Simulacro Avanzado — AWS Certified AI Practitioner (AIF-C01)#

Nivel 3 de 4 en la progresión de simulacros: Básico → Intermedio → Avanzado → Combinado. Úsalo cuando ya domines los niveles anteriores — aquí ya no hay preguntas de definición directa: cada una exige distinguir entre dos o más conceptos parecidos dentro del mismo escenario.

65 preguntas, distribuidas con la misma proporción de dominios que el examen real, y con una dificultad calibrada al nivel de AIF-C01: escenarios largos, distractores plausibles (no solo opciones absurdas) y preguntas de selección múltiple ("Selecciona DOS" / "Selecciona TRES") mezcladas con las de opción única, igual que en el examen real.

Cómo usarlo: intenta responder las 65 preguntas sin ver las respuestas (Parte 2), con reloj (90 minutos). En las preguntas marcadas "Selecciona DOS" o "Selecciona TRES", debes marcar exactamente esa cantidad — una selección parcial o con una opción de más cuenta como error completo, igual que en el examen real. Luego revisa cada justificación de la Parte 2: ahí se explica no solo por qué la respuesta correcta lo es, sino también por qué la opción más tentadora está mal — ese es el aprendizaje que de verdad marca la diferencia. Cada justificación incluye una referencia → Guía §X.Y para que puedas releer exactamente esa sección si fallaste. Como referencia, aprobar equivale a ~46/65 correctas (70%), pero apunta a 52+/65 (80%) de forma consistente antes de rendir el examen.

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. A. Sin ninguna categoría de uso conocida de antemano, el objetivo es que el modelo descubra estructura por sí mismo — la definición de aprendizaje no supervisado (clustering). La trampa (B) es reutilizar la columna "canceló_plan": esa etiqueta sirve para otra tarea (predecir cancelación), no para descubrir segmentos de uso que no tienen ninguna etiqueta asociada. Por qué no las otras: B) reutiliza una etiqueta que pertenece a un problema distinto (cancelación), no a la segmentación de uso, que no tiene ninguna etiqueta disponible. C) el aprendizaje por refuerzo requiere un agente que toma acciones y recibe recompensas en el tiempo, no encaja con descubrir segmentos estáticos de clientes. D) son dos tareas distintas: una predice una etiqueta conocida (supervisado) y la otra descubre grupos sin etiqueta (no supervisado) — no son "el mismo problema con otro nombre". → Guía §1.2.

2. A — Underfitting. La señal clave para distinguir overfitting de underfitting no es solo la brecha entre entrenamiento y validación, sino el nivel absoluto de error en ambos: aquí ambos son altos y parecidos, lo que indica que el modelo es demasiado simple para capturar el patrón (bias alto), no que memorizó el entrenamiento. Overfitting (B) mostraría un entrenamiento mucho mejor que la validación. Por qué no las otras: B) requeriría una brecha grande entre entrenamiento y validación (el modelo memorizando), no dos valores altos y parecidos entre sí. C) data drift describe un cambio entre los datos de entrenamiento y los de producción ya desplegada, pero aquí el problema aparece dentro del propio entrenamiento/validación, antes de llegar a producción. D) los Guardrails de Bedrock filtran contenido de texto generado, no tienen ninguna relación con el RMSE de un modelo de regresión numérica. → Guía §1.3.

3. B. Los hiperparámetros se fijan antes de entrenar (número de árboles, learning rate); los parámetros son los valores que el modelo aprende durante el entrenamiento (pesos de una red neuronal). La afirmación original mezcla ambos conceptos. Por qué no las otras: A) acepta tal cual la afirmación errónea del ingeniero, que trata como equivalentes dos conceptos distintos. C) llama "parámetros" a ambos, ignorando que el número de árboles se fija antes de entrenar y por tanto es un hiperparámetro. D) invierte por completo la relación correcta entre los dos conceptos. → Guía §1.3.

4. C — Precision = 72/90 = 0.80. Precision = TP/(TP+FP) = 72/(72+18) = 0.80. La opción A (0.90) es en realidad el Recall (72/(72+8)) — la trampa más común es confundir el denominador de cada métrica. Por qué no las otras: A) calcula 72/(72+8), que es la fórmula del Recall (TP/(TP+FN)), no de Precision. B) calcula 902/(902+18), que corresponde a la especificidad o tasa de verdaderos negativos, una métrica distinta que no mide precisión sobre las alertas positivas. D) divide TP entre el total de piezas (1,000), un cociente que no corresponde a ninguna métrica estándar de clasificación. → Guía §1.5.

5. C — SageMaker Data Wrangler. Es la herramienta visual específica para limpiar, transformar y preparar datos (nulos, normalización, one-hot encoding) antes de entrenar. SageMaker Canvas (A) es la trampa: también es visual y sin código, pero está diseñada para entrenar modelos apuntando y haciendo clic, no solo para preparar datos — el enunciado dice explícitamente que todavía no quieren entrenar nada. Por qué no las otras: A) Canvas también es visual y sin código, pero su propósito es entrenar y generar predicciones con un modelo, no solo preparar el dataset. B) Autopilot automatiza AutoML de extremo a extremo (incluye entrenamiento y selección de modelo), va más allá de la preparación de datos que pide el enunciado. D) Feature Store almacena y reutiliza features ya calculadas entre proyectos, pero no ofrece limpieza, normalización ni encoding mediante interfaz visual. → Guía §1.6.

6. B — BlazingText. Es el algoritmo integrado de SageMaker para clasificación de texto y generación de word embeddings, entrenando un modelo propio. Amazon Comprehend (A) es la trampa: resuelve una necesidad similar, pero es un AI Service preentrenado listo para usar, no un algoritmo integrado de SageMaker para entrenar un modelo propio — el enunciado pide explícitamente lo segundo. Por qué no las otras: A) Comprehend es un AI Service ya entrenado por AWS, no un algoritmo integrado de SageMaker para entrenar un modelo propio, que es justo lo que pide el enunciado. C) Random Cut Forest está diseñado para detección de anomalías, no para clasificación de texto ni generación de embeddings de palabras. D) DeepAR está diseñado para pronóstico de series temporales, no tiene relación con texto ni con word embeddings. → Guía §1.7.

7. B — Trn / Inf. Trainium (Trn) fue diseñado por AWS específicamente para entrenamiento a gran escala con buen costo-beneficio; Inferentia (Inf) fue diseñado por AWS específicamente para inferencia de bajo costo. La familia P (opción A para entrenamiento) sí se usa para entrenar, pero son GPUs de propósito general, no chips diseñados por AWS — el enunciado pide explícitamente chips propios de AWS. Por qué no las otras: A) P y G son GPUs de propósito general (de fabricantes como NVIDIA), no chips diseñados específicamente por AWS, que es el requisito explícito del enunciado. C) invierte los roles: Inferentia es para inferencia y Trainium para entrenamiento, no al revés. D) las familias C y R son instancias de cómputo general y memoria optimizada, no chips especializados en entrenar ni servir modelos de deep learning. → Guía §1.6.

