Examen 1 — AWS Certified AI Practitioner (AIF-C01)#

Este es el primero de tres exámenes de estilo oficial (Examen 1 y Examen 2), aparte de la progresión principal de 4 niveles (Básico → Intermedio → Avanzado → Combinado). Úsalo cuando, después de esos 4, todavía quieras una ronda adicional de práctica al nivel más exigente — tiene 65 preguntas completamente distintas a las del Simulacro Avanzado principal, con el mismo nivel de dificultad.

Misma distribución de dominios que el examen real y el mismo nivel de exigencia: escenarios largos, distractores plausibles y preguntas de selección múltiple ("Selecciona DOS" / "Selecciona TRES") mezcladas con las de opción única. Úsalo para comprobar que realmente entendiste los conceptos y no memorizaste las respuestas del Simulacro Avanzado principal — si tu puntaje aquí es notablemente más bajo, es una señal real de que hay huecos de comprensión, no solo de memoria.

En las preguntas "Selecciona DOS" o "Selecciona TRES", una selección parcial o con una opción de más cuenta como error completo — igual que en el examen real. Cada justificación de la Parte 2 incluye una referencia → Guía §X.Y para releer exactamente esa sección si fallaste.

Parte 1 — Preguntas#

Dominio 1 — Fundamentos de IA y ML#

Dominio 2 — Fundamentos de IA Generativa#

Dominio 3 — Aplicaciones de Modelos Fundacionales#

Dominio 4 — Directrices para IA Responsable#

Dominio 5 — Seguridad, Cumplimiento y Gobernanza#

Parte 2 — Respuestas y justificación#

Dominio 1#

1. C. F1 ≈ 0.85. F1 = 2 × (Precision × Recall) / (Precision + Recall) = 2 × (0.90 × 0.80) / (0.90 + 0.80) = 1.44/1.70 ≈ 0.85. Ojo con las cifras sueltas que aparecen entre las alternativas: 0.90 y 0.80 son Precision y Recall por separado, no su combinación. Por qué no las otras: A) Es el resultado de multiplicar directamente Precision × Recall (0.90 × 0.80 = 0.72) en lugar de aplicar la fórmula armónica del F1, un error común de cálculo. B) Es el valor aislado de Precision (180/200 = 0.90), sin combinarlo con Recall. D) Es el valor aislado de Recall (180/225 = 0.80), sin combinarlo con Precision. → Guía §1.5.

2. B. La clave para distinguir data drift de overfitting es cuándo aparece el problema: aquí el modelo ya era bueno y consistente en entrenamiento y validación (92%/90%), y el deterioro apareció meses después, en producción, con datos que cambiaron respecto a los de entrenamiento — la firma de data drift, no de overfitting (que ya se habría notado en la validación original). SageMaker Model Monitor es la herramienta diseñada para detectar justamente esto. Por qué no las otras: A) El underfitting produce bajo desempeño desde el inicio en ambos conjuntos, no un buen desempeño inicial seguido de caída tardía; SageMaker Debugger monitorea problemas internos del entrenamiento (gradientes, etc.), no el drift en producción. C) El overfitting se habría manifestado ya como una brecha entre el desempeño de entrenamiento y validación desde el principio, no como una caída meses después con buen desempeño inicial; además SageMaker Clarify mide bias, no data drift. D) El prompt injection es un ataque específico sobre LLMs mediante manipulación de prompts; no aplica a un modelo de clasificación de fraude ni explica una caída de accuracy por cambio en la distribución de los datos. → Guía §1.6, §1.8.

3. D. El equipo ya decidió el algoritmo (XGBoost) y solo quiere automatizar la búsqueda de hiperparámetros como learning rate y profundidad: eso es exactamente SageMaker Automatic Model Tuning, que lanza múltiples trabajos de entrenamiento con combinaciones dentro de rangos definidos y conserva la que optimiza la métrica objetivo. La trampa es Autopilot, que también ajusta hiperparámetros, pero como parte de un AutoML completo que además prueba algoritmos distintos. Por qué no las otras: A) Autopilot es AutoML completo: prepara los datos, prueba varios algoritmos y elige el mejor candidato. El equipo ya fijó el algoritmo y solo quiere afinar sus hiperparámetros, así que es más de lo que necesita. B) Clarify detecta sesgo en datos y predicciones y explica el modelo con valores SHAP; no busca combinaciones de hiperparámetros. C) Data Wrangler prepara y transforma datos con una interfaz visual antes de entrenar; no ajusta hiperparámetros del algoritmo. → Guía §1.6.

4. B y D. «salario_anual» es una variable numérica continua que se beneficia de normalización para estar en una escala comparable con otras features; «ciudad» es una variable categórica sin orden natural, por lo que necesita one-hot encoding para no sugerir un orden numérico inexistente. Aplicar cada técnica a la columna equivocada generaría problemas: normalizar categorías no tiene sentido, y aplicar one-hot a un rango numérico continuo generaría cientos de columnas inútiles. Por qué no las otras: A) Eliminar ambas columnas descarta información útil sin necesidad; ambas pueden usarse aplicando la técnica correcta a cada una. C) Aplicar one-hot encoding a una variable numérica continua como "salario_anual" generaría una columna binaria por cada valor distinto de salario, sin sentido práctico. E) Normalizar una variable categórica como "ciudad" no aplica, porque no existe una escala numérica que normalizar. → Guía §1.4.

5. C. SageMaker Ground Truth. Está diseñado exactamente para coordinar revisores humanos (propios o externos) en el etiquetado de grandes volúmenes de datos antes de entrenar, como en este caso de 50,000 imágenes satelitales. Por qué no las otras: A) SageMaker Model Monitor vigila el desempeño de un modelo ya desplegado en producción, no interviene antes del entrenamiento en la fase de etiquetado. B) SageMaker JumpStart ofrece modelos preentrenados listos para usar o ajustar, no un flujo de etiquetado con revisores. D) SageMaker Autopilot automatiza la búsqueda de algoritmos e hiperparámetros (AutoML), no la coordinación de etiquetado humano. → Guía §1.4.

6. B. Random Cut Forest es el algoritmo integrado de SageMaker para detección de anomalías sin necesitar ejemplos previos etiquetados (la necesidad 1); K-Means es el algoritmo de clustering para agrupar sin categorías previas (la necesidad 2). Intercambiarlos es la trampa más común al confundir estos dos algoritmos no supervisados. Por qué no las otras: A) DeepAR está diseñado para pronóstico de series temporales, no para detección de anomalías ni para agrupar entidades por similitud. C) Invierte los dos algoritmos: asigna K-Means a la detección de anomalías y Random Cut Forest al agrupamiento, exactamente al revés de su propósito real. D) XGBoost es un algoritmo supervisado que requiere ejemplos etiquetados; ninguna de las dos necesidades del escenario cuenta con ese tipo de datos. → Guía §1.7.

