Guía Dominio 1 — Fundamentals of AI and ML (20% del examen)

Este dominio pregunta por conceptos básicos de AI/ML, tipos de aprendizaje, casos de uso, inferencia y ciclo de vida. La revisión 1.1 añade de forma explícita agentic AI, la elección entre ML tradicional y foundation models, y servicios actuales como Amazon Bedrock, Amazon Q, Amazon Quick y Kiro.

1. Conceptos base: AI, ML, deep learning, GenAI y agentic AI#

Artificial Intelligence (AI): campo amplio; cualquier técnica que permite a una máquina imitar comportamiento inteligente humano (incluye sistemas de reglas, no solo aprendizaje).
Machine Learning (ML): subconjunto de AI; el sistema aprende patrones a partir de datos en lugar de reglas programadas explícitamente.
Deep Learning (DL): subconjunto de ML basado en redes neuronales con múltiples capas; destaca en datos no estructurados (imagen, audio, texto).
Generative AI (GenAI): crea contenido nuevo —texto, imagen, audio, vídeo o código— a partir de los patrones aprendidos. Los LLM y otros foundation models modernos suelen usar deep learning.
Agentic AI: sistemas que persiguen un objetivo mediante planificación, memoria, herramientas y uno o varios agentes. No es un nivel adicional de la jerarquía: es un patrón de aplicación que normalmente usa modelos generativos.
Relación segura para el examen: ML es parte de AI y DL es parte de ML. GenAI describe qué produce el sistema; agentic AI, cómo organiza acciones para lograr un objetivo. Evita tratarlos como subconjuntos estrictos intercambiables.
Datos estructurados (tablas, CSV) vs no estructurados (texto, imágenes, audio) vs semiestructurados (JSON, XML). DL brilla en no estructurados; ML clásico suele bastar para tabulares.

2. Tipos de aprendizaje#

Tipo	Datos	Ejemplos de uso
Supervised learning	Etiquetados (features + label)	Clasificación de spam, predicción de precio (regresión)
Unsupervised learning	Sin etiquetas	Clustering de clientes, detección de anomalías, reducción de dimensionalidad
Semi-supervised	Pocos etiquetados + muchos sin etiquetar	Clasificación con etiquetado caro
Reinforcement learning (RL)	Agente + entorno + recompensas	Robótica, control y juegos
Self-supervised	Las etiquetas salen de los propios datos	Pre-training de LLMs (predecir el siguiente token)

Clasificación (label discreta: binaria o multiclase) vs regresión (valor continuo). Si la pregunta dice "predecir el precio / la demanda / un número" → regresión; "clasificar en categorías / detectar fraude sí-no" → clasificación.
Clustering no tiene etiquetas: si el escenario dice "agrupar clientes similares sin categorías predefinidas" → unsupervised (K-means).

3. Ciclo de vida de ML (ML lifecycle)#

Definición del problema de negocio (¿hace falta ML siquiera? Si las reglas fijas bastan, no uses ML).
Recolección y preparación de datos: limpieza, manejo de valores faltantes, feature engineering, split train/validation/test.
Entrenamiento: selección de algoritmo, ajuste de hyperparameters (los fija el humano antes de entrenar) vs parameters/weights (los aprende el modelo).
Evaluación: métricas sobre datos de test que el modelo no ha visto.
Despliegue: real-time endpoint vs batch inference.
Monitorización: detección de data drift y model drift; reentrenamiento.

MLOps: aplicar prácticas DevOps al ciclo ML (automatización, CI/CD de modelos, versionado de datos y modelos, monitorización continua).

Fuentes y formas de servir modelos#

Modelo preentrenado open source: acelera el inicio y permite inspección o alojamiento propio, pero el equipo asume evaluación, seguridad, capacidad y operación.
Modelo propio: máximo control y especialización; exige datos, cómputo, talento y mantenimiento.
API gestionada: menor carga operativa y escalado delegado al proveedor.
API self-hosted: más control sobre infraestructura, residencia y optimización, a cambio de operar el servicio.

4. Overfitting, underfitting y calidad del modelo#

Overfitting: excelente en training, malo en test → memoriza en vez de generalizar. Mitigación: más datos, regularización, early stopping, dropout, modelos más simples.
Underfitting: malo en training y en test → modelo demasiado simple o datos/features insuficientes.
Bias-variance tradeoff: alto bias ≈ underfitting; alta variance ≈ overfitting.