8. C — SageMaker Debugger. Está diseñado para vigilar el proceso de entrenamiento mientras ocurre, detectando problemas técnicos como gradientes que se vuelven demasiado pequeños o grandes. SageMaker Model Monitor (A) es la trampa: vigila modelos ya desplegados en producción para detectar data drift, no el proceso de entrenamiento en sí. Por qué no las otras: A) Model Monitor vigila modelos ya desplegados en producción (data drift), no el proceso de entrenamiento en tiempo real. B) Clarify se enfoca en detectar sesgo y generar explicabilidad (SHAP), no en monitorear gradientes durante el entrenamiento. D) Model Registry cataloga y versiona modelos ya entrenados, no tiene ninguna función de monitoreo durante el proceso de entrenamiento. → Guía §1.6.

9. A y C. SageMaker Pipelines automatiza exactamente ese flujo repetible (A), y un canary deployment dirige un porcentaje pequeño de tráfico real a la nueva versión antes de un despliegue completo (C). Por qué no las otras: B) es falsa: las instancias Spot sí pueden usarse para entrenamientos que toleran interrupciones, guardando checkpoints — es una práctica recomendada para ahorrar costo, no una mala práctica. D) es falsa: el propósito central de Feature Store es justamente evitar recalcular features manualmente, permitiendo su reutilización entre proyectos. E) es falsa: Ground Truth gestiona etiquetado de datos de entrenamiento, no la orquestación de un pipeline de reentrenamiento (esa es función de SageMaker Pipelines). → Guía §1.6, §1.8.

10. C — Precision ≈ 0.15. Precision = 150/(150+850) = 150/1000 = 0.15: de cada alerta generada, solo el 15% es una intrusión real, lo que explica la queja de demasiadas falsas alarmas que los analistas deben descartar manualmente. Recall (A) sí es alto (0.75) porque el modelo detecta la mayoría de las intrusiones reales, pero esa no es la queja descrita — la trampa es confundir qué métrica refleja "demasiadas alarmas falsas" (Precision) frente a "demasiados casos reales sin detectar" (Recall). Por qué no las otras: A) el cálculo de Recall (150/200 = 0.75) es correcto, pero mide si se detectan las intrusiones reales, no la proporción de falsas alarmas que describe la queja del equipo. B) la Accuracy (0.91) es engañosamente alta porque los verdaderos negativos (8,950) dominan un dataset desbalanceado — es el clásico "accuracy paradox" que oculta el problema real de las falsas alarmas. D) el F1-score (≈0.25) es correcto como cálculo, pero al mezclar precision y recall en un solo número no aísla específicamente el problema de exceso de falsas alarmas que describe la queja del equipo. → Guía §1.5.

11. C — SageMaker Model Registry. Es el componente diseñado específicamente para versionar y catalogar modelos listos para producción, marcando cuáles están aprobados. SageMaker Model Monitor (A) es la trampa habitual: vigila el desempeño de un modelo ya desplegado, pero no versiona ni cataloga modelos. Por qué no las otras: A) Model Monitor vigila el desempeño de un modelo ya desplegado (drift), pero no versiona ni marca aprobaciones de modelos como un catálogo. B) Feature Store versiona y cataloga features reutilizables entre proyectos, no modelos completos aprobados para producción. D) Ground Truth gestiona el etiquetado de datos de entrenamiento, no tiene ninguna función de versionado o aprobación de modelos. → Guía §1.8.

12. B. La jerarquía correcta es IA ⊇ ML ⊇ DL ⊇ IA Generativa: toda IA Generativa es Deep Learning, pero no todo Deep Learning es IA Generativa (una CNN de clasificación de imágenes médicas es DL puro, no genera nada nuevo). La afirmación del ingeniero invierte esa relación de subconjunto. Por qué no las otras: A) acepta tal cual la afirmación errónea, que confunde "usa redes neuronales profundas" con "es IA Generativa". C) invierte la relación de subconjunto correcta: Deep Learning es el conjunto más amplio que contiene a la IA Generativa, no al revés. D) plantea que Deep Learning y Machine Learning son intercambiables, una confusión distinta que no responde a lo que pregunta el enunciado (la relación entre DL y GenAI). → Guía §1.1.

13. A y C. Las instancias Spot con checkpoints periódicos (A) permiten retomar el entrenamiento si son interrumpidas, y SageMaker Managed Spot Training (C) automatiza exactamente esa gestión de interrupciones y reanudación. Por qué no las otras: B) es falsa: un batch size más grande no siempre reduce el costo — puede requerir más memoria de GPU y, pasado cierto punto, no mejora ni el tiempo ni la calidad de forma proporcional; "sin ningún límite" ignora ese trade-off real. D) es falsa: las instancias Reservadas de 3 años implican un compromiso largo poco adecuado para una carga corta y tolerante a interrupciones, donde Spot suele ser más barata precisamente por esa tolerancia. E) es una mala práctica: eliminar la validación no reduce el costo de forma controlada y compromete la capacidad de detectar overfitting a tiempo, arriesgando tener que repetir el entrenamiento. → Guía §1.8.

Dominio 2#

14. A. Un modelo fundacional se define por su preentrenamiento a gran escala y su capacidad de adaptarse a múltiples tareas posteriores sin entrenarse desde cero para cada una — un modelo de 50 millones de parámetros entrenado para una sola tarea (spam) no cumple ninguno de esos dos criterios, aunque use deep learning. Por qué no las otras: B) toma el uso de deep learning como criterio único, ignorando que se necesita además preentrenamiento a gran escala y adaptabilidad a múltiples tareas. C) inventa un umbral fijo de 10 millones de parámetros que no es el criterio real que define a un modelo fundacional. D) afirma que los modelos fundacionales solo generan imágenes, cuando también existen modelos fundacionales de texto (como los LLM), que son de hecho el caso más común en el examen. → Guía §2.1.

