Guía completa
AI-901 Azure AI Fundamentals
Toca cualquier servicio para ver más detalles y documentación oficial.
Distribución del examen
40–60
Preguntas
~50
Min lectura
700
Puntaje mínimo
Workloads y consideraciones de IA
15–20% del examen¿Qué es la Inteligencia Artificial?
La IA es la simulación de procesos de inteligencia humana por sistemas informáticos. En Azure, la IA se aplica a través de servicios que permiten a las aplicaciones ver, escuchar, hablar, entender y tomar decisiones.
Visión
Interpretar y analizar imágenes y video
Habla
Reconocer y sintetizar voz humana
Lenguaje
Comprender y generar texto natural
Decisión
Personalizar, moderar, detectar anomalías
Búsqueda
Indexar y buscar por significado
Gen AI
Crear contenido nuevo: texto, código, imágenes
IA Responsable — los 6 principios de Microsoft
⚖️ Equidad
Los sistemas de IA deben tratar a todas las personas de manera justa, sin sesgo por raza, género u otras características.
🔒 Confiabilidad
Los sistemas deben funcionar de manera confiable y segura, incluso en situaciones inesperadas.
🛡️ Privacidad
Los sistemas deben ser seguros y respetar la privacidad de las personas.
🌍 Inclusividad
Los sistemas deben empoderar a todos, incluyendo personas con discapacidades.
🔍 Transparencia
Los sistemas deben ser comprensibles. Las personas deben entender cómo funcionan.
✅ Responsabilidad
Las personas deben ser responsables de los sistemas de IA que diseñan y despliegan.
Los 6 principios de IA Responsable aparecen frecuentemente en el examen: Equidad, Confiabilidad, Privacidad, Inclusividad, Transparencia, Responsabilidad. Memorízalos.
Machine Learning en Azure
15–20% del examenConceptos fundamentales de ML
| Tipo | Descripción | Ejemplo |
|---|---|---|
| Supervisado | Aprende de datos etiquetados | Clasificar emails como spam/no-spam |
| No supervisado | Encuentra patrones sin etiquetas | Agrupar clientes por comportamiento |
| Refuerzo | Aprende por recompensas/penalizaciones | Jugar videojuegos, robots |
| Tarea | Qué predice | Ejemplo |
|---|---|---|
| Clasificación | Categorías (sí/no, A/B/C) | Detectar fraude, diagnóstico médico |
| Regresión | Valores numéricos continuos | Predecir precio de casa, temperatura |
| Clustering | Grupos similares (sin etiquetas) | Segmentar clientes, detectar anomalías |
Azure Machine Learning
Haz clic en cualquier servicio para ver más detalles
⚗️ AutoML
Prueba automáticamente múltiples algoritmos y encuentra el mejor para tus datos
🎨 Designer
Pipeline visual drag-and-drop para construir flujos de ML sin código
💻 Notebooks
Ambiente Jupyter para ML con código Python/R con compute integrado
🚀 Endpoints
Despliega modelos como APIs REST para consumo en tiempo real o batch
Métricas de evaluación de modelos
| Métrica | Qué mide | Tipo de modelo |
|---|---|---|
| Accuracy | Porcentaje de predicciones correctas | Clasificación |
| Precision | De los positivos predichos, cuántos son reales | Clasificación |
| Recall | De los positivos reales, cuántos detectó | Clasificación |
| F1 Score | Balance entre Precision y Recall | Clasificación |
| RMSE/MAE | Error promedio en predicciones numéricas | Regresión |
| R² | Qué tan bien el modelo explica la varianza | Regresión |
Overfitting = el modelo memoriza los datos de entrenamiento pero falla con datos nuevos. Underfitting = el modelo es demasiado simple y no aprende los patrones. El objetivo es el balance.
Visión por computadora
15–20% del examenServicios de visión en Azure
Haz clic en cualquier servicio para ver más detalles
Capacidades de visión
| Capacidad | Descripción | Caso de uso |
|---|---|---|
| Image Analysis | Describe la imagen, detecta objetos y tags | Catalogar inventario fotográfico |
| OCR / Read API | Extrae texto de imágenes y documentos | Digitalizar facturas y formularios |
| Face Detection | Detecta rostros y sus atributos | Control de acceso, asistencia |
| Custom Vision | Clasifica imágenes con tus propias fotos | QA en manufactura, clasificar defectos |
| Video Indexer | Analiza video: transcripción, caras, escenas | Indexar archivos de video corporativo |
Computer Vision general vs Custom Vision: si las categorías son comunes (personas, vehículos, animales) usa Computer Vision. Si son específicas de tu negocio (tipos de tornillos, partes de maquinaria) usa Custom Vision.
