Amazon MLA-C01: Visión por computadora, NLP y ML especializado — Guía de estudio

By Laurynas Brazys · 3 August 2026 · #amazon #mla-c01 #certification #exam-prep #study-guide

Forma parte de la AWS Machine Learning Engineer Associate MLA-C01 — Guía de estudio. Practica con respuestas verificadas en el centro de exámenes de Amazon, o realiza tests cronometrados en ExamRoll.io.

Concepto principal

Las soluciones de visión por computadora y NLP en AWS se basan en tres aspectos superpuestos: la ingesta y seguridad de los datos, la preparación de características y etiquetas, y el ciclo de vida del modelo (entrenamiento, registro, despliegue, monitoreo). Para la clasificación de imágenes y la detección de objetos, los flujos de trabajo de entrenamiento se centran en el almacenamiento de activos etiquetados en Amazon S3 con un cifrado estricto y controles de red, utilizando formatos de anotación como Pascal VOC / COCO para la detección de objetos y RecordIO o TFRecord para un entrenamiento de alto rendimiento. Para la clasificación de texto y el reconocimiento de entidades nombradas (NER), las entradas suelen ser secuencias tokenizadas (WordPiece/BPE para modelos transformer) o JSON delimitado por líneas con etiquetas; el preprocesamiento debe preservar las correspondencias de token a carácter al usar salidas de Amazon Textract o segmentos etiquetados por humanos para que la alineación de las etiquetas de NER sea consistente. La ingeniería de características para modelos de fraude tabulares se enfoca en la agregación en ventanas de tiempo, la reducción de la cardinalidad categórica y una codificación consistente entre el entrenamiento y la inferencia; el uso de una transformación centralizada (un flujo de Feature Store o Data Wrangler) previene el sesgo (skew) entre el entrenamiento fuera de línea y la inferencia en línea.

Las opciones para la construcción de modelos se corresponden con servicios especializados de AWS: Amazon SageMaker ofrece algoritmos integrados (XGBoost, Linear Learner, Random Cut Forest) y contenedores gestionados para frameworks (MXNet, TensorFlow, PyTorch), además de SageMaker Clarify para el sesgo y la explicabilidad. Amazon Rekognition cubre las API de imagen preconstruidas para etiquetado, detección de rostros/celebridades y entrenamiento de etiquetas personalizadas a través de Rekognition Custom Labels cuando se requiere una baja sobrecarga operativa. Para la extracción de texto y datos estructurados de documentos, Amazon Textract proporciona OCR y extracción de formularios/tablas; para tareas a nivel de lenguaje como análisis de sentimiento, reconocimiento de entidades o modelado de temas, Amazon Comprehend ofrece API gestionadas y Comprehend Medical para NER clínico. Es fundamental para la producción unir estas piezas en una canalización (pipeline) consistente para que el preprocesamiento, las entradas del modelo y el monitoreo sean reproducibles y auditables.

Servicios y configuración clave

Los servicios principales de AWS y los parámetros de API/configuración relevantes que se deben conocer son Amazon SageMaker (TrainingJob, ModelPackage, ModelPackageGroup, ModelRegistry), SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep), SageMaker Model Monitor y Clarify (BaselineConfig, DataConfig, ModelConfig, bias_config), Amazon Rekognition, Amazon Comprehend, Amazon Textract, AWS Glue y Lake Formation. Para un almacenamiento seguro y aislado, configure S3 con cifrado del lado del servidor usando SSE-KMS (S3.PutBucketEncryption con SSEKMSKeyId), adjunte políticas de bucket que limiten el acceso al rol de ejecución de SageMaker y habilite un endpoint de VPC de tipo Gateway para S3 para transferencias en una red privada. Al lanzar trabajos de entrenamiento, establezca el parámetro VpcConfig (SecurityGroupIds y Subnets) en CreateTrainingJob para que las instancias se ejecuten en la VPC del cliente, y habilite NetworkIsolation e InstanceMetadataServiceConfiguration para limitar el acceso.