7. A. Las instancias Inf usan Inferentia, el chip diseñado específicamente por AWS para inferencia (servir un modelo ya entrenado) de bajo costo a gran escala. Trainium, en cambio, está optimizado para entrenamiento, no para este caso de uso. Por qué no las otras: B) Las instancias P (GPU de propósito general) pueden servir inferencia, pero no están optimizadas específicamente para minimizar el costo de ese caso de uso como sí lo está Inferentia. C) Trainium (Trn) está optimizado específicamente para entrenar modelos, no para servir inferencias de bajo costo, que es lo que pide el escenario. D) Las instancias R están optimizadas en memoria para cargas de trabajo generales, sin relación con la aceleración de inferencia de modelos de ML. → Guía §1.6.

8. C. Cuando el mismo conjunto de datos se usa repetidamente tanto para tomar decisiones sobre el modelo (ajustar hiperparámetros) como para medir su desempeño final, esas decisiones terminan "filtrando" indirectamente información del conjunto de prueba hacia el modelo, lo que produce una estimación de desempeño demasiado optimista respecto a datos genuinamente nuevos — por eso la guía insiste en que el test set se usa solo una vez, al final. Por qué no las otras: A) Reutilizar el mismo conjunto para ajustar y medir no quita datos de entrenamiento ni simplifica el modelo; el problema está en la evaluación, no en la capacidad del modelo. B) El data drift es un cambio en la distribución de los datos de producción con el tiempo; aquí no cambia ninguna distribución, se contamina la medición. D) El sesgo va en la dirección contraria: como las decisiones se tomaron mirando esos datos, la métrica sale inflada, no deflactada. → Guía §1.4.

9. B. Multi-model endpoints permite alojar varios modelos en un mismo endpoint compartido de SageMaker, evitando pagar por 30 endpoints dedicados con tráfico esporádico cada uno. Provisioned Throughput es la trampa: es un concepto de Bedrock, no de SageMaker, y no resuelve este problema específico de múltiples modelos pequeños. Por qué no las otras: A) Random Cut Forest es un algoritmo de detección de anomalías, no una característica de infraestructura de endpoints. C) SageMaker Ground Truth es un servicio de etiquetado de datos, sin relación con el hospedaje de endpoints. D) Provisioned Throughput es un concepto de Bedrock para garantizar capacidad reservada de un modelo fundacional, no una función de SageMaker para consolidar múltiples modelos en un mismo endpoint. → Guía §1.8.

10. A. Con un batch size mayor, cada lote contiene más ejemplos, por lo que se necesitan menos lotes (y por tanto menos actualizaciones de pesos) para completar una pasada completa por todo el dataset (un epoch). Por qué no las otras: B) El epoch recorre siempre el mismo dataset, pero las actualizaciones por epoch equivalen a tamaño del dataset ÷ batch size, así que cambian al variar el batch size. C) Cada lote produce una única actualización de pesos, sea grande o pequeño; con lotes más grandes hay menos lotes y, por tanto, menos actualizaciones. D) El número de epochs es un hiperparámetro aparte que no queda fijado por el batch size; lo que cambia directamente es cuántas actualizaciones hay dentro de cada epoch. → Guía §1.3.

11. D. SageMaker Model Registry versiona y marca qué modelos están aprobados para producción; SageMaker Pipelines automatiza el flujo repetible de preparación→entrenamiento→evaluación→despliegue — son componentes distintos para necesidades distintas, e invertir sus funciones es la confusión habitual. Por qué no las otras: A) Invierte las funciones: asigna el catálogo de versiones a Pipelines y el flujo automatizado a Model Registry, exactamente al revés. B) SageMaker Clarify está diseñado para evaluar bias y explicabilidad, no para versionar modelos ni automatizar flujos de trabajo. C) SageMaker Feature Store centraliza y reutiliza features de entrenamiento/inferencia, sin relación con el versionado de modelos ni la automatización de pipelines. → Guía §1.8.

12. A. Machine Learning incluye muchos algoritmos que no son redes neuronales en absoluto: regresión lineal, árboles de decisión, K-Means, XGBoost, Random Cut Forest, entre otros — las redes neuronales son específicas del subconjunto de Deep Learning, no una característica de todo ML. Por qué no las otras: B) La IA generativa es un subconjunto del Deep Learning, que a su vez está dentro del ML; y las redes neuronales también se usan en Deep Learning no generativo, como la clasificación de imágenes. C) Invierte la jerarquía: el Deep Learning es un subconjunto del Machine Learning, no al revés. D) Eso describe a los sistemas expertos basados en reglas; el ML sí aprende patrones a partir de los datos, así que esa parte de la frase del colega es correcta. → Guía §1.1, §1.7.

13. C y E. Los checkpoints periódicos permiten usar Spot de forma segura, reanudando si son interrumpidas; dimensionar correctamente la instancia evita pagar por capacidad no aprovechada. Por qué no las otras: A) AWS puede reclamar una instancia Spot con un aviso de dos minutos; sin checkpoints, una interrupción obliga a empezar de cero y pone en riesgo que el trabajo se complete. B) Provisioned Throughput es capacidad reservada de inferencia en Bedrock; no aplica a trabajos de entrenamiento de SageMaker. D) Menos horas no implican menor costo total: si la carga no aprovecha esas GPU, pagas una tarifa por hora mucho mayor por capacidad ociosa. → Guía §1.8.

Dominio 2#

14. B. Un modelo fundacional requiere preentrenamiento a gran escala y capacidad de adaptarse a múltiples tareas posteriores; un modelo de regresión lineal simple, entrenado desde cero con pocos datos para una única tarea, no cumple ninguno de esos dos criterios definitorios, sin importar que use aprendizaje supervisado. Por qué no las otras: A) Es falso que los modelos fundacionales existan solo para texto — también los hay para imagen, audio y otras modalidades; además la razón real de que este modelo no sea fundacional es su escala y propósito único, no la modalidad. C) Afirma que cualquier modelo entrenado con datos propios es fundacional, ignorando los criterios de escala y adaptabilidad a múltiples tareas. D) El uso de aprendizaje supervisado no tiene relación con ser o no un modelo fundacional; muchos modelos fundacionales usan preentrenamiento autosupervisado, y muchos modelos pequeños también usan aprendizaje supervisado. → Guía §2.1.

