API. C) AWS Budgets monitorea costos, sin relación con auditoría de acciones de la API. D) Amazon Inspector analiza vulnerabilidades de seguridad, no registra el historial de llamadas a la API. → Guía §5.4, §5.7.
64. A — Amazon Macie. Descubre y clasifica automáticamente datos sensibles, incluyendo PII, en buckets de S3. Por qué no las otras: B) Inspector analiza vulnerabilidades en cargas de trabajo (EC2, contenedores), no clasifica PII en S3. C) AWS Config audita configuración de recursos, no contenido de datos. D) GuardDuty detecta amenazas y actividad maliciosa en la cuenta, no clasifica específicamente PII en S3. → Guía §5.2.
65. D. AgentCore Identity gestiona de forma segura la identidad y las credenciales que un agente usa para autenticarse ante otros servicios. Por qué no las otras: A) Bedrock Guardrails filtra contenido dañino en las entradas y salidas del modelo, sin relación con gestionar identidad de agentes. B) Amazon Macie descubre y clasifica datos sensibles en S3, sin relación con la identidad de un agente. C) AWS Artifact es un repositorio de informes de cumplimiento, sin relación con gestionar credenciales de agentes. → Guía oficial AIF-C01 — Dominio 5, Tarea 5.1.
Cómo interpretar tu resultado#
| Aciertos | Interpretación |
|---|---|
| Menos de 80% | Vuelve a leer la guía de estudio (especialmente los "Resúmenes relámpago" de cada dominio) antes de avanzar — este nivel es el más básico, y una base floja aquí se arrastra a los niveles siguientes. |
| 80% o más | Buena base de vocabulario. Continúa con el Simulacro Intermedio, donde los escenarios empiezan a exigir distinguir entre conceptos parecidos, no solo reconocer definiciones. |