Para gestionar modelos de forma centralizada con una sobrecarga operativa mínima, utilice el SageMaker Model Registry creando un ModelPackageGroup y añadiendo versiones de ModelPackage con el ModelApprovalStatus establecido en ‘PendingManualApproval’ a través de CreateModelPackage. Automatice una puerta de aprobación manual añadiendo un CallbackStep o un paso dedicado de “ManualApproval” en SageMaker Pipelines; la canalización (pipeline) espera una señal externa, y luego se llama a UpdateModelPackage para establecer el ModelApprovalStatus en ‘Approved’ para el despliegue. Para evaluaciones bajo demanda de sesgo o deriva (drift) en endpoints en tiempo real desplegados, utilice SageMaker Clarify para métricas de sesgo y SageMaker Model Monitor para la deriva de datos y predicciones: capture las cargas útiles de inferencia habilitando DataCaptureConfig en CreateEndpoint (EnableCapture, CaptureOptions, DestinationS3Uri), y luego inicie un trabajo de procesamiento de Clarify a través de CreateProcessingJob con los parámetros del SDK de Clarify DataConfig, ModelConfig y bias_config para calcular las métricas de deriva inmediatamente.

Los servicios relevantes incluyen:

• Amazon SageMaker (TrainingJob, CreateModelPackage, UpdateModelPackage, CreateProcessingJob, CreateMonitoringSchedule)
• SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep)
• SageMaker Clarify (DataConfig, ModelConfig, bias_config, explainability_config)
• Amazon Rekognition (StartProjectVersion, DetectLabels, CreateProjectVersion)
• Amazon Comprehend (DetectEntities, StartEntitiesDetectionJob)
• Amazon Textract (StartDocumentTextDetection, AnalyzeDocument)
• AWS Glue y AWS Lake Formation (Crawlers, Jobs, Data Catalog)
• Amazon Lookout for Metrics y Amazon QuickSight para la visualización de anomalías

Patrones de diseño y contrapartidas

Para la clasificación tabular, como la detección de fraudes, el patrón de diseño práctico es centralizar las fuentes de datos sin procesar en un data lake seguro en S3 utilizando AWS Glue o DMS para tablas relacionales, catalogarlas en Glue Data Catalog y aplicar el acceso a través de Lake Formation. Las transformaciones se expresan una sola vez en flujos de SageMaker Data Wrangler o como trabajos ETL de Glue y se persisten en SageMaker Feature Store para que las mismas transformaciones se ejecuten tanto en el entrenamiento como en la inferencia. Elegir Feature Store añade pasos operativos al principio, pero reduce el sesgo (skew) y el tiempo de depuración; las transformaciones directas dentro del trabajo tienen una sobrecarga inicial menor, pero dificultan la reproducibilidad y el cálculo de características en línea (online). Para los algoritmos de entrenamiento, XGBoost (contenedor proporcionado por SageMaker) es una opción predeterminada sólida para la detección de fraudes debido a su rendimiento con datos tabulares y su soporte para columnas de peso; configure los hiperparámetros usando HyperParameters en CreateTrainingJob y pase una columna de peso o establezca scale_pos_weight para contrarrestar el desequilibrio de clases, lo que evita pipelines de remuestreo (resampling) más complejos.

Para la visión por computadora (computer vision), si necesita una iteración rápida y los datos etiquetados son limitados, Rekognition Custom Labels proporciona la ruta más rápida con un mínimo de operaciones; para un control máximo y arquitecturas personalizadas, utilice el entrenamiento de SageMaker con MXNet/PyTorch y almacene los conjuntos de datos en formato RecordIO o ImageFolder en S3. Para la detección de objetos, prefiera entrenar con frameworks que generen el formato COCO y aproveche el entrenamiento distribuido de SageMaker especificando un InstanceType de ml.p3.2xlarge o superior y configurando la configuración de MPI o horovod en AlgorithmSpecification y TrainingInputMode del TrainingJob. Las contrapartidas incluyen el rendimiento (throughput) frente al costo: los trabajos por lotes (batch jobs) que utilizan instancias spot administradas reducen el costo, pero añaden latencia y riesgo de terminación; el almacenamiento en caché de los pipelines en SageMaker Pipelines reduce el inicio repetido de pasos cuando las entradas no han cambiado, lo que minimiza el tiempo de inicio de cómputo innecesario.

← Optimización de costos para cargas de trabajo de ML · Todos los dominios

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

Explorar Amazon →