Amazon AIF-C01: Servicios de IA/ML de AWS — Guía de estudio

By Laurynas Brazys · 30 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

Forma parte de la AWS AI Practitioner AIF-C01 — Guía de estudio. Practica con respuestas verificadas en el centro de exámenes de Amazon, o realiza tests cronometrados en ExamRoll.io.

Modelos fundacionales, Amazon Bedrock y patrones de inferencia

Los modelos fundacionales alojados a través de Amazon Bedrock proporcionan una vía rápida hacia las capacidades generativas utilizando múltiples familias de modelos, incluidas opciones de alto rendimiento y ajustadas a instrucciones como Q y Nova. Elija entre el aprendizaje en contexto (in-context learning) y la personalización: los prompts de pocos ejemplos (few-shot) son económicos para iterar, pero sensibles a la inyección de prompts e inestables ante cambios en la distribución; el ajuste fino eficiente en parámetros (parameter-efficient fine-tuning) o la personalización completa reducen el costo y la latencia por inferencia a expensas de la gobernanza de datos y la complejidad del reentrenamiento. El costo y la latencia de la inferencia están determinados principalmente por el tamaño del modelo y el número de tokens de entrada y salida procesados, así que diseñe prompts concisos, almacene en caché las respuestas frecuentes y prefiera modelos especializados más pequeños para los endpoints de alto volumen. Las trampas comunes para los profesionales incluyen tratar los resultados de los LLM como fidedignos sin un anclaje en datos (grounding), no controlar los datos sensibles que se introducen en los prompts y no instrumentar las plantillas y versiones de los prompts. Los criterios de decisión deben sopesar la latencia, el costo por token, la privacidad y la propiedad del modelo: utilice la conectividad privada de Bedrock y el cifrado de KMS cuando las restricciones regulatorias exijan el aislamiento de los datos, o elija modelos alojados en SageMaker cuando necesite un control total sobre los artefactos de entrenamiento y las herramientas de explicabilidad. Implemente la sanitización de entradas, instrucciones a nivel de sistema que sean inmutables y verificaciones de seguridad en capas para reducir los ataques basados en prompts y la fuga de los prompts del sistema.

SageMaker para entrenamiento, despliegue y gobernanza de modelos

Amazon SageMaker sigue siendo la principal ruta gestionada cuando se requiere un control total del entrenamiento, explicabilidad y MLOps de grado de producción. Utilice SageMaker Training e instancias de entrenamiento distribuido para grandes conjuntos de datos, SageMaker Studio para el desarrollo de extremo a extremo y el Model Registry para el control de versiones. Para el pronóstico de series temporales a través de muchos SKU relacionados, SageMaker DeepAR proporciona pronósticos probabilísticos y funciona mejor cuando se tienen muchas series y covariables similares. SageMaker Clarify ayuda a detectar sesgos y a calcular métricas de equidad, mientras que SageMaker Model Monitor supervisa la deriva de datos (data drift) y la calidad de las predicciones en producción. Las trampas comunes incluyen dejar notebooks de Studio con permisos de S3 demasiado amplios, subdimensionar los tipos de instancia para el entrenamiento distribuido y omitir la procedencia del conjunto de datos. Los criterios de decisión entre Bedrock y SageMaker a menudo giran en torno a las necesidades de personalización, los controles regulatorios y la explicabilidad: elija Bedrock para crear prototipos rápidamente con FMs de alta calidad y SageMaker cuando necesite trazabilidad a nivel de característica, explicaciones SHAP, auditorías de sesgo o entornos de ejecución privados y sin internet utilizando VPC endpoints y S3 VPC gateways.

Estrategias de recuperación, ingesta multimodal y anclaje en datos (grounding)

Para obtener resultados fiables y factuales se requiere anclar los corpus no estructurados con la Generación Aumentada por Recuperación (Retrieval Augmented Generation). Ingiéralos documentos utilizando Textract para formularios escaneados y OCR, Transcribe y Polly para canalizaciones de voz, Rekognition para análisis de imágenes y filtros de seguridad, y Comprehend para extracción de entidades y detección de PII. Almacene los vector embeddings en una base de datos de vectores especializada o en OpenSearch; utilice Amazon Kendra cuando necesite una búsqueda semántica gestionada con conectores enriquecidos y ajuste de relevancia. Diseñe chatbots con Bedrock para la generación y Kendra o un almacén de embeddings para la recuperación, mientras que Amazon Lex sigue siendo útil para el enrutamiento de intenciones y el relleno de ranuras (slot filling) en flujos deterministas. Los Agents for Bedrock son útiles para orquestar el uso de herramientas, APIs externas o razonamiento de varios pasos, pero requieren credenciales robustas y verificadores de herramientas para evitar acciones inseguras. Los errores comunes de los profesionales incluyen no paginar corpus grandes, ignorar los impactos de la latencia de recuperación en la experiencia del usuario y no versionar el índice de recuperación; las decisiones deben equilibrar la actualidad de los datos, la cadencia de actualización del índice y el costo del almacenamiento de vectores frente al riesgo de alucinación.