15. B. 12,000 palabras en español pueden equivaler a entre 12,000 y 24,000 tokens (aprox. 1-2 tokens por palabra), lo que ya supera por sí solo los 8,000 tokens de la ventana de contexto, sin siquiera sumar la instrucción (200) y el espacio de respuesta (500). La opción A asume incorrectamente una equivalencia 1:1 entre palabras y tokens. Por qué no las otras: A) asume una equivalencia exacta de 1 palabra = 1 token, que no aplica de forma general (menos aún en español, donde muchas palabras se dividen en varios tokens). C) es falsa: la ventana de contexto es compartida entre el texto de entrada, la instrucción y la respuesta generada — el input sí cuenta y sí puede agotarla. D) es falsa: la ventana de contexto es un límite arquitectónico fijo del modelo, no se expande automáticamente ni gratis según el tamaño del documento. → Guía §2.1.

16. D. El token es la unidad mínima de texto que el modelo procesa; el embedding es la representación vectorial numérica que captura su significado. Son conceptos relacionados (un modelo de embeddings puede operar sobre tokens) pero no son sinónimos. Por qué no las otras: A) trata token y embedding como sinónimos exactos, ignorando que uno es una unidad de texto y el otro una representación numérica del significado. B) invierte las definiciones: el embedding no es una unidad de texto ni el token una representación numérica, es justo al revés. C) niega que ambos conceptos tengan relación con el significado, cuando precisamente el embedding existe para capturar el significado semántico del texto. → Guía §2.1.

17. A. Ambos mecanismos reducen la aleatoriedad, pero de forma distinta: temperature reconfigura la "forma" de toda la distribución de probabilidad sobre el vocabulario completo, mientras que top-k simplemente descarta de antemano todos los candidatos fuera de los k más probables, dejando que el modelo elija solo entre ese subconjunto reducido. No son mecanismos idénticos aunque ambos reduzcan la diversidad. Por qué no las otras: B) afirma que son exactamente equivalentes, ignorando que uno reconfigura la distribución completa y el otro recorta el conjunto de candidatos. C) confunde top-k con un control de longitud de respuesta, cuando en realidad limita el número de candidatos de token, no cuántos tokens se generan en total. D) restringe temperature a modelos de imágenes, cuando es un parámetro central de muestreo también (y sobre todo) en generación de texto. → Guía §2.1.

18. B. La alucinación es un fenómeno específico de los modelos generativos, que producen contenido inventado con apariencia de certeza sin base real. Un sistema de reglas fijas que da información obsoleta no está "inventando" nada — simplemente no fue actualizado; es un problema de mantenimiento, no de alucinación. Por qué no las otras: A) generaliza "alucinación" a cualquier información incorrecta de cualquier sistema de IA, perdiendo la especificidad del término (contenido inventado por un modelo generativo). C) usa "sigue siendo IA" como justificación, sin distinguir que la alucinación es un comportamiento propio de los modelos generativos, no de cualquier sistema etiquetado como IA. D) afirma que los sistemas de reglas fijas nunca pueden dar información incorrecta, contradicho por el propio enunciado (reglas desactualizadas que sí dan datos erróneos). → Guía §2.1.

19. B. El prompt incluye dos ejemplos resueltos antes de la pregunta real (few-shot) y además pide explícitamente razonar paso a paso antes de la respuesta final (chain-of-thought) — ambas técnicas están presentes y combinadas en el mismo prompt. Por qué no las otras: A) ignora los dos ejemplos resueltos que el prompt incluye antes de la pregunta real, que son precisamente lo que convierte esto en few-shot y no en zero-shot. C) RAG implica recuperar información externa desde una base de datos y fine-tuning implica reentrenar el modelo — ninguno de los dos ocurre aquí, todo sucede dentro del propio prompt. D) el negative prompting busca excluir o evitar ciertos elementos en la salida, algo que no aparece en este prompt (que da ejemplos y pide razonamiento, no exclusiones). → Guía §2.2.

20. A y B. RAG resuelve la necesidad de citar información actualizada y trazable sin reentrenar (A); fine-tuning resuelve la necesidad de un estilo y tono permanentemente consistentes en el 100% de las respuestas (B) — son dos técnicas distintas para dos problemas distintos descritos en el mismo escenario, y ninguna de las dos por sí sola resuelve ambas necesidades completas. Por qué no las otras: C) subir la temperature al máximo aumenta la aleatoriedad de la salida, lo que empeoraría la consistencia de tono buscada, no la mejora. D) el prompt engineering por sí solo no garantiza citas trazables desde 200,000 documentos cambiantes ni un tono formal consistente en el 100% de las respuestas sin apoyo de RAG o fine-tuning. E) reducir el context window no tiene relación con ninguna de las dos necesidades descritas; de hecho dificultaría procesar los fragmentos recuperados por RAG. → Guía §2.3.

21. A — Amazon Athena. Es un servicio de consultas SQL sobre datos en S3, no una base de datos vectorial. OpenSearch, Aurora con pgvector y Neptune sí ofrecen almacenamiento y búsqueda de vectores para RAG. Por qué no las otras: B) OpenSearch Service sí ofrece capacidad de búsqueda vectorial (k-NN), es una opción válida para RAG, no la excepción. C) Aurora con la extensión pgvector sí permite almacenar y buscar vectores, también es una opción válida, no la excepción. D) Neptune también ofrece capacidad de búsqueda vectorial además de su rol como base de datos de grafos, por lo que tampoco es la excepción que pide la pregunta. → Guía §2.3.

22. B. El encoder procesa y comprende el texto de entrada (la tarea de Comprehend: sentimiento, entidades); el decoder genera texto nuevo token por token (la tarea de un chatbot conversacional). Por qué no las otras: A) invierte la asignación: el encoder es el que comprende/analiza (Comprehend), y el decoder es el que genera texto nuevo (el chatbot), no al revés. C) afirma que ambos casos usan solo el encoder, ignorando que generar una respuesta nueva token por token requiere el decoder. D) afirma que ambos casos usan solo el decoder, ignorando que analizar sentimiento/entidades sin generar nada nuevo es la tarea propia del encoder. → Guía §2.6.

23. D. El orden correcto es: el modelo genera varias respuestas → evaluadores humanos las clasifican → esa clasificación entrena un modelo de recompensa → el LLM se ajusta con RL usando ese modelo de recompensa. Las demás opciones alteran ese orden causal. Por qué no las otras: A) coloca "entrenar el modelo de recompensa" antes de generar respuestas y de la clasificación humana, invirtiendo la dependencia causal (el modelo de recompensa necesita esa clasificación para poder entrenarse). B) empieza ajustando el LLM con RL antes de que exista ningún modelo de recompensa que guíe ese ajuste. C) empieza con la clasificación humana antes de que se hayan generado respuestas que evaluar. → Guía §2.7.