Procesamiento de lenguaje natural (NLP)
15–20% del examenServicios de NLP en Azure
Haz clic en cualquier servicio para ver más detalles
Capacidades de NLP
| Capacidad | Qué detecta/genera | Ejemplo |
|---|---|---|
| Sentiment Analysis | Positivo / Negativo / Neutro + score | "Me encantó el producto" → Positivo 0.97 |
| Key Phrase Extraction | Conceptos principales del texto | "Azure Machine Learning" en un artículo técnico |
| NER | Personas, lugares, fechas, organizaciones | Microsoft (org), Redmond (lugar), 2024 (fecha) |
| Language Detection | Idioma del texto | "Hola mundo" → es (español), confianza 1.0 |
| Translation | Traducción entre 100+ idiomas | ES → EN en tiempo real |
| Question Answering | Respuestas desde una base de conocimiento | FAQ bot de soporte al cliente |
Speech — servicios de voz
🎤 Speech to Text (STT)
Transcribe audio en tiempo real o por lotes. Soporta 100+ idiomas.
🔊 Text to Speech (TTS)
Convierte texto a voz natural. Voces neurales de alta calidad.
🌐 Speech Translation
Traduce voz en tiempo real entre idiomas.
🎙️ Speaker Recognition
Identifica o verifica la identidad de una persona por su voz.
NLP en el examen: Sentiment Analysis = tono emocional. NER = entidades específicas. Key Phrases = conceptos clave. Language Detection = qué idioma es. Son capacidades distintas de Azure AI Language.
IA Generativa
20–25% del examen¿Qué es la IA Generativa?
La IA Generativa puede crear contenido nuevo — texto, código, imágenes, audio — aprendiendo patrones de enormes datasets. Se basa en modelos de lenguaje grandes (LLMs) entrenados con billones de tokens.
Texto
Redactar, resumir, traducir, responder preguntas
Código
Generar, completar, explicar y revisar código
Imágenes
Crear imágenes a partir de descripciones (DALL-E)
Audio
Transcribir y sintetizar voz (Whisper, TTS)
Servicios de IA Generativa en Azure
Haz clic en cualquier servicio para ver más detalles
Conceptos clave de IA Generativa
| Concepto | Definición |
|---|---|
| LLM (Large Language Model) | Modelo entrenado con billones de tokens para entender y generar texto |
| Prompt | Instrucción o texto de entrada que se le da al modelo |
| Token | Unidad de texto que procesa el modelo (~4 caracteres o ~¾ palabra) |
| Temperatura | Controla la creatividad: 0 = determinista, 1 = muy creativo |
| RAG (Retrieval-Augmented Generation) | Combina búsqueda en docs propios con generación de LLM |
| Fine-tuning | Ajustar un modelo pre-entrenado con datos específicos del dominio |
| Embeddings | Representación numérica del significado semántico del texto |
| Grounding | Anclar las respuestas del LLM en datos reales para reducir alucinaciones |
Diagrama interactivo — sigue el flujo de una pregunta desde el usuario hasta la respuesta final. Pasa el cursor sobre cada nodo para entender su rol.
Arquitectura RAG
RAG (Retrieval-Augmented Generation) es el patrón más común para chatbots empresariales. Combina búsqueda en documentos propios con la capacidad generativa de un LLM.
Indexación
Los documentos se dividen en chunks y se convierten en embeddings → Azure AI Search
Recuperación
La pregunta del usuario se convierte en embedding y se busca en AI Search
Generación
Los docs relevantes + la pregunta se envían como prompt al LLM (Azure OpenAI)
Respuesta
El LLM genera una respuesta fundamentada en los documentos recuperados
Las alucinaciones son cuando el LLM genera información plausible pero incorrecta. RAG con grounding reduce este problema al anclar las respuestas en documentos reales.
Tips para el día del examen
Azure ML = modelos PROPIOS. Azure AI Services = APIs pre-entrenadas de Microsoft. Son complementarios.
Computer Vision (general) vs Custom Vision (específico para tus imágenes). El examen distingue cuándo usar cada uno.
NLP: Sentiment Analysis devuelve score. NER extrae entidades. Key Phrases extrae conceptos. Son capacidades distintas.
Azure AI Search es el componente de "retrieval" en RAG. Azure OpenAI es el componente de "generación".
IA Responsable tiene 6 principios: Equidad, Confiabilidad, Privacidad, Inclusividad, Transparencia, Responsabilidad.
Regresión predice valores numéricos. Clasificación predice categorías. Clustering agrupa sin etiquetas. Aprende las diferencias.
Overfitting = modelo funciona en training pero no en datos nuevos. Solución: más datos o regularización.
Azure OpenAI requiere acceso aprobado. No está disponible automáticamente para todos los tenants.
Content filtering en Azure OpenAI está habilitado por defecto. Detecta contenido dañino en input y output.
RAG (Retrieval-Augmented Generation) = Azure AI Search + Azure OpenAI. Busca docs relevantes → los pasa al LLM como contexto.
¿Quieres más profundidad?
Esta guía es un resumen rápido. Visita la sección Deep Dive para exploración exhaustiva con casos reales, análisis de costos y decisiones arquitectónicas.
¿Listo para poner a prueba lo aprendido?
Crea tu cuenta gratis y empieza hoy con 15 preguntas de AI-901 — sin tarjeta de crédito.
Ya tienes cuenta? Ir directo al simulacro →