Diagnóstico inicial — AWS Certified AI Practitioner (AIF-C01)

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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