24. A. Los modelos de difusión no recuperan ni combinan imágenes existentes (eso sería más parecido a un enfoque de recuperación, como RAG aplicado a imágenes) — parten de ruido aleatorio puro y lo "limpian" en pasos sucesivos guiados por el prompt de texto hasta formar una imagen coherente. Por qué no las otras: B) acepta como correcta la descripción de recuperar y combinar imágenes existentes, que en realidad describe un enfoque de recuperación (tipo RAG), no cómo funciona la difusión. C) llama "fine-tuning" a ese proceso (incorrecto) de recuperar y combinar imágenes, cuando fine-tuning es una técnica de entrenamiento no relacionada con el mecanismo de generación en sí. D) afirma que los modelos de difusión no pueden generar conceptos que no existen en el mundo real, cuando justamente pueden combinar patrones aprendidos en escenas nunca vistas (como un "gato astronauta"). → Guía §2.8.

25. A y C. Quantization reduce la precisión numérica de los pesos (A) y distillation entrena un modelo pequeño para imitar a uno grande (C) — ambas técnicas están diseñadas específicamente para reducir tamaño/costo/latencia con una pérdida de calidad aceptable. Por qué no las otras: B) RAG conecta el modelo a una base de datos externa en el momento de la consulta, pero no reduce el tamaño, costo base ni latencia intrínseca del modelo. D) chain-of-thought es una técnica de prompting para mejorar la calidad del razonamiento, no tiene ningún efecto sobre el tamaño o costo del modelo. E) el fine-tuning completo con un dataset más grande típicamente aumenta el costo y tiempo de entrenamiento, justo lo opuesto al objetivo de reducir tamaño/costo/latencia. → Guía §2.9.

26. A y C. RAG ancla las respuestas a documentos reales recuperados en el momento (A), y los contextual grounding checks de Guardrails verifican específicamente que la respuesta esté respaldada por ese contexto recuperado (C) — ambas atacan directamente el problema de la alucinación. Por qué no las otras: B) subir la temperature al máximo incrementa la aleatoriedad de la generación, lo que tiende a empeorar (no reducir) el riesgo de contenido inventado. D) reducir la ventana de contexto no ataca la causa de la alucinación; si acaso, deja menos espacio disponible para el contexto recuperado que ancla la respuesta. E) aplicar fine-tuning con datos sin curar ni revisar puede introducir ruido y patrones erróneos, aumentando el riesgo de alucinación en vez de reducirlo. → Guía §2.1, §3.5.

27. D. Es prompt injection indirecto: la instrucción maliciosa no viene del usuario directamente, sino oculta dentro de un documento que el modelo procesa como parte de un flujo de RAG, intentando que el modelo ignore sus instrucciones originales. Por qué no las otras: A) fine-tuning malicioso implicaría manipular el proceso de entrenamiento del modelo, algo que no ocurre aquí — el ataque sucede en tiempo de inferencia, mediante un documento. B) data drift describe un cambio estadístico en los datos de producción respecto al entrenamiento, no tiene relación con una instrucción maliciosa oculta en un documento. C) "overfitting adversarial" no es el concepto que describe este ataque; el overfitting se refiere a la generalización del modelo durante el entrenamiento, no a instrucciones ocultas inyectadas en tiempo de inferencia. → Guía §2.9.

28. C — Multimodalidad. Es la capacidad que permite a un modelo aceptar más de un tipo de entrada (imagen y texto) en la misma solicitud y responder directamente, sin necesidad de recuperar información externa de una base de datos (lo cual sería RAG). Por qué no las otras: A) RAG implica recuperar documentos externos desde una base de datos, algo que el enunciado descarta explícitamente ("sin que se recupere ningún documento externo"). B) fine-tuning es un proceso de ajuste del modelo durante el entrenamiento, no tiene relación con aceptar imagen y texto en la misma solicitud. D) quantization reduce la precisión numérica de los pesos del modelo para bajar tamaño/costo, no tiene relación con el manejo de múltiples tipos de entrada. → Guía §2.9.

29. B. Dividir una tarea entre un agente coordinador y varios agentes especializados que colaboran es un patrón reconocido de sistema multi-agente; coordinar sus resultados requiere patrones de comunicación multi-agente y orquestación de flujo de trabajo explícitos, conceptos que van más allá de solo optimizar el prompt de un agente aislado. Por qué no las otras: A) RAG es específicamente recuperar información de una base de conocimiento externa; un sistema multi-agente es un concepto distinto, aunque un agente concreto podría usar RAG como una de sus herramientas. C) no existe tal requisito: cada agente puede usar un modelo distinto según su especialidad. D) el fine-tuning es opcional, no un requisito para que varios agentes colaboren entre sí. → Guía oficial AIF-C01 — Dominio 2, Tarea 2.1.

Dominio 3#

30. C. Bedrock es exactamente eso: serverless, gestionado por completo, con acceso a modelos de múltiples proveedores mediante una API unificada. La opción A describe erróneamente un modelo de "marketplace + despliegue manual en EC2", que es más parecido a usar SageMaker JumpStart. Por qué no las otras: A) describe un modelo de marketplace con despliegue manual en instancias propias, que se parece más a SageMaker JumpStart que a la naturaleza serverless y gestionada de Bedrock. B) Bedrock no entrena modelos fundacionales desde cero para el cliente; su propósito es exponer modelos ya preentrenados vía API. D) confunde Bedrock con una herramienta de etiquetado de datos (como Ground Truth), una función completamente distinta. → Guía §3.1.

31. A — Amazon Nova. Es la familia de modelos fundacionales desarrollada por Amazon y disponible en Bedrock (Nova Micro, Lite, Pro y Premier, además de Nova Canvas, Nova Reel y Nova Sonic); reemplaza a Amazon Titan como modelo de texto de referencia. Por qué no las otras: B) Claude está en Bedrock, pero lo desarrolla Anthropic, no Amazon. C) Llama está en Bedrock, pero es de Meta. D) Command y Embed están en Bedrock, pero son de Cohere. → Guía §3.1.

32. D. Dado que la prioridad explícita es lanzar rápido y minimizar el trabajo operativo continuo (incluso a costa de menos control fino), Bedrock Knowledge Bases es la opción coherente: automatiza la ingesta, el chunking y el almacenamiento vectorial. Construir manualmente (A) sí daría más control, pero contradice la prioridad declarada en el escenario — el examen premia elegir según los criterios que el enunciado prioriza explícitamente, no la opción "técnicamente superior" en abstracto. Por qué no las otras: A) es cierto que ofrece más control, pero contradice la prioridad explícita del equipo (lanzar en dos semanas y minimizar trabajo operativo), que es el criterio que el enunciado pide optimizar. B) es falsa: Bedrock Knowledge Bases está diseñado precisamente para permitir lanzamientos rápidos automatizando el pipeline, dos semanas es un plazo viable con ese enfoque. C) OpenSearch Service puede ser el almacén vectorial, pero por sí solo solo recupera fragmentos; sin un LLM que genere la respuesta no hay RAG y el pipeline seguiría siendo manual. → Guía §3.1, §3.4.