15. C. El costo en Bedrock se factura por tokens de entrada y de salida; al limitar max_tokens a 500 en lugar de dejar que el modelo genere libremente (lo que produjo 1,500 tokens la primera vez), es probable que la segunda llamada genere menos tokens de salida y por tanto cueste menos en total, aunque el prompt de entrada sea idéntico en ambos casos. Por qué no las otras: A) Bedrock on-demand factura tanto los tokens de entrada como los de salida, y la salida suele tener un precio por token mayor. B) max_tokens es un tope, no una reserva: se facturan los tokens realmente generados, y el modelo puede terminar antes de alcanzarlo. D) En modelos de texto, on-demand no cobra por invocación sino por tokens de entrada y de salida procesados. → Guía §2.1, §2.9.

16. A. Comparar embeddings por similitud numérica (por ejemplo, con distancia coseno) para encontrar los fragmentos cuyo significado es más parecido a la pregunta, sin depender de que las palabras exactas coincidan, es la definición de búsqueda semántica — la base de la recuperación en RAG. Por qué no las otras: B) La búsqueda híbrida combina una puntuación léxica por palabras clave con la similitud vectorial; el escenario solo compara vectores. C) La búsqueda por palabra clave exacta compara texto literal, no vectores numéricos de significado. D) La búsqueda difusa tolera errores tipográficos comparando caracteres del texto, no el significado representado en embeddings. → Guía §2.1, §3.4.

17. D. Una temperature baja (cercana a 0) hace que el modelo elija casi siempre el token más probable, produciendo respuestas más deterministas y consistentes entre invocaciones repetidas del mismo prompt — exactamente lo que necesita este caso de uso legal donde la consistencia importa más que la variedad. Por qué no las otras: A) Un top-p alto amplía el conjunto de tokens entre los que el modelo puede elegir, lo que aumenta la variedad en vez de la consistencia. B) Una temperature alta maximiza la variedad de las respuestas, justo lo opuesto de la consistencia que necesita este caso de uso legal. C) max_tokens limita la longitud máxima de la respuesta; no controla la aleatoriedad con la que se elige cada token. → Guía §2.1.

18. A y D. Few-shot prompting incluye ejemplos resueltos dentro del prompt; chain-of-thought pide razonar paso a paso antes de la respuesta final — ambas son definiciones correctas. Por qué no las otras: B) Es falsa: negative prompting no modifica los pesos del modelo, es solo una instrucción dentro del prompt. C) Es falsa: zero-shot es exactamente lo opuesto, no incluye ningún ejemplo. E) Es falsa: la utilidad central de un prompt template es precisamente ser reutilizable con variables distintas cada vez. → Guía §2.2.

19. B y E. RAG no modifica pesos, consulta en el momento de generar; fine-tuning sí modifica permanentemente los pesos con datos propios etiquetados — ambas afirmaciones son correctas. Por qué no las otras: A) Es falsa: RAG no requiere reentrenar nada cuando cambian los documentos, esa es su ventaja principal. C) Es falsa: continued pre-training usa datos masivos sin etiquetar, a diferencia de fine-tuning (esa es justo la distinción clave entre ambas técnicas). D) Incluir pocos ejemplos en el prompt es few-shot prompting, que no cambia pesos; continued pre-training entrena con grandes volúmenes de texto del dominio sin etiquetar. → Guía §2.3.

20. C. El mecanismo de self-attention permite calcular las relaciones entre todos los tokens de una secuencia simultáneamente, lo que posibilita procesar la secuencia completa en paralelo — a diferencia de las RNN, que procesaban palabra por palabra de forma estrictamente secuencial y por eso eran más lentas de entrenar a gran escala. Por qué no las otras: A) Es falso: las RNN son precisamente el ejemplo de arquitectura secuencial que no procesaba en paralelo, esa era su limitación frente a los Transformers. B) Describe exactamente el comportamiento de las RNN (secuencial, palabra por palabra), no el de los Transformers, e invierte además la ventaja de velocidad. D) Es falso: los Transformers sí requieren datos de entrenamiento igual que cualquier modelo de ML, la arquitectura no elimina esa necesidad. → Guía §2.6.

21. B. El modelo de recompensa aprende, a partir de las clasificaciones humanas de calidad de distintas respuestas, a predecir qué respuestas preferirían los humanos; esa predicción es la que después guía el ajuste del LLM original mediante aprendizaje por refuerzo — el modelo de recompensa no genera las respuestas originales ni reemplaza al LLM. Por qué no las otras: A) El modelo de recompensa no reemplaza al LLM; se usa como señal para guiarlo durante el ajuste por refuerzo, ambos siguen siendo componentes distintos. C) El modelo de recompensa predice preferencias humanas sobre respuestas, no convierte texto en embeddings vectoriales (esa es una tarea distinta, la de generar representaciones para búsqueda semántica). D) Las respuestas originales que se clasifican son generadas por el LLM que se está entrenando, no por el modelo de recompensa. → Guía §2.7.

22. D. Quantization reduce directamente la precisión numérica de los pesos ya existentes de un modelo (por ejemplo, de 32 a 8 bits), sin entrenar ningún modelo nuevo. Distillation es la trampa: entrena, en cambio, un modelo «estudiante» completamente nuevo para imitar a uno «maestro» — un proceso de entrenamiento adicional, no una simple reducción de precisión sobre pesos existentes. Por qué no las otras: A) RAG reduce la necesidad de incluir todo el conocimiento en el prompt recuperando contexto externo, pero no toca en absoluto los pesos ni su precisión numérica. B) Fine-tuning ajusta los pesos entrenando con datos nuevos, un proceso muy distinto a solo reducir la precisión numérica de pesos ya existentes. C) Distillation entrena un modelo "estudiante" completamente nuevo, un proceso de entrenamiento adicional, no una simple reducción de precisión sobre pesos existentes. → Guía §2.9.

23. C y D. Bedrock Guardrails filtra instrucciones maliciosas y contenido no permitido; separar claramente las instrucciones del sistema del contenido no confiable es una buena práctica de diseño de prompts que reduce la superficie de ataque — ambas mitigan directamente prompt injection. Por qué no las otras: A) La temperature solo controla la aleatoriedad al elegir tokens; con temperature 0 el modelo sigue obedeciendo, de forma más predecible, la instrucción inyectada. B) El registro de invocaciones sirve para auditar e investigar después del hecho, pero no bloquea ni filtra el ataque en el momento. E) El cifrado protege la confidencialidad en tránsito y en reposo, pero el modelo procesa el texto descifrado y la instrucción maliciosa sigue ahí. → Guía §2.9, §3.5.

