Flashcards AWS Certified AI Practitioner (AIF-C01)
Flashcards agrupadas por los 5 dominios de la revisión 1.1. Formato pregunta → respuesta: tapa la respuesta, contesta en voz alta y comprueba. Los pesos y el temario pueden cambiar: verifica la exam guide oficial antes d
Flashcards agrupadas por los 5 dominios de la revisión 1.1. Formato pregunta → respuesta: tapa la respuesta, contesta en voz alta y comprueba. Los pesos y el temario pueden cambiar: verifica la exam guide oficial antes de presentarte.
Dominio 1 — Fundamentals of AI and ML#
P: ¿Cuál es la relación entre AI, ML y deep learning? R: Deep learning ⊂ machine learning ⊂ inteligencia artificial. El DL usa redes neuronales profundas; el ML aprende patrones de datos; la IA es el campo general.
P: ¿Qué diferencia al aprendizaje supervisado del no supervisado? R: El supervisado entrena con datos etiquetados (clasificación, regresión); el no supervisado encuentra estructura en datos sin etiquetas (clustering, reducción de dimensionalidad).
P: ¿Qué es el aprendizaje por refuerzo (reinforcement learning)? R: Un agente aprende por prueba y error interactuando con un entorno y maximizando una señal de recompensa. No usa dataset etiquetado.
P: ¿Clasificación vs regresión? R: Clasificación predice una categoría (spam/no spam); regresión predice un valor continuo (precio, demanda).
P: ¿Qué es el overfitting y cómo se mitiga? R: El modelo memoriza el train y generaliza mal (train alto, test bajo). Mitigación: más datos, regularización, modelos más simples, early stopping.
P: ¿Por qué la accuracy engaña con clases desbalanceadas y qué métricas usar? R: Un modelo que siempre predice la clase mayoritaria "acierta" casi todo. Usa precision, recall y F1; recall si el falso negativo es lo caro (fraude, enfermedad).
P: ¿Precision vs recall? R: Precision: de lo que marqué positivo, cuánto era realmente positivo. Recall: de todos los positivos reales, cuántos capturé.
P: ¿Batch inference vs real-time inference? R: Batch: predicciones masivas periódicas, sin urgencia, más barato. Real-time: endpoint siempre activo con respuesta inmediata, más caro.
P: ¿Qué es feature engineering? R: Crear/transformar variables de entrada a partir de datos crudos para que el modelo aprenda mejor (normalización, encoding, agregados…).
P: ¿Qué hace Amazon Textract? R: Extrae texto, tablas y pares clave-valor de documentos escaneados (OCR inteligente). Documentos, no fotos generales.
P: ¿Qué hace Amazon Comprehend? R: NLP gestionado sobre texto: sentimiento, entidades, key phrases, idioma y detección de PII.
P: ¿Qué hace Amazon Rekognition? R: Visión por computador en imágenes y vídeo: objetos, escenas, caras, texto en imagen y moderación de contenido.
P: ¿Polly vs Transcribe? R: Polly: texto → voz (TTS). Transcribe: voz → texto (STT). Son inversos.
P: ¿Qué es Amazon SageMaker AI en una frase? R: La plataforma gestionada para construir, entrenar, evaluar y desplegar modelos de ML propios de extremo a extremo.
P: ¿Cuándo NO usar ML? R: Cuando el problema se resuelve con reglas deterministas simples y estables (cálculos fiscales, validaciones), o no hay datos suficientes.
Dominio 2 — Fundamentals of Generative AI#
P: ¿Qué es un foundation model? R: Modelo grande pre-entrenado con datos masivos (normalmente auto-supervisado) que se adapta a muchas tareas vía prompting, RAG o fine-tuning.
P: ¿Qué es un token y qué es la context window? R: El token es la unidad mínima de texto que procesa el modelo (~subpalabras). La context window es el máximo de tokens de entrada+salida por petición.
P: ¿Qué son los embeddings? R: Vectores numéricos que representan el significado de un texto (o imagen); textos similares quedan cerca en el espacio vectorial → búsqueda semántica.
P: ¿Qué controla la temperatura? R: La aleatoriedad del muestreo: baja → salidas más deterministas/repetibles; alta → más diversas/creativas.
P: ¿Temperature vs top_p vs top_k? R: Los tres regulan el muestreo: temperature reescala probabilidades; top_p limita al núcleo de probabilidad acumulada; top_k limita a los k tokens más probables.