33. D. Una Knowledge Base solo recupera y presenta información (RAG); no ejecuta acciones reales como modificar un pedido o enviar un correo. Bedrock Agents está diseñado exactamente para orquestar esas acciones de varios pasos invocando APIs/Lambda. Por qué no las otras: A) Guardrails filtra o bloquea contenido según reglas de seguridad, pero no ejecuta acciones como modificar un pedido o enviar un correo. B) Model Evaluation compara la calidad/desempeño de distintos modelos, no tiene relación con ejecutar acciones de negocio. C) Provisioned Throughput garantiza capacidad de inferencia reservada, no otorga ninguna capacidad de ejecutar acciones externas. → Guía §3.5.

34. D. Bloquear un tema completo ("asesoría de inversión financiera") es la definición de denied topics; bloquear la mención de una palabra/nombre específico (una marca competidora) sin importar el tema general de la conversación es la definición de word filters — operan en niveles distintos (tema completo vs. término puntual). Por qué no las otras: A) invierte la asignación: denied topics bloquea temas completos y word filters bloquea palabras/términos puntuales, no al revés. B) trata ambas reglas como el mismo "content filter" genérico, ignorando que denied topics y word filters son mecanismos específicos y distintos dentro de Guardrails. C) PII redaction enmascara datos personales y contextual grounding checks verifica el anclaje de la respuesta al contexto — ninguno de los dos coincide con bloquear un tema o una palabra puntual. → Guía §3.5.

35. D. Contextual grounding checks evalúa específicamente si la respuesta generada está respaldada por el contexto recuperado (para detectar alucinaciones en RAG); PII redaction, en cambio, enmascara información personal identificable — ambas son funcionalidades de Guardrails, pero resuelven problemas distintos y no son intercambiables. Por qué no las otras: A) PII redaction enmascara datos personales, no verifica si la respuesta está anclada al contexto recuperado — no son intercambiables, como afirma la opción. B) word filters bloquea palabras o frases específicas, no evalúa si la respuesta está respaldada por los fragmentos recuperados. C) denied topics bloquea por completo un tema, no evalúa el anclaje de una respuesta que sí está permitida por tema. → Guía §3.5.

36. D — Provisioned Throughput. Está diseñado exactamente para cargas de producción con tráfico alto y predecible que necesitan throughput garantizado, a cambio de un compromiso de capacidad — coincide con "tráfico constante y predecible" y "compromiso de capacidad ya aprobado" del enunciado. On-Demand (A) no ofrece esa garantía de capacidad reservada. Por qué no las otras: A) On-Demand no garantiza una capacidad de throughput reservada, y el enunciado pide justo eso a cambio de un compromiso ya aprobado, no la opción "más económica" por defecto. B) las instancias Spot de EC2 son un concepto de cómputo interrumpible para entrenamiento, no una opción de throughput para invocar modelos de Bedrock. C) batch inference es para procesamiento asíncrono sin restricción de tiempo, no para garantizar throughput consistente para tráfico en vivo. → Guía §3.1.

37. C — Fine-tuning en Bedrock. El enunciado describe datos etiquetados (pares pregunta-respuesta ya revisados) y la necesidad de un cambio permanente de vocabulario/estilo — exactamente el caso de uso de fine-tuning, no de continued pre-training (que usa datos masivos sin etiquetar, la trampa de la opción B). Por qué no las otras: A) Knowledge Bases conecta el modelo a documentos externos en el momento de la consulta (RAG), pero no cambia de forma permanente el vocabulario o estilo del modelo mismo. B) continued pre-training usa datos masivos sin etiquetar para ampliar conocimiento de dominio, pero el enunciado describe explícitamente pares pregunta-respuesta ya etiquetados, que es el caso de fine-tuning. D) batch inference es un modo de ejecución de inferencia para procesar grandes volúmenes a bajo costo, no tiene relación con adaptar el vocabulario o estilo del modelo. → Guía §2.3, §3.1.

38. A y B. Textract extrae campos de formularios y tablas de documentos escaneados (A); Comprehend analiza sentimiento y frases clave sobre el texto ya extraído (B) — es la combinación exacta para ambas necesidades del flujo descrito. Por qué no las otras: C) Rekognition está diseñado para análisis de imágenes/video (objetos, rostros), no para extraer campos de formularios de un documento escaneado — eso es tarea de Textract. D) Translate traduce texto entre idiomas, no analiza sentimiento; confunde traducción con análisis de sentimiento. E) Lex construye chatbots conversacionales, no extrae montos de tablas dentro de un PDF — eso también es Textract. → Guía §3.2.

39. D. Rekognition está diseñado para análisis de imágenes/video (moderación de contenido visual); Comprehend ofrece capacidades de análisis de texto, incluyendo detección de sentimiento/toxicidad en comentarios — es la combinación correcta para moderar imagen y texto respectivamente. Por qué no las otras: A) Textract extrae texto y campos de documentos, no modera contenido de imágenes; Translate traduce idiomas, no analiza toxicidad del texto — ninguno de los dos cubre lo que pide el enunciado. B) invierte la asignación correcta: Comprehend es para texto y Rekognition para imágenes, no al revés. C) Rekognition modera imágenes y puede detectar texto dentro de ellas, pero no analiza la toxicidad del texto de los comentarios: eso requiere Comprehend. → Guía §3.2.

40. A, B y C. Transcribe convierte voz a texto (A), Polly convierte texto a voz natural (B), y Lex gestiona el diálogo y reconoce intenciones del usuario (C) — son los tres servicios específicos para cada una de las tres necesidades descritas. Por qué no las otras: D) Translate traduce texto entre idiomas, no es un motor de gestión de diálogo ni de reconocimiento de intenciones — esa función es de Lex. E) Personalize es un motor de recomendaciones basado en señales de comportamiento, no un servicio de conversión de voz a texto — esa función es de Transcribe. → Guía §3.2.

41. A. La búsqueda semántica de Amazon OpenSearch Service devuelve documentos/fragmentos relevantes; Bedrock Knowledge Bases usa esos fragmentos como contexto para que un LLM genere una respuesta en lenguaje natural, y de hecho puede usar OpenSearch como su almacén vectorial — no son lo mismo, uno puede ser un componente del otro. Por qué no las otras: B) ignora la diferencia funcional clave: OpenSearch solo recupera y devuelve fragmentos, mientras que Knowledge Bases además genera una respuesta en lenguaje natural con un LLM. C) OpenSearch Service no requiere entrenar un modelo fundacional propio; usa embeddings de un modelo ya existente. D) Knowledge Bases no está limitado a documentos de audio; funciona con documentos de texto heterogéneos (PDFs, wikis, PowerPoints, etc.). → Guía §3.2, §3.4.