24. C. Multimodalidad. Es la capacidad que permite a un modelo procesar más de un tipo de entrada (imagen y texto) en la misma solicitud, sin necesitar recuperar información externa (eso sería RAG) ni haber sido reentrenado para este caso puntual (eso sería fine-tuning). Por qué no las otras: A) Quantization reduce la precisión numérica de los pesos para ahorrar memoria, sin relación con la capacidad de aceptar imagen y texto simultáneamente. B) RAG consulta información externa para enriquecer el contexto, pero no es lo que permite procesar imagen y texto juntos en la misma solicitud. D) Fine-tuning ajusta los pesos del modelo con datos propios, pero no es la característica que habilita el procesamiento conjunto de distintos tipos de entrada. → Guía §2.9.

25. D. Perplexity. Mide directamente qué tan bien el modelo predice la siguiente palabra de una secuencia de texto, sin necesitar ningún texto de referencia humano — a diferencia de BLEU y ROUGE, que sí comparan contra una o varias referencias humanas, y de la evaluación humana, que por definición depende de personas. Por qué no las otras: A) BLEU compara el texto generado contra una o varias traducciones/referencias humanas, requiere ese texto de referencia. B) ROUGE también compara contra resúmenes de referencia escritos por humanos, igual que BLEU. C) La evaluación humana depende por definición de jueces humanos revisando la salida, es la métrica más alejada de "no requerir referencia humana". → Guía §2.5.

26. A. La alucinación es específica de los modelos generativos que producen contenido inventado con apariencia de certeza (el chatbot citando una cláusula legal inexistente); un motor de búsqueda de palabras clave sobre un índice desactualizado simplemente devuelve un dato viejo de una fuente real que existió, no "inventa" nada nuevo — son dos problemas distintos aunque ambos den información incorrecta. Por qué no las otras: B) Un dato desactualizado de una fuente real es un problema de frescura del índice, no una invención; el que fabricó contenido fue el chatbot. C) Afirma que ambos son alucinaciones solo porque ambos dieron información incorrecta, pero la alucinación requiere que un modelo generativo invente contenido, no simplemente que un dato esté desactualizado. D) No había ningún documento que recuperar: la cláusula no existe en ninguna fuente, así que el modelo la generó, y eso es una alucinación. → Guía §2.1.

27. C. Amazon Redshift. Es un motor de data warehouse orientado a consultas analíticas SQL sobre grandes volúmenes de datos estructurados, no una base de datos vectorial. OpenSearch, Neptune y Aurora PostgreSQL (pgvector) sí ofrecen capacidades de almacenamiento y búsqueda vectorial para RAG. Por qué no las otras: A) Amazon Aurora PostgreSQL, con la extensión pgvector, sí almacena embeddings y hace búsqueda por similitud, por lo que queda descartada como respuesta. B) Amazon OpenSearch Service sí ofrece capacidades de búsqueda vectorial (k-NN), por lo que no es la respuesta a "cuál NO la ofrece". D) Amazon Neptune, además de ser una base de datos de grafos, también incorpora búsqueda vectorial, por lo que tampoco es la respuesta correcta. → Guía §2.3.

28. D. La versión instruct/chat pasó por un proceso adicional de alineación (como RLHF) después del preentrenamiento, que la hace seguir instrucciones de forma más útil, consistente y segura; la versión base solo aprendió a predecir la siguiente palabra más probable de un texto, sin ese ajuste orientado a seguir instrucciones de un usuario. Por qué no las otras: A) La ventana de contexto depende de la arquitectura y configuración del modelo, no del ajuste instruct; con frecuencia es la misma en ambas versiones. B) Al contrario: la versión base suele ser el punto de partida habitual para fine-tuning o continued pre-training. C) Ninguna versión se reentrena a diario: ambas conservan la fecha de corte de su entrenamiento; los datos actuales se aportan con RAG. → Guía §2.7.

29. A. Prompt template. Es exactamente la definición: una estructura de instrucción reutilizable con variables que se completan según el caso, manteniendo un formato base consistente sin redactar cada prompt desde cero. Por qué no las otras: B) Fine-tuning es un proceso de entrenamiento que ajusta pesos del modelo, no una estructura de instrucción reutilizable con variables. C) RAG es una técnica de recuperación de información externa en el momento de responder, sin relación con reutilizar una plantilla de prompt. D) RLHF es una técnica de alineación del modelo mediante retroalimentación humana, no un formato de instrucción reutilizable. → Guía §2.2.

Dominio 3#

30. A. Amazon Bedrock. Es la opción diseñada exactamente para este caso: acceso a modelos de última generación sin gestionar ni aprovisionar servidores ni GPU propios, ideal para lanzar rápido. Por qué no las otras: B) AWS Lambda sin ningún servicio de IA asociado no da acceso por sí solo a modelos de lenguaje de última generación. C) Amazon EMR es un servicio de procesamiento de big data (Hadoop/Spark), no una vía para consumir modelos de lenguaje ya entrenados. D) Una instancia EC2 con GPU configurada manualmente exige justamente lo que el equipo quiere evitar: gestionar y aprovisionar infraestructura propia. → Guía §3.1.

31. A. Databricks. No es un proveedor de modelos disponible en Amazon Bedrock. AI21 Labs, Meta y Stability AI sí lo son (junto con Amazon, Anthropic, Cohere y Mistral AI). Por qué no las otras: B) Stability AI también es proveedor real en Bedrock (modelos de imagen de la familia Stable Diffusion), por lo que igualmente queda descartada. C) Meta también es un proveedor real en Bedrock (con su familia de modelos Llama), así que tampoco califica como respuesta. D) AI21 Labs sí es uno de los proveedores de modelos disponibles en Bedrock, por lo que no es la respuesta a "cuál NO lo es". → Guía §3.1.

32. B. El problema está en la recuperación: los chunks son frases sueltas que pierden el contexto de la cláusula. Bedrock Knowledge Bases permite configurar la estrategia de chunking (tamaño fijo con tokens y solapamiento, jerárquica, semántica, sin chunking o personalizada con Lambda), que se fija al crear la fuente de datos y se aplica al volver a sincronizarla; eso resuelve el síntoma con el menor esfuerzo y sin salir del servicio gestionado. Por qué no las otras: A) El fine-tuning cambia el comportamiento del modelo, pero no arregla qué fragmentos recupera la Knowledge Base; además es más costoso y habría que repetirlo cada vez que cambien los contratos. C) La temperature solo cambia la aleatoriedad de la generación; no modifica qué fragmentos se recuperan y, al subirla, aumenta el riesgo de respuestas poco fieles a las fuentes. D) Daría control total, pero implica mucho más desarrollo y mantenimiento y abandona el servicio gestionado, cuando Knowledge Bases ya permite configurar el chunking. → Guía §3.1, §3.4.

