Generative AI Leader Cheat Sheet

Modelo de gran escala, pre-entrenado, general y adaptable a múltiples tareas posteriores

Todo LLM es un foundation model especializado en texto; no todo foundation model es un LLM (ej. Imagen)

Procesa y/o genera más de un tipo de dato a la vez (texto+imagen, texto+video). Gemini es el ejemplo de Google

Arquitectura que revierte ruido gradualmente para generar imagen/video (Imagen, Veo)

Tuning = entrena embeddings de prompt (requiere entrenamiento). Engineering = redactar el texto a mano (sin entrenamiento)

Recolección de datos → preparación → entrenamiento/selección → despliegue → monitoreo continuo

Estructurados = filas/columnas (tablas, SQL). No estructurados = texto libre, imágenes, audio

Etiquetados = incluyen la respuesta correcta (supervisado). No etiquetados = el modelo descubre patrones (no supervisado)

Infraestructura → Modelos → Plataformas → Agentes → Aplicaciones

Google diseña productos con IA como criterio central, no como añadido; pionero de la arquitectura Transformer

Plataforma responsable, segura (SAIF), privada y escalable, pensada para requisitos de organizaciones grandes

Chip propio de Google diseñado para acelerar operaciones de machine learning

Sistema de supercomputación que integra hardware, software y frameworks de ML para cargas de IA a gran escala

Gemma (pesos abiertos) + Model Garden (modelos de terceros) + estándares open source (Kubernetes, TensorFlow)

Low-code/no-code (Agent Studio) + modelos pre-entrenados + APIs simples, sin requerir experiencia en ML

Plataforma empresarial: conecta el modelo a datos internos, búsqueda multimodal y agentes personalizados

Soluciones empaquetadas de experiencia de cliente (capa de aplicaciones del panorama de gen AI)

Herramientas para desarrolladores: Model Garden, Agent Search (componente) y Agent Platform AutoML

Extensions, functions, data stores y plugins — las piezas con las que un agente actúa sobre su entorno

Agent Studio = construir agentes empresariales completos. Google AI Studio = prototipar prompts/modelos rápido

Entorno para prototipar prompts y probar modelos dentro de Vertex AI (capa de plataformas)

Combina OCR con comprensión de lenguaje natural para procesar documentos (facturas, formularios)

Dependencia de datos, knowledge cutoff, sesgo, fairness, alucinaciones, casos límite (edge cases)

Se diferencian únicamente por la cantidad de ejemplos incluidos: 0, 1, o varios

Técnicas ortogonales: se pueden combinar con zero/one/few-shot en el mismo prompt

Pide razonamiento paso a paso antes de la respuesta; mejora tareas matemáticas y lógicas

Combina razonamiento con acciones externas (function calling) y observación de resultados

First-party (propios), third-party (licenciados/terceros), world data (búsqueda web en tiempo real)

Recupera fragmentos relevantes de una fuente externa y los usa como contexto antes de generar la respuesta

Token count, temperature, top-p, safety settings, output length

Principios de Google para desplegar IA segura por diseño: controles expandidos, defensas automatizadas, armonización, adaptación continua

Anonimización = irreversible. Pseudonimización = reversible con una clave (sigue siendo dato personal)

La organización que despliega el sistema —no el modelo— responde por sus resultados

Poder describir en términos comprensibles qué factores influyeron en una decisión del sistema

Revisión y aprobación humana antes de usar un output de alto riesgo; refuerza accountability

Manipular el comportamiento del modelo con instrucciones ocultas en el prompt o en un documento procesado (RAG)

El exam guide oficial es explícito: liderazgo estratégico, no implementación técnica — no esperes preguntas de código o CLI

El dominio "Opciones de gen AI de Google Cloud" tiene el mayor peso relativo del examen (~35%)

Trampa común: Vertex AI Studio (Google Cloud, empresarial) ≠ Google AI Studio (prototipado rápido, más ligero)

Distingue Gemini app/Advanced (consumo), Gemini Enterprise (empresa) y Gemini for Workspace (productividad)

Grounding es el concepto general de anclar respuestas a datos reales; RAG es una técnica específica para lograrlo

Si no hay entrenamiento de por medio, es prompt engineering; si se entrenan embeddings, es prompt tuning