42. C. Personalize está construido específicamente para aprender de señales de comportamiento reales (historial, clics, vistas) sobre el catálogo completo, con la misma tecnología de Amazon.com — algo que pedirle recomendaciones a un LLM vía prompting no hace de forma nativa, ya que depende de lo que el modelo "sepa" o de lo que se describa manualmente en el prompt, sin aprender directamente de las señales de comportamiento agregadas. Por qué no las otras: A) el costo no es el argumento sólido aquí: Personalize no es gratuito, y la diferencia real está en la capacidad de aprender de señales de comportamiento, no en el precio. B) un LLM sí puede generar una lista de recomendaciones vía prompting (de hecho el escenario ya lo hace); el problema no es la imposibilidad técnica, sino la falta de aprendizaje directo sobre el comportamiento real de los usuarios. D) Personalize consume un catálogo de contenido junto con las señales de comportamiento; no elimina la necesidad de tener ese catálogo. → Guía §3.2.

43. B. Cuando el equipo necesita control total sobre features, algoritmo y proceso de entrenamiento — típicamente porque tiene patrones de fraude muy específicos que una herramienta AutoML sin código no captura bien — SageMaker AI es la opción coherente, a costa de mayor tiempo y esfuerzo de implementación que SageMaker Canvas. (Amazon Fraud Detector ya no acepta clientes nuevos.) Por qué no las otras: A) minimizar el tiempo de implementación sin científicos de datos favorece justamente a Canvas, no a SageMaker AI — es el factor contrario. C) sin datos históricos etiquetados no se puede entrenar un modelo supervisado en ninguna de las dos opciones. D) es falsa: Canvas trabaja con datos tabulares (clasificación, regresión, series temporales), además de imagen y texto. → Guía §3.3.

44. C — Amazon Q Developer. Cubre la asistencia de autocompletado en el IDE y también la revisión automática del código ya escrito (vulnerabilidades y problemas de calidad, con correcciones sugeridas). Es el servicio vigente que reúne lo que antes hacían CodeWhisperer y CodeGuru. Por qué no las otras: A) Comprehend analiza texto en lenguaje natural (sentimiento, entidades), no ofrece autocompletado de código ni revisión de vulnerabilidades. B) Amazon Inspector escanea vulnerabilidades en EC2, contenedores y Lambda, pero no es un asistente que autocomplete código en el IDE. D) CodeGuru Reviewer no acepta repositorios nuevos desde noviembre de 2025 (CodeGuru Security fue retirado) y nunca ofreció autocompletado. → Guía §3.2, §3.6.

45. B — SageMaker JumpStart. Permite partir de un modelo fundacional preentrenado y desplegarlo en un endpoint propio de SageMaker, con control sobre instancia, autoescalado y configuración — algo que la API serverless de Bedrock no expone al mismo nivel. Por qué no las otras: A) Amazon Q Business responde preguntas a partir de fuentes de datos empresariales internas, no despliega modelos fundacionales en infraestructura propia con control de instancia/autoescalado. C) Provisioned Throughput reserva capacidad en Bedrock, pero no permite elegir tipo de instancia ni configurar el autoescalado del endpoint. D) Fargate sin ningún servicio de ML asociado no ofrece ningún mecanismo para cargar ni servir un modelo fundacional preentrenado. → Guía §3.3.

46. A y C. Amazon Q Developer está enfocado en desarrolladores dentro del IDE (A); Amazon Q Business se conecta a fuentes de datos empresariales internas para empleados no técnicos (C) — son públicos y propósitos distintos, no el mismo producto (lo que descarta B y E). Por qué no las otras: B) invierte el público objetivo: Q Business está enfocado en empleados no técnicos que consultan datos empresariales, no en desarrolladores dentro del IDE (eso es Q Developer). D) Amazon Q en Amazon Quick Sight genera automáticamente resúmenes e ideas clave en lenguaje natural sobre dashboards de BI, no es simplemente una herramienta para escribir SQL a mano. E) son productos distintos con públicos y propósitos distintos (desarrolladores vs. empleados de negocio), no el mismo producto con dos nombres. → Guía §3.6.

47. A — Prompt caching. Es la solución diseñada exactamente para este patrón: un bloque de instrucciones fijo y repetido en miles de llamadas, mientras solo la pregunta del usuario cambia — reutilizar el procesamiento de esa parte fija reduce costo y latencia sin tocar el modelo ni las instrucciones. Por qué no las otras: B) el fine-tuning modifica los pesos del modelo, un proceso de entrenamiento más costoso y lento, e innecesario cuando el objetivo es solo evitar reprocesar un bloque de prompt repetido. C) la temperature controla la aleatoriedad de la generación, no el costo ni la latencia de procesar el prompt de entrada. D) migrar a batch inference elimina la respuesta en tiempo real que el escenario sí necesita (el usuario espera una respuesta a su pregunta específica), y no está diseñado para este problema de reprocesamiento repetido. → Guía oficial AIF-C01 — Dominio 3, Tarea 3.1.

Dominio 4#

48. B. Que un modelo mantenga desempeño consistente ante variaciones de entrada (ruido, acentos) es Robustness; que un modelo de crédito no discrimine injustamente entre grupos es Fairness — son dos dimensiones distintas, cada una ilustrada por un caso distinto del enunciado. Por qué no las otras: A) invierte la asignación correcta: el reconocimiento de voz ilustra Robustness (desempeño consistente ante variaciones), y el modelo de crédito ilustra Fairness (no discriminación), no al revés. C) etiqueta ambos casos como Fairness, ignorando que la consistencia ante ruido/acentos es específicamente una cuestión de Robustness, no de trato equitativo entre grupos. D) Governance se refiere a los procesos organizacionales de supervisión, no a la propiedad técnica que ilustra cada caso del enunciado. → Guía §4.1.

49. A. Señalar exactamente qué variables influyeron en una decisión puntual (hacia adentro del modelo) es explicabilidad; informar de forma general a todos los usuarios que existe un sistema automatizado y cómo apelar (hacia afuera, al usuario) es transparencia — el truco es preguntarse hacia dónde apunta cada acción. Por qué no las otras: B) invierte las etiquetas: señalar qué variables influyeron en una decisión puntual es explicabilidad, e informar de forma general sobre el uso de un sistema automatizado es transparencia, no al revés. C) Fairness concierne al trato equitativo entre grupos, no a explicar una decisión puntual ni a divulgar de forma general el uso de automatización. D) Governance es la estructura de supervisión organizacional, más amplia que el acto específico de explicar una decisión o divulgar información a los usuarios. → Guía §4.1, §4.7.