33. D. ReAct. Es el patrón de razonamiento (Reasoning + Acting) que sigue un Bedrock Agent: razona sobre qué hacer, invoca una acción concreta, observa el resultado y decide el siguiente paso, repitiendo el ciclo hasta completar la tarea. Por qué no las otras: A) RLHF es una técnica de entrenamiento y alineación del modelo mediante retroalimentación humana, no un patrón de razonamiento en tiempo de ejecución. B) K-Means es un algoritmo de clustering no supervisado, sin relación con el razonamiento paso a paso de un agente. C) Random Cut Forest es un algoritmo de detección de anomalías, sin relación con la toma de decisiones secuencial de un agente. → Guía §3.5.

34. A. Bloquear contenido de odio/violento/sexual sin importar el tema es la función de content filters; enmascarar automáticamente información personal identificable como un número de tarjeta es la función de PII redaction — son dos funcionalidades distintas de Guardrails para necesidades distintas. Por qué no las otras: B) PII redaction por sí sola no bloquea contenido de odio, violento o sexual. C) Contextual grounding checks verifica que las respuestas estén fundamentadas en la fuente de información, no bloquea contenido dañino ni enmascara PII. D) Invierte y confunde las funciones: bloquear odio/violencia/sexual sin importar el tema corresponde a content filters, no a denied topics (que bloquea temas específicos completos); y enmascarar tarjetas de crédito es tarea de PII redaction, no de word filters (que bloquean palabras o frases concretas definidas manualmente, no patrones de PII). → Guía §3.5.

35. A. Bedrock Model Evaluation. Está diseñado específicamente para comparar el desempeño de distintos modelos, incluyendo la opción de incorporar revisión humana en el proceso de evaluación. Por qué no las otras: B) Bedrock Agents orquesta tareas de varios pasos invocando acciones, no compara el desempeño de distintos modelos. C) Provisioned Throughput es un modelo de capacidad reservada, sin relación con evaluar o comparar modelos. D) SageMaker Ground Truth es un servicio de etiquetado de datos, no una herramienta de evaluación comparativa de modelos de Bedrock. → Guía §3.1.

36. A. On-Demand. Para un volumen de tráfico impredecible y sin patrón claro, pagar solo por lo que se usa es más eficiente que comprometerse con Provisioned Throughput a capacidad fija (que implicaría pagar por capacidad no utilizada en los días de tráfico casi nulo). Por qué no las otras: B) Provisioned Throughput a capacidad fija implicaría pagar por capacidad reservada incluso en los días de tráfico casi nulo, lo contrario de minimizar costo en un patrón impredecible. C) Las Instancias Reservadas de 3 años exigen un compromiso de largo plazo incompatible con una startup en etapa muy temprana y con tráfico sin patrón claro; además, no es el mecanismo de capacidad que ofrece Bedrock. D) Restringir todo a batch inference ignora que la startup puede necesitar respuestas en tiempo real durante los picos, no solo procesamiento asíncrono. → Guía §3.1, §3.7.

37. A y E. Knowledge Bases automatiza ingesta, chunking y almacenamiento vectorial; el fine-tuning en Bedrock sí modifica permanentemente los pesos con datos propios — ambas afirmaciones son correctas. Por qué no las otras: B) Es falsa: eso describe a Bedrock Agents, no a Guardrails (que filtra, no ejecuta acciones). C) Es falsa: Knowledge Bases no modifica los pesos del modelo, solo le da contexto adicional en el momento de responder (RAG). D) Es falsa: el fine-tuning es opcional, no un requisito para usar los modelos de Bedrock. → Guía §3.1.

38. B. Rekognition está diseñado para analizar y moderar imágenes y video almacenado, como los videos que suben los creadores; Textract extrae texto y datos de documentos escaneados como cédulas de identidad. Es la combinación correcta para cada necesidad, respectivamente. Por qué no las otras: A) Invierte los servicios: Textract no modera video, está diseñado para extraer texto y datos de documentos; Rekognition es el que analiza imagen/video, no el que extrae texto estructurado de documentos de identidad. C) Amazon Kendra es un servicio de búsqueda empresarial sobre documentos, sin relación con la moderación de video ni con la extracción de datos de documentos de identidad. D) Amazon Comprehend analiza texto en lenguaje natural (sentimiento, entidades, PII), no modera video ni extrae campos de documentos escaneados. → Guía §3.2.

39. B. Amazon Comprehend ofrece detección de PII directamente sobre texto no estructurado, incluyendo conversaciones en tiempo real. Amazon Macie es la trampa: está diseñado para escanear y clasificar datos ya almacenados en S3, no conversaciones en vivo — ambos detectan PII, pero sobre fuentes de datos distintas. Por qué no las otras: A) Amazon Macie está diseñado para escanear y clasificar datos ya almacenados en S3, no conversaciones de chat en tiempo real. C) Amazon Rekognition analiza imagen y video, no texto de una conversación de chat. D) Amazon Polly convierte texto en voz; no detecta ni enmascara PII en el texto de una conversación. → Guía §3.2, §5.2.

40. B, C y E. Transcribe convierte voz a texto; Amazon Q in Connect asiste en tiempo real a los agentes humanos sugiriendo respuestas; Comprehend analiza el sentimiento de la conversación — los tres son el servicio específico para cada necesidad. Por qué no las otras: A) Amazon Personalize es un motor de recomendaciones basado en comportamiento de usuario, sin relación con convertir voz a texto. D) Amazon Lex construye bots de autoservicio que atienden al cliente; no sugiere respuestas en vivo al agente humano. → Guía §3.2, §3.6.

41. A. Bedrock Knowledge Bases hace búsqueda semántica (RAG) sobre el archivo de documentos y genera respuestas que citan sus fuentes; Personalize genera recomendaciones basadas en el historial de comportamiento del usuario, que es una tarea distinta (sugerir contenido) a la de responder una pregunta de búsqueda directa. Por qué no las otras: B) Amazon Personalize genera recomendaciones basadas en el historial de comportamiento del usuario, una tarea distinta a responder preguntas en lenguaje natural sobre un archivo histórico. C) Descarta ambos servicios sin justificación: Knowledge Bases ya resuelve este caso, no se necesita entrenar un modelo desde cero. D) Afirma que ambos servicios son intercambiables, ignorando que resuelven necesidades distintas (búsqueda vs. recomendación). → Guía §3.2.