P: ¿Qué controla max tokens? R: Solo la longitud máxima de la salida. No afecta a la creatividad ni a la calidad.
P: ¿Qué es una alucinación? R: Contenido inventado pero plausible presentado con seguridad. Mitigación: RAG/grounding, temperatura baja, guardrails, revisión humana.
P: Orden de menor a mayor coste para adaptar un FM: R: Prompt engineering → RAG → fine-tuning → continued pre-training → entrenar desde cero.
P: ¿Fine-tuning vs continued pre-training? R: Fine-tuning: datos etiquetados (pares prompt-respuesta) para tarea/estilo. Continued pre-training: corpus sin etiquetar para absorber lenguaje de dominio.
P: ¿Zero-shot vs few-shot? R: Zero-shot: solo instrucciones. Few-shot: se incluyen ejemplos resueltos en el prompt (in-context learning, sin cambiar pesos).
P: ¿Qué es Amazon Bedrock? R: Servicio serverless que da acceso por API unificada a foundation models de Amazon y terceros (Anthropic, Meta, Mistral…), con customización, Agents, Knowledge Bases y Guardrails.
P: ¿Qué es Amazon Q Business? R: Asistente de IA generativa gestionado para empleados: se conecta a datos corporativos (S3, SharePoint, Salesforce…) respetando permisos. Q Developer es su hermano para código/AWS.
P: ¿Qué es Amazon Quick? R: Workspace gestionado de IA para chat, agentes, BI/visualización, investigación y automatización sobre datos y aplicaciones conectadas. Amazon Quick Sight es la capacidad de business intelligence dentro de Quick.
P: ¿Qué es Kiro en el alcance AIF-C01? R: Un IDE agéntico para desarrollo guiado por especificaciones, steering files y hooks que automatizan controles de calidad.
P: ¿Qué es Strands Agents? R: SDK open source y model-first para construir agentes con tools, múltiples proveedores y protocolos como MCP. Es código/framework, no el hosting gestionado.
P: ¿Qué es Amazon Bedrock AgentCore? R: Infraestructura model- y framework-agnostic para desplegar y operar agentes: Runtime, Gateway, Memory, Identity, Observability, Evaluations y Policy.
P: ¿Strands Agents vs AgentCore? R: Strands construye la lógica del agente; AgentCore puede alojar y operar agentes de Strands, LangGraph, CrewAI o código propio con servicios gestionados.
P: ¿Qué aporta AgentCore Identity? R: Identidad de workload y gestión segura de credenciales para que agentes y tools accedan a AWS o terceros, con autenticación, autorización y traza auditable.
P: ¿Qué es model distillation? R: Entrenar un modelo menor para imitar el comportamiento de uno mayor; busca conservar calidad útil reduciendo coste y latencia.
P: ¿On-demand vs Provisioned Throughput en Bedrock? R: On-demand: pago por token, tráfico variable. Provisioned: capacidad reservada, coste estable y throughput garantizado; necesario para servir modelos customizados.
P: ¿Qué métrica se asocia a resúmenes y cuál a traducción? R: ROUGE para summarization; BLEU para traducción. Ambas comparan con textos de referencia.
P: ¿Qué es el knowledge cutoff? R: La fecha límite de los datos de entrenamiento: el modelo no conoce hechos posteriores. Se compensa con RAG o herramientas.
P: ¿Qué es un modelo multimodal? R: El que acepta y/o genera varias modalidades (texto, imagen, audio) en la misma petición.
P: ¿Prompt engineering vs context engineering? R: Prompt engineering diseña instrucciones y ejemplos. Context engineering compone además historial, memoria, documentos RAG, resultados de tools y metadatos dentro de la ventana y del presupuesto de tokens.
P: ¿Qué aporta MCP a un sistema agéntico? R: Una interfaz estándar para descubrir y usar tools, recursos y contexto de sistemas externos. MCP conecta; la orquestación decide la secuencia, el estado, los reintentos y las aprobaciones.
P: ¿Cuándo compensa un sistema multi-agent? R: Cuando la especialización, delegación o revisión entre agentes aporta más que su coste, latencia y complejidad. Para una tarea lineal, un solo agente suele ser mejor.
Dominio 3 — Applications of Foundation Models#
P: ¿Qué es RAG y cuándo elegirlo? R: Retrieval-Augmented Generation: recuperar fragmentos relevantes de tus datos e inyectarlos en el prompt. Elígelo cuando el conocimiento cambia a menudo o debe citarse, sin reentrenar.