50. D. SageMaker Clarify puede analizar sesgo tanto antes del entrenamiento (en la distribución de los datos) como después (en las predicciones del modelo ya entrenado), además de generar explicaciones SHAP — no está limitado a un solo momento del ciclo de vida. Por qué no las otras: A) limita Clarify al análisis previo al entrenamiento únicamente, ignorando que también analiza sesgo en las predicciones de un modelo ya entrenado. B) limita Clarify al análisis posterior al entrenamiento únicamente, ignorando que también analiza sesgo en la distribución de los datos antes de entrenar. C) niega cualquier relación de Clarify con la detección de sesgo, cuando esa es precisamente una de sus funciones centrales (junto con la explicabilidad tipo SHAP). → Guía §1.6, §4.2.

51. B — Bias de datos. El algoritmo funciona correctamente desde el punto de vista matemático; el problema es que el dataset de entrenamiento ya reflejaba decisiones humanas sesgadas antes de que el modelo aprendiera nada — el modelo simplemente aprendió (correctamente) un patrón que ya era injusto en el origen. Por qué no las otras: A) atribuye el sesgo al algoritmo "amplificando por su cuenta", pero el enunciado aclara que el algoritmo no tiene ningún error técnico o matemático — el origen del sesgo está en los datos, no en el algoritmo. C) overfitting se refiere a memorizar el dataset de entrenamiento a costa de generalizar, no a aprender un patrón sistemáticamente sesgado que ya existía en los datos. D) data drift describe un cambio estadístico entre los datos de entrenamiento y los de producción con el tiempo, no un sesgo presente desde el origen en el propio dataset histórico. → Guía §4.2.

52. A y B. El NIST AI RMF organiza la gestión de riesgos en mapear/medir/gestionar/gobernar (A); ISO/IEC 42001 es un estándar internacional de sistema de gestión de IA, análogo a ISO 27001 (B) — son dos marcos distintos, publicados por organizaciones distintas (lo que descarta C), y ninguno es un servicio de AWS ni un algoritmo (lo que descarta D y E). Por qué no las otras: C) trata al NIST AI RMF e ISO/IEC 42001 como el mismo documento, cuando son marcos distintos publicados por organizaciones distintas (NIST, agencia de EE. UU., vs. ISO, organismo internacional de normalización). D) el NIST AI RMF es un marco de referencia/guía voluntaria, no un servicio de AWS para detectar sesgo (eso sería SageMaker Clarify). E) ISO/IEC 42001 es un estándar de sistema de gestión organizacional, no un algoritmo de clasificación de texto usado dentro de Comprehend ni de ningún otro servicio de AWS. → Guía §4.5.

53. A — Human-in-the-loop. El flujo descrito incorpora revisión humana sobre predicciones ya generadas por un modelo (especialmente de baja confianza) antes de aplicarlas, a diferencia de SageMaker Ground Truth, que gestiona el etiquetado de datos de entrenamiento. (Amazon A2I, el servicio clásico para esto, ya no figura en el temario v1.1.) Por qué no las otras: B) Ground Truth gestiona el etiquetado de datos para entrenar, no la revisión humana de predicciones que un modelo ya generó — es justo la distinción que el enunciado pide no confundir. C) SageMaker Debugger monitorea problemas técnicos durante el entrenamiento (gradientes), no tiene relación con flujos de revisión humana sobre predicciones. D) AWS Config audita la configuración de recursos de infraestructura, no tiene ninguna función de revisión humana sobre predicciones de un modelo. → Guía §4.3.

54. C. El árbol de decisión es interpretable por diseño (basta con leer sus reglas); la red neuronal requiere explicabilidad — técnicas añadidas después (como SHAP) porque no es entendible por su propia estructura. Por qué no las otras: A) Fairness vs. Robustness es un par de dimensiones de IA responsable no relacionado con el contraste que describe el enunciado (qué tan entendible es la estructura de un modelo por sí misma). B) Precision vs. Recall son métricas de evaluación de clasificación, no tienen relación con qué tan comprensible es el razonamiento de un modelo. D) invierte los términos: el árbol de cuatro reglas es la caja blanca y la red neuronal profunda es la caja negra. → Guía §4.5.

55. C. Curar y diversificar los datos de entrenamiento ataca la causa raíz del problema desde el origen (antes de que el modelo aprenda ese lenguaje dañino), complementando —no reemplazando— los filtros de Guardrails que actúan después, ya en producción. Por qué no las otras: A) subir la temperature al máximo aumenta la aleatoriedad de la generación, lo que podría incrementar (no prevenir) la probabilidad de contenido tóxico inesperado. B) eliminar la fase de evaluación quita una salvaguarda del ciclo de vida en vez de ser una estrategia preventiva; aumentaría el riesgo, no lo reduciría. D) usar siempre el modelo más grande disponible no es, por sí mismo, un control sobre la calidad o curación de los datos de entrenamiento, que es la causa raíz del problema descrito. → Guía §4.5.

56. D. El orden lógico es: diseño → recolección/curación de datos representativos → entrenamiento con evaluación de bias → pruebas de explicabilidad → despliegue con monitoreo continuo. Cualquier otro orden intenta corregir problemas después de que ya deberían haberse prevenido. Por qué no las otras: A) comienza con el despliegue antes incluso del diseño o la recolección de datos, un orden imposible en la práctica. B) comienza con el entrenamiento antes del diseño y la recolección de datos, saltándose pasos fundamentales que deben ocurrir primero. C) comienza con el monitoreo continuo antes de que el sistema siquiera haya sido diseñado o entrenado, un orden lógicamente imposible. → Guía §4.4.

Dominio 5#

57. C. El aislamiento físico entre servidores de distintos clientes es infraestructura subyacente — responsabilidad de AWS ("de la nube"); la política de IAM que decide qué usuarios pueden invocar qué modelo es configuración de acceso del cliente — responsabilidad del cliente ("en la nube"). Por qué no las otras: A) invierte la asignación correcta: el aislamiento físico de servidores es responsabilidad de AWS, y la política de IAM es responsabilidad del cliente, no al revés. B) asignar ambas situaciones a AWS ignora que la configuración de IAM (quién puede invocar qué) es explícitamente responsabilidad del cliente en el modelo compartido. D) asignar ambas situaciones al cliente ignora que el aislamiento físico de la infraestructura subyacente es responsabilidad de AWS, no del cliente. → Guía §5.1.