42. C. Amazon SageMaker Canvas. Permite a analistas que no programan entrenar, con AutoML y una interfaz visual, un modelo de clasificación de fraude con el histórico etiquetado y desplegarlo para predicciones en tiempo real, coherente con el plazo de un mes y la falta de científicos de datos. Por qué no las otras: A) Amazon Personalize genera recomendaciones a partir de interacciones entre usuarios y productos; no clasifica transacciones como fraudulentas. B) Programar desde cero un modelo con XGBoost en SageMaker exige ciencia de datos y código, justo lo que el equipo no tiene. D) Esperar seis meses para contratar un equipo contradice el plazo de un mes exigido por el escenario. → Guía §3.2. Nota 2026: Amazon Fraud Detector no acepta clientes nuevos desde el 7 de noviembre de 2025 y ya no figura en la guía v1.1.

43. B. Q Developer cubre el trabajo de los desarrolladores en el IDE (generar y explicar código, transformar aplicaciones Java a versiones más recientes) y Q Business cubre a los empleados que preguntan en lenguaje natural sobre documentos internos conectados (SharePoint, Confluence, S3), respetando los permisos de cada usuario. Es la asignación correcta en el orden pedido. Por qué no las otras: A) Invierte los servicios: Q Business es el asistente para empleados sobre datos de la empresa, y Q Developer es el que trabaja en el IDE generando, explicando y transformando código. C) Comprehend analiza texto, pero no genera ni transforma código; Lex es una plataforma para construir bots, no el asistente generativo listo para usar sobre documentos internos que pide el escenario. D) Con Bedrock Agents habría que construir y mantener ambas soluciones desde cero; Amazon Q ya ofrece asistentes listos para cada perfil. → Guía §3.2, §3.6.

44. D. SageMaker JumpStart. Permite partir de un modelo fundacional preentrenado y desplegarlo en un endpoint propio de SageMaker con control total sobre instancia, autoescalado y configuración — más control del que expone la API serverless de Bedrock. Por qué no las otras: A) Bedrock Provisioned Throughput sigue siendo parte de la API gestionada de Bedrock, sin exponer control sobre tipo de instancia, autoescalado ni configuración de infraestructura como un endpoint propio de SageMaker. B) AWS Fargate sin ningún servicio de ML asociado provee solo cómputo en contenedores, sin un modelo fundacional preentrenado que desplegar. C) Amazon Q Business es un asistente conversacional para casos de uso empresarial, no una opción para desplegar un modelo fundacional con control de infraestructura. → Guía §3.3.

45. B. Batch inference. Sin restricción de tiempo de respuesta y priorizando minimizar el costo sobre un gran volumen de documentos, el procesamiento asíncrono por lotes es la opción diseñada exactamente para este caso. Por qué no las otras: A) Bedrock Agents con revisión humana en cada documento introduce un paso manual adicional no solicitado, que aumenta el costo y el tiempo en vez de minimizarlos. C) Provisioned Throughput al máximo nivel está pensado para sostener alto volumen con baja latencia garantizada, lo que añade un costo fijo innecesario cuando no hay restricción de tiempo de respuesta. D) La invocación en tiempo real documento por documento no está optimizada para minimizar costo en grandes volúmenes, y aquí no hay ninguna restricción de tiempo de respuesta que la justifique. → Guía §3.7.

46. D y E. Prompt caching reutiliza el procesamiento de la parte fija del prompt entre llamadas; el enrutamiento inteligente dirige consultas simples a modelos pequeños y reserva los grandes para tareas complejas — ambas son técnicas correctas de optimización de costo y latencia. Por qué no las otras: A) Batch inference es asíncrono: abarata el procesamiento de grandes volúmenes, pero cada resultado tarda más, así que no reduce la latencia. B) Provisioned Throughput es capacidad reservada que se paga por hora; con tráfico bajo e irregular se paga capacidad ociosa, y on-demand resulta más barato. C) Permitir más tokens de salida puede aumentar el costo y la latencia de cada llamada, porque la salida también se factura. → Guía §3.7.

47. D. Amazon Textract. El caso de uso ya está resuelto por un AI Service específico y preentrenado (extracción de campos/montos de documentos escaneados), sin necesidad de diseñar ningún prompt ni elegir un modelo fundacional — el criterio general es: si un AI Service ya cubre la necesidad exacta, es la opción más directa; Bedrock se reserva para tareas que requieren la flexibilidad de un modelo fundacional, y SageMaker para cuando se necesita control total sobre un modelo propio. Por qué no las otras: A) Sería posible, pero exige datos etiquetados, entrenamiento y mantenimiento de un modelo propio, algo innecesario cuando un AI Service ya resuelve la tarea. B) Podría funcionar, pero obliga a elegir un modelo fundacional y diseñar prompts, justo lo que el escenario quiere evitar; además es menos directo que el servicio específico. C) Una Knowledge Base sirve para responder preguntas sobre documentos (RAG), no para extraer campos estructurados de forma sistemática, y también requiere elegir un modelo. → Guía §3.2, §3.3.

Dominio 4#

48. B. Que un humano pueda tomar el control manual en cualquier momento es controllability (mecanismo de intervención humana); que el sistema nunca sugiera una maniobra que ponga en riesgo físico a las personas es safety (prevención de daño real) — son dos dimensiones distintas ilustradas por dos características distintas del mismo sistema. Por qué no las otras: A) Invierte las dimensiones: el control manual del operador es controllability, no safety; y evitar poner en riesgo físico a los pasajeros es safety, no controllability. C) Ninguna de las dos características describe la capacidad del sistema de mantener desempeño ante variaciones o ataques, que es lo que define robustness. D) Ninguna de las dos características descritas trata sobre trato equitativo entre grupos, que es lo que define fairness. → Guía §4.1.

49. B. Identificar exactamente qué variables influyeron en una decisión puntual (hacia adentro del modelo) es explicabilidad; informar de forma general a todos los usuarios sobre la existencia del sistema automatizado y cómo apelar (hacia afuera, al usuario) es transparencia. Por qué no las otras: A) Ninguna de las dos acciones trata sobre mantener desempeño consistente ante variaciones o ataques, que es lo que define robustness. C) Ninguna de las dos acciones describe políticas o procesos organizacionales de supervisión, que es lo que definiría governance en sentido más amplio de gestión del programa de IA. D) Invierte las dimensiones: identificar qué variables influyeron en una decisión puntual es explicabilidad, no transparencia; e informar de forma general sobre el uso del sistema es transparencia, no explicabilidad. → Guía §4.1, §4.7.