5. Métricas técnicas y de negocio#

Clasificación: confusion matrix, accuracy (engañosa con clases desbalanceadas), precision (de lo que predije positivo, cuánto acerté — importa cuando el falso positivo es caro), recall (de los positivos reales, cuántos detecté — importa cuando el falso negativo es caro, p. ej. detección de cáncer o fraude), F1 (media armónica de ambas), AUC-ROC.
Regresión: MAE, MSE, RMSE, R².
Negocio: coste por usuario o interacción, coste de desarrollo, satisfacción y feedback de clientes, tasa de finalización y ROI. Un modelo técnicamente mejor no aporta valor si empeora el coste, la latencia o el resultado de negocio.
Truco de examen: "detectar la mayor cantidad posible de casos de fraude aunque haya falsas alarmas" → maximizar recall; "evitar acusar a clientes inocentes" → precision.

6. Inferencia: modalidades#

Real-time inference: baja latencia, endpoint siempre activo, tráfico sostenido.
Batch (transform): grandes volúmenes sin urgencia; más barato, sin endpoint persistente.
Asynchronous inference: payloads grandes, latencia tolerante, cola de peticiones.
Serverless inference: tráfico intermitente o impredecible, pagar por uso, tolera cold starts.

7. Elegir ML tradicional, un foundation model o reglas#

Enfoque	Cuándo encaja mejor
Reglas deterministas	Resultado exacto, política estable y lógica explicable; no hace falta predecir
ML tradicional	Datos tabulares o series temporales, objetivo acotado, menor coste/latencia y alta explicabilidad
Foundation model	Texto, imagen o tareas abiertas; generación, resumen, conversación y adaptación entre dominios
Sistema agéntico	Objetivo multietapa que necesita herramientas, memoria, decisiones y orquestación

En sectores regulados, la explicabilidad, la privacidad, el coste y las restricciones operativas pueden hacer preferible un modelo tradicional aunque un FM sea capaz de resolver la tarea.

8. Servicios AWS de AI/ML: cuál elegir#

Regla general del examen: si existe un servicio de AI gestionado que resuelve el caso de uso, es la respuesta (menor esfuerzo operativo); SageMaker AI es para cuando necesitas construir o entrenar modelos propios.

Servicios de AI preentrenados (no requieren expertise ML)#

Amazon Comprehend: NLP sobre texto — sentimiento, entidades, key phrases, PII detection, clasificación de documentos.
Amazon Rekognition: visión — objetos, caras, moderación de contenido en imágenes y vídeo, texto en imágenes.
Amazon Textract: extraer texto, tablas y formularios de documentos escaneados/PDF (más que OCR simple: entiende estructura).
Amazon Transcribe: speech-to-text (audio → texto).
Amazon Polly: text-to-speech (texto → voz).
Amazon Translate: traducción automática entre idiomas.
Amazon Lex: chatbots conversacionales con voz y texto (el motor de Alexa).
Amazon Kendra: búsqueda empresarial inteligente con lenguaje natural sobre repositorios de documentos.
Amazon Personalize: recomendaciones personalizadas (estilo Amazon.com) sin expertise ML.
Amazon Q Business: asistente empresarial generativo sobre los datos de la empresa.

Plataforma, foundation models y trabajo agéntico#

Amazon Bedrock: acceso gestionado mediante API a foundation models y capacidades para crear aplicaciones de GenAI y agentes sin administrar la infraestructura del modelo.
Amazon SageMaker AI: plataforma para crear, entrenar, adaptar, desplegar y monitorizar modelos con mayor control sobre el ciclo ML.
SageMaker JumpStart: catálogo y punto de partida para modelos y soluciones preentrenadas dentro de SageMaker AI.
Amazon Q: familia de asistentes para trabajo empresarial y desarrollo de software.
Amazon Quick: workspace de IA para investigar, analizar datos, visualizar y automatizar trabajo con chat y agentes.
Kiro: entorno de desarrollo agéntico guiado por especificaciones, steering y hooks.
Strands Agents: SDK open source para construir agentes; Amazon Bedrock AgentCore aporta infraestructura gestionada para ejecutarlos y operarlos.
Amazon Nova: familia de foundation models de AWS disponible en el ecosistema de Bedrock.
AWS Transform: servicio agéntico para modernizar aplicaciones y cargas de trabajo.

Humano en el bucle#

Amazon A2I (Augmented AI): incorpora revisión humana de predicciones de baja confianza (p. ej. revisar extracciones de Textract dudosas).