P: ¿Qué hace Bedrock Knowledge Bases? R: RAG gestionado: ingestión desde S3, chunking, embeddings, almacén vectorial (p. ej. OpenSearch Serverless) y APIs de retrieve/retrieve-and-generate.
P: ¿Qué es el chunking y por qué importa? R: Trocear documentos antes de generar embeddings. Chunks bien dimensionados → retrieval más preciso y contexto que cabe en la ventana del modelo.
P: Nombra dos opciones de almacén vectorial en AWS. R: La guía 1.1 cita Amazon OpenSearch Service, Aurora, Neptune y Amazon RDS for PostgreSQL; pgvector es el mecanismo habitual en PostgreSQL.
P: ¿Qué hace Bedrock Agents? R: Orquesta tareas multi-paso: el modelo planifica, llama APIs definidas en action groups, consulta knowledge bases y devuelve el resultado.
P: ¿Knowledge Bases vs Agents: cuándo cada uno? R: Solo responder preguntas sobre documentos → Knowledge Bases. Ejecutar acciones contra APIs (crear tickets, pedidos) → Agents (que pueden incluir una KB).
P: ¿Qué es chain-of-thought prompting? R: Pedir razonamiento paso a paso antes de la respuesta final; mejora tareas de lógica y varios pasos.
P: ¿Qué hace Amazon Bedrock Prompt Management? R: Permite crear, probar, guardar, versionar y reutilizar prompts y variantes. Cada versión debe evaluarse con un dataset estable y conservar una ruta de rollback.
P: ¿Qué es prompt injection y cómo se mitiga? R: Entrada de usuario que intenta anular las instrucciones del sistema ("ignora tus instrucciones…"). Mitigación: guardrails, separar instrucciones de datos, validar entradas, mínimo privilegio en tools.
P: ¿Qué hace Bedrock Guardrails? R: Filtra en inferencia: denied topics, contenido dañino, PII (bloqueo o enmascarado), word filters y detección de grounding contextual. Aplica a entrada y salida.
P: ¿Qué es Bedrock Model Evaluation? R: Comparar FMs con métricas automáticas (accuracy, robustness, toxicity) o evaluación humana sobre datasets propios, para elegir modelo.
P: Criterios para elegir un foundation model: R: Modalidades, calidad en la tarea, tamaño de context window, coste por token, latencia, idiomas, opciones de customización y licencia.
P: ¿Cuándo elegir fine-tuning en lugar de RAG? R: Cuando quieres fijar estilo/formato/comportamiento con muchos ejemplos etiquetados. RAG cuando el problema es conocimiento actualizado o citable.
P: ¿Qué son las stop sequences? R: Cadenas que, al generarse, detienen la salida. Sirven para delimitar formatos y evitar texto de más.
P: Buenas prácticas de prompt para RAG: R: Delimitar el contexto recuperado, ordenar "responde solo con este contexto", pedir "di que no lo sabes" si falta información, y pedir citas.
P: ¿Qué pasa con tus datos al customizar un modelo en Bedrock? R: Quedan privados: se crea una copia del modelo para tu cuenta y tus datos no se usan para mejorar los modelos base.
P: ¿Qué es la inferencia con menor modelo suficiente (right-sizing)? R: Usar el modelo más pequeño que cumpla la calidad requerida: menos coste y latencia. No usar el más grande "por si acaso".
Dominio 4 — Guidelines for Responsible AI#
P: Dimensiones típicas de Responsible AI: R: Fairness, explicabilidad, transparencia, privacidad y seguridad, robustez, gobernanza, controlabilidad y veracidad.
P: ¿Qué es fairness? R: Que el sistema no produzca resultados sistemáticamente peores para grupos protegidos (género, edad, etnia…).
P: ¿Cuál es la fuente más común de sesgo en un modelo? R: Datos de entrenamiento sesgados o no representativos: el modelo reproduce la discriminación presente en el histórico.
P: ¿Qué hace SageMaker Clarify? R: Detecta sesgo en datos y modelos (pre y post entrenamiento) y explica predicciones con feature attributions (SHAP).
P: ¿Guardrails vs Clarify? R: Guardrails filtra contenido en inferencia (temas, toxicidad, PII). Clarify analiza sesgo y explicabilidad en el ciclo de ML. No compiten: se complementan.
P: ¿Qué es Amazon A2I (Augmented AI)? R: Servicio para insertar revisión humana en flujos de ML, p. ej. cuando la confianza de la predicción cae bajo un umbral.