50. D. El código postal actúa como una variable "proxy" que está correlacionada con un atributo protegido (raza), reproduciendo un patrón de desigualdad presente en cómo se distribuyen los datos geográficamente — el algoritmo funciona correctamente desde el punto de vista estadístico, pero el problema está en el origen y la composición de los datos/variables usados, así que no se trata de overfitting, data drift ni underfitting. Por qué no las otras: A) El underfitting describe un modelo demasiado simple que ni siquiera captura los patrones de entrenamiento, pero el escenario aclara explícitamente que "el modelo funciona correctamente desde el punto de vista estadístico". B) El overfitting describe una brecha entre desempeño en entrenamiento y en datos nuevos por memorizar ruido, no la reproducción de un patrón de desigualdad a través de una variable proxy. C) El data drift describe un cambio en la distribución de los datos de entrada con el tiempo, pero el escenario no describe ningún cambio temporal en los códigos postales, sino una correlación estructural con un atributo protegido. → Guía §4.2.

51. C. SageMaker Model Cards documenta modelos propios (propósito, datos de entrenamiento, métricas, limitaciones); AWS AI Service Cards documenta el uso previsto y las limitaciones de los AI Services preentrenados de AWS, como Rekognition — son documentos análogos pero para contextos distintos (modelo propio vs. servicio de AWS). Por qué no las otras: A) Invierte los documentos: SageMaker Model Cards no documenta servicios de AWS como Rekognition, y AWS AI Service Cards no documenta modelos propios de la empresa. B) AWS Artifact entrega informes de cumplimiento (SOC, ISO) sobre la infraestructura de AWS, no el uso previsto ni las limitaciones de un servicio de IA como Rekognition. D) Model Registry cataloga versiones de modelos y su estado de aprobación; la ficha con propósito, datos, métricas y limitaciones es el Model Card. → Guía §4.3.

52. B. Ground Truth interviene antes de que exista un modelo, etiquetando los datos de entrenamiento; A2I interviene después, revisando predicciones de baja confianza generadas por un modelo ya en funcionamiento — ambos usan revisión humana, pero en momentos completamente distintos del ciclo de vida de un sistema de IA. Por qué no las otras: A) Ambos servicios sí involucran revisión humana real, cada uno en una etapa distinta del ciclo de vida. C) Son servicios distintos con propósitos distintos, no el mismo servicio con dos nombres. D) Invierte el orden real: Ground Truth se usa antes de entrenar (etiquetado) y A2I después (revisión de predicciones de baja confianza). → Guía §4.3.

53. A y C. Rechazar preguntas fuera del alcance autorizado (dosis no aprobadas) para evitar daño real es safety; mantener la misma calidad de respuesta ante variaciones en la forma de escribir (errores, abreviaciones, dialectos) es robustness — ambas correctas. Por qué no las otras: B) Es una trampa: mencionar "dialectos regionales" no convierte automáticamente al escenario en fairness, ya que aquí no se describe ninguna discriminación entre grupos, sino consistencia técnica ante variación de entrada (eso es robustness). D) Generaliza de forma incorrecta que toda regla de un chatbot es automáticamente governance; aquí las dos características descritas son comportamientos concretos del sistema (safety y robustness), no políticas de gobernanza organizacional. E) El escenario no describe que el chatbot explique su razonamiento paso a paso ante el usuario, sino que rechace ciertas preguntas y mantenga calidad ante variaciones de escritura — nada de eso es explainability. → Guía §4.1.

54. C. La regla simple es interpretable por diseño (basta con leerla); el modelo de deep learning requiere explicabilidad — técnicas añadidas después, como SHAP, porque no es entendible por su propia estructura interna. Por qué no las otras: A) RAG y fine-tuning son técnicas de adaptación de modelos, sin relación con la distinción entre interpretabilidad y explicabilidad. B) Fairness y safety no son las dimensiones que ilustra este contraste; aquí lo que se compara es qué tan fácil es entender un modelo por su propia estructura frente a necesitar técnicas añadidas después. D) Bias de datos vs. bias del algoritmo es una distinción distinta (sobre el origen de un sesgo), no sobre qué tan fácil es entender las decisiones de un modelo. → Guía §4.5.

55. D. Son dos marcos distintos, de organizaciones distintas: el NIST AI RMF es un marco voluntario del gobierno de EE. UU. organizado en cuatro funciones (Govern, Map, Measure, Manage); ISO/IEC 42001 es un estándar internacional certificable de sistema de gestión de IA. Se complementan, y ninguno es una ley obligatoria. Por qué no las otras: A) Invierte los roles: el NIST AI RMF es un marco voluntario de buenas prácticas, e ISO/IEC 42001 es el estándar contra el que una organización puede certificarse. B) La regulación obligatoria de la UE es la AI Act; el NIST AI RMF es un marco voluntario de EE. UU. e ISO/IEC 42001 es un estándar internacional de adopción voluntaria. C) ISO/IEC 42001 es específico para sistemas de gestión de IA (AIMS); el estándar de seguridad de la información es ISO/IEC 27001. → Guía §4.5.

56. C. Prevenir problemas desde el diseño y el origen de los datos (representatividad, evaluación de bias temprana) evita que un modelo ya sesgado llegue a afectar a usuarios reales en producción — corregir después de ese punto es más costoso, más lento y ya generó daño potencial mientras tanto. Por qué no las otras: A) Clarify mide el bias antes del entrenamiento (en los datos) y después (en las predicciones), y también explica el modelo; no está limitado a la fase previa. B) Model Monitor, integrado con Clarify, sí vigila el bias drift en producción; la ventaja del orden propuesto es de costo y de daño evitado, no una carencia de las herramientas. D) El propio orden termina con monitoreo continuo: prevenir no elimina la necesidad de vigilar el drift y el bias una vez desplegado. → Guía §4.4.

Dominio 5#

57. C. Una customer managed key que el propio cliente eligió crear es responsabilidad de configuración y rotación del cliente ("en la nube"); la seguridad física del centro de datos es responsabilidad de AWS ("de la nube") — cada control cae de un lado distinto de la línea de responsabilidad compartida, incluso cuando ambos tienen que ver con "seguridad" en sentido amplio. Por qué no las otras: A) El cliente no es responsable de la seguridad física del centro de datos, eso siempre corresponde a AWS bajo el modelo de responsabilidad compartida. B) Invierte la responsabilidad: la clave KMS que el propio cliente eligió crear y controlar es responsabilidad del cliente, no de AWS; y la seguridad física del centro de datos es de AWS, no del cliente. D) AWS no administra ni rota las claves KMS que el cliente eligió crear y controlar él mismo (customer managed key). → Guía §5.1, §5.2.

58. A. Es una garantía explícita y documentada de AWS: los datos y prompts del cliente no se usan para reentrenar los modelos base de terceros y quedan aislados por cuenta — no depende de que el estudio configure nada adicional ni de qué Guardrail tenga activo. Por qué no las otras: B) La garantía de aislamiento de datos y prompts no depende de qué proveedor de modelo fundacional se use dentro de Bedrock. C) Presenta como "riesgo real que el estudio debe configurar" algo que en realidad ya es una garantía automática y explícita de AWS, sin necesidad de configuración adicional. D) El aislamiento de los datos del cliente no depende de si usa Guardrails o no; es una garantía a nivel de cuenta, independiente de esa funcionalidad. → Guía §5.1.