58. B. 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 ninguna configuración adicional que el cliente deba activar. Por qué no las otras: A) afirma justo lo contrario de la garantía real de AWS: los datos y prompts del cliente NO se usan para reentrenar modelos base compartidos con otros clientes. C) hace depender la garantía de aislamiento de que el cliente configure un Guardrail, cuando en realidad es una garantía incondicional de AWS, independiente de Guardrails. D) afirma que AWS no tiene control sobre esto y que depende solo del proveedor, cuando en realidad es AWS quien impone y documenta esta garantía de aislamiento por cuenta, aplicable a todos los proveedores en Bedrock. → Guía §5.1.

59. A. TLS protege los datos mientras viajan por la red (en tránsito); AWS KMS gestiona el cifrado de los datos almacenados (en reposo) — es la combinación estándar para proteger datos extremo a extremo. Por qué no las otras: B) invierte la asignación correcta: KMS gestiona el cifrado en reposo y TLS protege en tránsito, no al revés. C) IAM gestiona permisos de acceso, pero no cifra por sí solo los datos ni en tránsito ni en reposo — esa es función de TLS y KMS respectivamente. D) CloudTrail registra actividad de API para auditoría, no ofrece cifrado de datos en tránsito ni en reposo. → Guía §5.2.

60. D. Un NAT Gateway permite que recursos privados inicien conexiones hacia internet (el tráfico sí sale a la red pública, aunque de forma unidireccional); un VPC endpoint mediante AWS PrivateLink conecta el tráfico directamente con el servicio de AWS sin pasar nunca por la internet pública — por eso, cuando el requisito es "sin que el tráfico salga a la internet pública en ningún momento", la respuesta correcta es el VPC endpoint. Por qué no las otras: A) afirma que ambos logran exactamente lo mismo, ignorando que el tráfico de un NAT Gateway sí atraviesa la internet pública, mientras que el de un VPC endpoint no. B) restringe el NAT Gateway a bases de datos, cuando en realidad es un componente de red genérico para que cualquier recurso privado de una VPC inicie conexiones salientes a internet. C) afirma que ninguna de las dos opciones puede usarse con Bedrock, cuando de hecho Bedrock admite específicamente el acceso privado mediante VPC endpoints (PrivateLink). → Guía §5.2.

61. C. La Política 2 otorga exactamente la acción (bedrock:InvokeModel) y el recurso (el ARN específico) necesarios — el principio de mínimo privilegio en la práctica. La Política 1, con bedrock:* sobre todos los recursos, permitiría acciones no solicitadas (modificar Guardrails, Knowledge Bases, etc.), excediendo lo que el equipo realmente necesita. Por qué no las otras: A) justifica la Política 1 por "dar más flexibilidad a futuro", pero ese exceso de permisos es precisamente lo que el principio de mínimo privilegio busca evitar. B) afirma que ambas políticas son igual de seguras, ignorando que el acceso bedrock:* sobre todos los recursos representa un riesgo innecesario y significativamente mayor. D) ambas políticas son sintácticamente válidas en IAM; el problema no es de validez sino de alcance excesivo de privilegios en la Política 1. → Guía §5.3, §5.6.

62. A — AWS Artifact. Es el repositorio centralizado de informes de cumplimiento y acuerdos legales (como el BAA de HIPAA). AWS Config (B) es la trampa: audita la configuración de recursos en el tiempo, pero no distribuye informes de cumplimiento ni acuerdos legales — son funciones distintas y complementarias. Por qué no las otras: B) AWS Config audita continuamente la configuración de los recursos frente a reglas definidas, pero no es un repositorio de informes de cumplimiento ni de acuerdos legales como el BAA. C) Trusted Advisor da recomendaciones de optimización y buenas prácticas de la cuenta, no centraliza informes de cumplimiento ni acuerdos legales. D) CloudTrail registra la actividad de API para auditoría, no distribuye informes de cumplimiento ni acuerdos legales. → Guía §5.4.

63. A. AWS CloudTrail registra el evento de la llamada (quién invocó qué acción y cuándo), pero no el contenido; Amazon CloudWatch Logs, si se habilita explícitamente, puede registrar el contenido real del prompt y la respuesta — son dos capas de auditoría distintas que responden preguntas distintas. Por qué no las otras: B) invierte la asignación correcta: CloudTrail registra quién invocó qué y cuándo, y CloudWatch Logs (si se habilita) registra el contenido, no al revés. C) AWS Config audita configuración de recursos en el tiempo, no registra quién invocó un modelo ni el contenido de esa invocación. D) Amazon Macie descubre y clasifica datos sensibles como PII en almacenamiento, no registra eventos de invocación ni contenido de prompts/respuestas. → Guía §5.7.

64. A y B. Amazon Macie descubre y clasifica automáticamente PII en los documentos de S3 sin revisión manual (A); elegir una Región de AWS dentro de la UE es el control principal de residencia de datos para GDPR (B) — son dos controles distintos para dos requisitos distintos del enunciado. Por qué no las otras: C) Provisioned Throughput garantiza capacidad de inferencia reservada, no tiene relación con dónde geográficamente se almacenan o procesan los datos. D) el número de Availability Zones utilizadas afecta la redundancia/disponibilidad dentro de una región, no la residencia de los datos en una región específica de la UE. E) las instancias Spot son una opción de optimización de costo de cómputo, sin relación con el descubrimiento de PII ni con la residencia de datos. → Guía §5.2, §5.7.

65. D. AgentCore Identity gestiona específicamente la identidad y credenciales que un agente autónomo usa para autenticarse ante servicios externos en nombre de un usuario, sesión por sesión — una necesidad distinta de los roles de IAM que ya protegen la infraestructura de backend tradicional; ambos coexisten, uno no sustituye al otro. Por qué no las otras: A) IAM y Bedrock se usan juntos constantemente (por ejemplo, para controlar quién puede invocar un modelo); no son mutuamente excluyentes. B) los roles de IAM siguen existiendo y siendo necesarios en cualquier cuenta de AWS, con o sin AgentCore. C) AgentCore Identity no reemplaza a IAM en la cuenta; resuelve específicamente la gestión de identidad de agentes autónomos, un problema distinto al de IAM. → Guía oficial AIF-C01 — Dominio 5, Tarea 5.1.

Cómo interpretar tu resultado#

Recuerda: en las preguntas "Selecciona DOS/TRES", solo cuenta como acierto si marcaste exactamente las opciones correctas, ni una más ni una menos — así puntúa el examen real. Repite este simulacro después de repasar tus fallos hasta obtener 80%+ de forma consistente, y luego continúa con el Simulacro Combinado como último control antes del examen real.