P: ¿Qué son las SageMaker Model Cards? R: Documentación estructurada del modelo: uso previsto, datos, métricas, limitaciones y riesgos. Herramienta de gobernanza.
P: ¿Qué son las AWS AI Service Cards? R: Documentación de transparencia que publica AWS sobre sus propios servicios de IA: casos de uso previstos, limitaciones y buenas prácticas.
P: ¿Explicabilidad vs interpretabilidad? R: Interpretable: el modelo se entiende por diseño (regresión, árboles). Explicable: se justifica a posteriori la salida de un modelo complejo (SHAP, importancias).
P: ¿Qué trade-off suele haber al exigir interpretabilidad? R: Los modelos más interpretables suelen ser más simples y a veces menos precisos; con regulación de por medio, la interpretabilidad puede pesar más que el último punto de accuracy.
P: ¿Qué es un dataset representativo y por qué importa? R: Uno que refleja la diversidad de la población real de uso. Es la palanca principal para prevenir sesgo antes de entrenar.
P: Medidas contra el riesgo de veracidad en gen AI de cara a clientes: R: Grounding/RAG con citas, temperatura baja, guardrails, y revisión humana en decisiones de impacto.
P: ¿Qué es la transparencia en IA? R: Comunicar qué hace el sistema, con qué datos, sus limitaciones y cuándo el usuario está interactuando con una IA.
Dominio 5 — Security, Compliance, and Governance#
P: ¿Qué es el principio de mínimo privilegio? R: Conceder solo los permisos IAM imprescindibles para la tarea (p. ej. invocar un modelo concreto de Bedrock y nada más).
P: ¿Roles IAM vs access keys en aplicaciones? R: Las aplicaciones en AWS deben asumir roles (credenciales temporales), no llevar access keys estáticas incrustadas.
P: ¿Qué hace AWS KMS? R: Gestión de claves de cifrado. Con customer managed keys controlas política, rotación y auditoría del cifrado en reposo (S3, EBS, Bedrock…).
P: ¿Qué registra AWS CloudTrail? R: Las llamadas API en la cuenta: quién, qué, cuándo y desde dónde. Es la traza de auditoría (p. ej. invocaciones de Bedrock).
P: ¿CloudTrail vs CloudWatch? R: CloudTrail: auditoría de llamadas API (quién hizo qué). CloudWatch: métricas, logs y alarmas operativas (cómo va el sistema).
P: ¿Qué hace Amazon Macie? R: Descubre y clasifica datos sensibles (PII) en S3 con ML. Clave antes de usar un data lake para entrenar.
P: ¿Macie vs GuardDuty vs Inspector? R: Macie: PII en S3. GuardDuty: detección de amenazas/actividad maliciosa en la cuenta. Inspector: vulnerabilidades en workloads (EC2, ECR, Lambda).
P: ¿Para qué sirven los VPC endpoints (PrivateLink)? R: Conectar la VPC con servicios AWS (p. ej. Bedrock) sin atravesar internet público: el tráfico queda en la red de AWS.
P: Modelo de responsabilidad compartida aplicado a Bedrock: R: AWS asegura la infraestructura y el servicio ("de la nube"); el cliente asegura IAM, sus datos, la configuración y el uso de las salidas ("en la nube").
P: ¿Qué es AWS Artifact? R: Portal de autoservicio para descargar informes de compliance de AWS (SOC, ISO, PCI) y aceptar acuerdos.
P: ¿Qué hace AWS Audit Manager? R: Recopila evidencias de cumplimiento de forma continua y las mapea a frameworks (GDPR, ISO, PCI) para preparar auditorías.
P: ¿AWS Config vs Audit Manager? R: Config evalúa continuamente la configuración de recursos contra reglas; Audit Manager recopila evidencias mapeadas a frameworks para auditorías.
P: ¿Qué es la residencia de datos y cómo se respeta con Bedrock? R: Requisito de que los datos no salgan de una región/jurisdicción. Se usa el servicio en la región elegida; inferencia y customización se procesan allí y los datos no mejoran los modelos base.
P: ¿Qué es data lineage y por qué importa en gobernanza de IA? R: La traza del origen y transformaciones de los datos hasta el modelo. Permite auditar calidad, permisos y cumplimiento del ciclo de vida.
P: ¿AgentCore Identity vs Policy in AgentCore? R: Identity autentica workloads/usuarios y gestiona credenciales; Policy autoriza qué tool del Gateway puede invocar cada principal y bajo qué condiciones mediante Cedar.