9. Trampas típicas del examen#

AI vs ML vs DL: si el sistema usa reglas fijas escritas a mano, es AI pero no ML.
"Sin experiencia en ML" / "least operational overhead" → servicio de AI gestionado (Comprehend, Rekognition...), no SageMaker AI.
Textract vs Rekognition: documentos/formularios → Textract; fotos/vídeo/caras → Rekognition (aunque Rekognition también lee texto en imágenes de escenas, p. ej. matrículas).
Kendra vs Personalize: búsqueda de documentos → Kendra; recomendaciones de productos/contenido → Personalize.
Transcribe vs Polly: son inversos — audio→texto vs texto→audio. Leer con calma el sentido de la conversión.
Hyperparameter vs parameter: hyperparameter lo fija el humano antes del training (learning rate, epochs); parameter (pesos) lo aprende el modelo.
Accuracy con clases desbalanceadas: un modelo que dice "no fraude" siempre puede tener 99% accuracy y ser inútil → mirar precision/recall/F1.
Inference type: "millones de registros cada noche" → batch; "respuesta inmediata al usuario" → real-time; "tráfico esporádico e impredecible" → serverless.
ML tradicional vs FM: predicción tabular acotada y explicable → ML tradicional; generación o comprensión abierta de contenido → FM.
Bedrock vs SageMaker AI: consumir FMs por API con poca operación → Bedrock; controlar el entrenamiento, la infraestructura o el ciclo ML → SageMaker AI.
Strands vs AgentCore: Strands construye la lógica del agente; AgentCore aporta runtime y servicios operativos gestionados.
¿Cuándo NO usar ML?: si el problema se resuelve con lógica determinista simple o no hay datos, la respuesta correcta es no usar ML.

10. Mini-escenarios de repaso (formato examen)#

"Una aseguradora quiere predecir el importe de las reclamaciones del próximo trimestre con datos tabulares y necesita explicar cada decisión." → Regresión con ML tradicional en SageMaker AI.
"Agrupar tickets de soporte en temas sin categorías predefinidas." → Unsupervised learning (clustering).
"Extraer importes y campos de facturas escaneadas en PDF." → Amazon Textract.
"Analizar el sentimiento de reseñas de producto sin equipo de ML." → Amazon Comprehend.
"Convertir los podcasts de la empresa en artículos de texto." → Amazon Transcribe.
"Dar voz natural a un asistente telefónico." → Amazon Polly (+ Lex para la conversación).
"Buscar en miles de documentos internos con preguntas en lenguaje natural." → Amazon Kendra.
"Recomendar películas según el historial de cada usuario." → Amazon Personalize.
"Que un humano revise las predicciones con confianza < 80%." → Amazon A2I.
"Resumir y responder preguntas abiertas sobre contratos mediante una API gestionada." → Foundation model en Amazon Bedrock.
"Investigar un mercado, consultar herramientas y preparar un informe en varios pasos." → Sistema agéntico; Amazon Quick para el workspace gestionado o Strands + AgentCore para una solución propia.
"Aplicar siempre el mismo descuento según una tabla legal cerrada." → Reglas deterministas, no ML.
"El modelo rinde 99% en training y 60% en test." → Overfitting; regularización/más datos/early stopping.
"El equipo quiere entrenar, tunear y desplegar un modelo propio end-to-end." → Amazon SageMaker AI.

11. Glosario rápido#

Término	Definición de examen
Feature	Variable de entrada del modelo
Label	Valor objetivo que se quiere predecir (supervised)
Feature engineering	Crear/transformar features para mejorar el modelo
Training set	Datos con los que aprende el modelo
Validation set	Datos para ajustar hyperparameters
Test set	Datos nunca vistos para evaluar generalización
Epoch	Una pasada completa por el training set
Learning rate	Hyperparameter: tamaño del paso de actualización
Inference	Usar el modelo entrenado para predecir
Data drift	Los datos de producción cambian respecto a los de training
Model drift	La calidad del modelo se degrada con el tiempo
Confusion matrix	Tabla TP/FP/TN/FN de un clasificador
Ensemble	Combinar varios modelos para mejorar el resultado
Transfer learning	Reutilizar un modelo preentrenado en una tarea nueva
MLOps	DevOps aplicado al ciclo de vida ML

12. Checklist antes del examen#

Explico la relación entre AI, ML y DL, y por qué GenAI y agentic AI describen capacidades o patrones distintos.
Distingo supervised / unsupervised / semi-supervised / RL con un ejemplo de cada.
Distingo clasificación vs regresión vs clustering por el enunciado.
Sé cuándo elegir precision y cuándo recall (coste del FP vs FN).
Explico overfitting vs underfitting y cómo mitigarlos.
Sé qué hace cada servicio de AI gestionado en alcance (Comprehend, Rekognition, Textract, Transcribe, Polly, Translate, Lex, Kendra y Personalize).
Elijo entre ML tradicional y foundation models según tarea, explicabilidad, coste y operación.
Distingo Bedrock, SageMaker AI, JumpStart, Amazon Q, Amazon Quick, Kiro, Strands Agents y AgentCore.
Elijo bien entre real-time, batch, async y serverless inference.
Recuerdo que "least operational overhead" apunta al servicio gestionado.

Mapeo al repo#

Este dominio se corresponde con el módulo 1 (Fundamentos LLM y APIs) y la parte de evaluación del módulo 2.

Fuentes oficiales verificadas#

⚠️ Nota: los contenidos, pesos y servicios pueden cambiar. Esta guía fue contrastada el 21 de agosto de 2026; revisa la documentación oficial antes de presentarte.