Seguridad, privacidad, explicabilidad y evaluación

La seguridad y la gobernanza siguen un modelo de responsabilidad compartida: AWS gestiona la infraestructura del servicio, pero el cliente debe clasificar los datos, administrar los roles de IAM, cifrar los datos con KMS y controlar el acceso a la red a través de los VPC endpoints y PrivateLink. Para cargas de trabajo sensibles o reguladas, ejecute SageMaker en una VPC sin internet con S3 gateway endpoints y utilice las opciones de red privada de Bedrock. Implemente la redacción automatizada de PII antes del entrenamiento utilizando el preprocesamiento con Comprehend y Textract, y considere la privacidad diferencial o la minimización de datos cuando los conjuntos de datos contengan información confidencial. La explicabilidad y la detección de sesgos requieren herramientas como SageMaker Clarify, explicadores SHAP y flujos de trabajo de revisión humana a través de Amazon Augmented AI para casos extremos. Supervise los modelos con métricas de Model Monitor como la deriva de características (feature drift), la deriva de predicciones (prediction drift) y comprobaciones de factualidad personalizadas para las canalizaciones RAG. Los errores comunes son tratar la seguridad de los modelos listos para usar (off-the-shelf) como suficiente, no registrar las instrucciones (prompts) y respuestas para auditoría, y no retener los conjuntos de datos de validación con acceso controlado; las decisiones de gobernanza deben incluir políticas de eliminación y pasos de respuesta a incidentes para la extracción de modelos o la fuga de datos.

Problema práctico: Escenario de caso de uso

Escenario: Nimbus Retail opera tiendas físicas a nivel mundial y mantiene datos de ventas e imágenes de productos en Amazon S3. Su entorno de IA en AWS incluye SageMaker Studio, acceso a Amazon Bedrock, Amazon Kendra, OpenSearch Service y Amazon QuickSight para BI.

Desafío: Nimbus necesita un asistente impulsado por un LLM para generar descripciones de productos contextuales y traducciones localizadas, garantizando al mismo tiempo la exactitud de los hechos, protegiendo los datos confidenciales de clientes y proveedores, y produciendo gráficos semanales de los más vendidos para los gerentes de las tiendas.

Enfoque recomendado:

Usar Amazon Textract para extraer cualquier atributo estructurado de los documentos de productos y Rekognition para validar y etiquetar las imágenes de los productos, almacenando los activos depurados en un bucket de S3 cifrado con KMS y roles de IAM estrictos.
Construir un índice de embeddings en OpenSearch o en un almacén de vectores gestionado, poblado con embeddings de un codificador de Bedrock; usar Kendra para la recuperación semántica de documentos de políticas y especificaciones.
Implementar una canalización RAG: usar Bedrock para la generación con contexto de recuperación, aplicar un filtro de factualidad con Comprehend y consultas de verificación personalizadas contra el corpus indexado, y registrar todas las instrucciones (prompts) y respuestas en CloudTrail y en un bucket de S3 para auditoría.
Producir gráficos semanales con Amazon QuickSight alimentado por las ventas agregadas de consultas de Athena sobre el data lake de S3, y exponer las descripciones generadas por el modelo en un endpoint de SageMaker para el consumo de la UX con revisión humana a través de A2I para ediciones de alto impacto.

Justificación: Este enfoque fundamenta los resultados generativos con la recuperación y verificación de documentos para reducir las alucinaciones, asegura los datos en un S3 cifrado con acceso de privilegio mínimo y separa las responsabilidades utilizando servicios gestionados para la indexación, la generación y el BI para equilibrar la velocidad, la gobernanza y la precisión.

← Conceptos de IA Generativa · Todos los dominios · IA Responsable y Gobernanza →

Practica estas preguntas → · Práctica cronometrada en ExamRoll.io →