Amazon AIF-C01: MLOps y Despliegue — 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.

Explicabilidad, Fichas de modelo y controles listos para el cumplimiento normativo

La explicabilidad debe ser operacional, auditable y ajustada a las necesidades de las partes interesadas (stakeholders). Amazon SageMaker Clarify proporciona comprobaciones de sesgo previas al entrenamiento, métricas de sesgo posteriores al entrenamiento y atribuciones de características por predicción a través de SHAP que pueden generarse en tiempo de inferencia o en lotes fuera de línea. Las explicaciones en tiempo de ejecución deben registrarse junto con las predicciones y las huellas digitales (fingerprints) de entrada para proporcionar trazabilidad; almacene las explicaciones en S3 e indíxelas para su recuperación. Las Fichas de modelo (Model Cards) documentan el uso previsto, la procedencia de los datos, las métricas de evaluación en segmentos relevantes, las limitaciones conocidas y las advertencias de rendimiento; mantenga las versiones de las fichas de modelo dentro del Model Registry para cumplir con la gobernanza. Los casos de uso financieros y regulados requieren pistas de auditoría deterministas: conserve los artefactos del modelo, los hiperparámetros, los datos de evaluación y los registros de explicación; implemente puertas de aprobación con intervención humana (human-in-the-loop) para decisiones de alto impacto y mantenga explicaciones contrafactuales para casos complejos. Para una integración segura con modelos fundacionales gestionados, utilice endpoints de interfaz de AWS PrivateLink para llamar a Amazon Bedrock desde una VPC, cifre las cargas útiles (payloads) con KMS y aplique controles de red e IAM detallados. La elección de servicios para el almacenamiento de embeddings y la búsqueda vectorial depende de las necesidades de recuperación; compare las opciones por rendimiento y costo operativo:

• Amazon OpenSearch Service (k-NN): búsqueda vectorial escalable con analíticas integradas
• Amazon Kendra: búsqueda semántica gestionada con conectores incorporados y características empresariales
• Amazon RDS (Postgres + pgvector): almacenamiento vectorial transaccional, más simple para conjuntos de datos relacionales
• ANN personalizado en Amazon EKS o ECS: máxima flexibilidad para NMSLIB/FAISS, pero con una mayor carga operativa

Problema práctico: Escenario de caso de uso

Escenario: FinSight opera un pipeline de decisión de crédito en AWS utilizando SageMaker para el entrenamiento de modelos, Bedrock para explicaciones generativas auxiliares y Amazon S3 para los datos. Los modelos se despliegan como endpoints en tiempo real de SageMaker dentro de una VPC, y Model Monitor está habilitado para perfilar las características de entrada.

Desafío: Model Monitor ha detectado una deriva de características (feature drift) que supera los umbrales, y las regulaciones del negocio exigen decisiones auditables y explicables para cualquier cambio automatizado en los límites de crédito.

Enfoque recomendado:

1. Utilice las alertas de SageMaker Model Monitor para activar una regla de EventBridge que envíe los datos de la deriva a un flujo de trabajo de reentrenamiento de SageMaker Pipelines, y tome una instantánea (snapshot) de la inferencia actual y los datos de entrada recientes en un bucket de cuarentena de S3.
2. Ejecute un trabajo de validación automatizado dentro de SageMaker Pipelines que compare las distribuciones de datos recientes con la línea base, calcule métricas de evaluación (precisión/recall/F1) y produzca explicaciones SHAP por muestra con SageMaker Clarify para una cohorte representativa.
3. Si las comprobaciones automatizadas se superan, registre el nuevo modelo en SageMaker Model Registry con una Ficha de modelo actualizada que capture los segmentos de rendimiento y las explicaciones; utilice variantes de endpoint y desvío de tráfico (traffic shifting) para un despliegue por etapas. Si las comprobaciones fallan, cree un incidente en la cola de operaciones e invoque un paso de revisión humana antes de cualquier despliegue.
4. Para las llamadas seguras a Bedrock que generan explicaciones legibles por humanos, enrute el tráfico de Bedrock a través de AWS PrivateLink y cifre las cargas útiles (payloads) con KMS; registre todas las salidas de explicación en S3 y vincúlelas a los registros de inferencia para la auditabilidad.

Justificación: Este enfoque combina la detección automatizada, la validación reproducible y el despliegue controlado con pistas de auditoría y explicaciones por decisión, alineando los controles operativos con la transparencia regulatoria y minimizando las acciones incorrectas de reentrenamiento o reversión (rollback).

← Entrenamiento · Todos los dominios · Optimización de Costos y Precios para IA →

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

Explorar Amazon →