59. D. TLS protege los datos mientras viajan por la red, desde la app del celular hasta Bedrock (en tránsito); AWS KMS protege los embeddings ya almacenados en OpenSearch (en reposo) — cada control corresponde a una fase distinta del ciclo de vida del dato. Por qué no las otras: A) Invierte los controles: KMS protege datos en reposo (almacenados), no datos en tránsito por la red; y TLS protege datos en tránsito, no datos ya almacenados. B) AWS CloudTrail registra eventos de auditoría (quién hizo qué y cuándo), no cifra ni protege los datos en ninguna de las dos fases. C) IAM gestiona permisos y control de acceso, no cifra los datos en tránsito ni en reposo. → Guía §5.2.

60. C. Un VPC endpoint mediante AWS PrivateLink es la única alternativa que conecta el tráfico directamente con el servicio de AWS sin pasar nunca por la internet pública, ni siquiera brevemente. Un NAT Gateway sí permite que el tráfico salga hacia internet, aunque de forma controlada — no cumple el requisito de «nunca atravesar la internet pública». Por qué no las otras: A) Un NAT Gateway sí permite que el tráfico saliente llegue a la internet pública (con la dirección traducida), por lo que no cumple el requisito de evitarla por completo. B) Aumentar el número de Availability Zones mejora la disponibilidad, pero no tiene ninguna relación con evitar que el tráfico atraviese la internet pública. D) Un Internet Gateway, incluso con reglas de firewall estrictas, sigue conectando la VPC a la internet pública — no cumple el requisito de que el tráfico nunca la atraviese. → Guía §5.2.

61. B. Un rol de IAM para acceso entre cuentas, asumido temporalmente mediante AWS STS, entrega credenciales de corta duración sin necesidad de almacenar ni compartir ninguna credencial permanente de la cuenta de producción — exactamente lo que pide el escenario. Por qué no las otras: A) Secrets Manager mejora dónde se guardan las claves, pero siguen siendo credenciales de larga duración de la cuenta de producción, justo lo que se quiere evitar. C) Una bucket policy solo controla el acceso a ese bucket de S3; no autoriza invocar modelos de Bedrock en otra cuenta. D) Un permission boundary solo limita los permisos máximos de una identidad dentro de su cuenta; no concede acceso a recursos de otra cuenta. → Guía §5.3.

62. C. AWS Artifact centraliza informes de cumplimiento (como SOC 2) y acuerdos legales como el BAA; AWS Config evalúa continuamente si la configuración de los recursos (como el cifrado en buckets S3) cumple con reglas definidas por la organización — son dos servicios distintos para dos necesidades distintas del enunciado. Por qué no las otras: A) Invierte los servicios: AWS Config no emite informes de cumplimiento como SOC 2 ni gestiona el BAA, y AWS Artifact no evalúa continuamente reglas de configuración de recursos. B) AWS CloudTrail registra eventos de actividad de la cuenta (auditoría de llamadas a la API), no gestiona informes de cumplimiento ni evalúa reglas de configuración de recursos. D) Amazon Macie descubre y clasifica datos sensibles en S3, sin relación con informes de cumplimiento ni con la verificación continua de reglas de configuración. → Guía §5.4.

63. D. AWS CloudTrail registra el evento de la invocación (quién, qué acción, cuándo), respondiendo la primera pregunta de la investigación; Amazon CloudWatch Logs, solo si el registro de contenido fue habilitado explícitamente, puede mostrar el contenido real del prompt para la segunda etapa — son dos fuentes de auditoría complementarias, no intercambiables. Por qué no las otras: A) AWS Config evalúa el cumplimiento de la configuración de recursos, no identifica quién invocó un modelo ni muestra el contenido de un prompt. B) Invierte los servicios: CloudWatch Logs no registra por sí solo quién invocó un recurso y cuándo con el detalle de auditoría de CloudTrail, y CloudTrail no muestra el contenido exacto del prompt. C) Amazon Macie descubre y clasifica datos sensibles en S3, sin relación con auditar invocaciones a Bedrock ni su contenido. → Guía §5.7.

64. B y D. Amazon Macie descubre y clasifica automáticamente información sensible en los documentos de S3 sin revisión manual; elegir una Región de AWS dentro de la UE es el control principal de residencia de datos para cumplir GDPR — dos controles distintos para dos requisitos distintos del enunciado. Por qué no las otras: A) AWS Config audita el cumplimiento de la configuración de los recursos, pero no es el control que garantiza por sí mismo que los datos no salgan de una región. C) El número de Availability Zones utilizadas no tiene relación con la residencia geográfica de los datos ni con el cumplimiento de GDPR. E) Provisioned Throughput es un modelo de capacidad reservada en Bedrock, sin relación con la clasificación de información sensible ni con la residencia de datos. → Guía §5.2, §5.7.

65. A. Las políticas de retención y eliminación de datos definen específicamente durante cuánto tiempo deben conservarse los registros y datos antes de eliminarse automáticamente — un control de gobernanza distinto y complementario al cifrado, que protege los datos mientras existen pero no decide cuándo deben dejar de existir. Por qué no las otras: B) La clasificación etiqueta los datos por sensibilidad para aplicar los controles adecuados, pero no fija cuánto tiempo se conservan. C) El linaje (data lineage) da trazabilidad sobre el origen y las transformaciones de los datos, no un plazo de conservación. D) La minimización limita qué datos se recogen; la política del enunciado trata de cuánto tiempo se guardan antes de borrarse. → Guía §5.5.

Comparación con el Simulacro Avanzado principal#

Si obtuviste un puntaje similar (dentro de ±5 puntos porcentuales) al del Simulacro Avanzado, tu comprensión es consistente y no dependía de memorizar ese primer conjunto de preguntas — buena señal de que estás listo para el Simulacro Combinado, el último control antes del examen real. Si tu puntaje bajó significativamente aquí, identifica en qué dominio ocurrió la caída, relee el "Resumen relámpago" de ese dominio en la guía de estudio y presta especial atención a las preguntas que combinan dos conceptos en un mismo escenario — es el patrón de pregunta que más se repite en ambos simulacros porque es también el que más aparece en el examen real. Cuando termines este Examen 1, sigue con el Examen 2, que cubre escenarios distintos y añade temas más recientes de la guía oficial (IA agéntica, Amazon Bedrock AgentCore, Model Context Protocol) que este Examen 1 no incluye.