Guía completa
AIF-C01 AWS Certified AI Practitioner
Toca cualquier servicio para ver más detalles y documentación oficial.
Distribución del examen
40–60
Preguntas
~45
Min lectura
700
Puntaje mínimo
Fundamentos de IA y ML
20% del examenTipos de aprendizaje automático
| Tipo | Cómo aprende | Ejemplo |
|---|---|---|
| Supervisado | Con datos etiquetados (input conocido → output conocido) | Clasificar correos como spam/no spam |
| No supervisado | Encuentra patrones sin etiquetas | Agrupar clientes por comportamiento (clustering) |
| Por refuerzo | Prueba y error, recibe recompensas o penalizaciones | Un agente que aprende a jugar optimizando su score |
Ciclo de vida de un proyecto de ML
Recolección de datos
Reunir datos relevantes y suficientes para el problema.
Preparación de datos
Limpiar, transformar y etiquetar (si aplica).
Entrenamiento
El modelo aprende patrones a partir de los datos.
Evaluación
Medir precisión con datos que el modelo no vio.
Despliegue
Poner el modelo en producción (endpoint).
Monitoreo
Detectar degradación o drift del modelo en el tiempo.
Servicio para construir modelos propios
Haz clic en cualquier servicio para ver más detalles
Overfitting = el modelo memoriza los datos de entrenamiento pero falla con datos nuevos (demasiado complejo). Underfitting = el modelo es demasiado simple y ni siquiera aprende bien los datos de entrenamiento.
Fundamentos de IA generativa
24% del examenQué es un foundation model
Un foundation model es un modelo entrenado con cantidades masivas de datos, capaz de adaptarse a muchas tareas distintas (texto, imagen, código) sin entrenarse desde cero para cada una — a diferencia del ML tradicional, donde cada modelo resuelve un problema específico.
Conceptos clave de IA generativa
| Concepto | Qué significa |
|---|---|
| Token | Unidad mínima de texto que procesa el modelo (palabra o fragmento de palabra) |
| Embedding | Representación numérica (vector) del significado de un texto, usada para buscar similitud semántica |
| Context window | Cantidad máxima de tokens que el modelo puede "recordar" en una sola conversación o prompt |
| Temperature | Controla aleatoriedad: alta = más creativo/variado, baja = más determinista/consistente |
| Prompt engineering | Diseñar el texto de entrada para obtener mejores respuestas, sin modificar el modelo |
Amazon Bedrock — acceso a foundation models
Haz clic en cualquier servicio para ver más detalles
Los foundation models pueden "alucinar": generar información que suena convincente pero es falsa. RAG reduce este riesgo al basar las respuestas en documentos reales, pero no lo elimina por completo.
Aplicaciones de foundation models
28% del examenPrompt engineering vs RAG vs Fine-tuning
Este es el tema con más peso individual del examen: identificar qué técnica usar según el escenario.
| Técnica | Cuándo usarla | Esfuerzo |
|---|---|---|
| Prompt engineering | Ajustar cómo pides algo, sin datos adicionales ni reentrenamiento | Bajo — inmediato |
| RAG (Bedrock Knowledge Bases) | El modelo necesita responder con información de tus documentos propios y actualizados | Medio — sin reentrenar el modelo |
| Fine-tuning | Necesitas que el modelo cambie su comportamiento o tono de forma permanente y consistente | Alto — requiere datos de entrenamiento y cómputo |
Servicios de IA pre-entrenados por caso de uso
Haz clic en cualquier servicio para ver más detalles
D3 tiene el mayor peso del examen (28%). Memoriza el servicio correcto por caso de uso: imágenes→Rekognition, documentos→Textract, voz→texto→Transcribe, texto→voz→Polly, análisis de texto→Comprehend, chatbots→Lex, búsqueda interna→Kendra. Y para IA generativa: prompt engineering vs RAG vs fine-tuning según el escenario.
Guías de IA responsable
14% del examenDimensiones de la IA responsable
⚖️ Fairness
El modelo no discrimina ni perjudica a grupos específicos
🔍 Explainability
Se puede entender por qué el modelo tomó una decisión
🛡️ Robustness
El modelo funciona de forma consistente ante entradas inesperadas
👁️ Transparency
Es claro qué datos y limitaciones tiene el modelo
🔒 Privacy
Los datos personales usados se protegen adecuadamente
🚨 Safety
El sistema evita generar contenido dañino o peligroso
Herramientas de IA responsable en AWS
| Herramienta | Función |
|---|---|
| SageMaker Clarify | Detecta sesgo (bias) en datos de entrenamiento y explica predicciones del modelo |
| SageMaker Model Monitor | Detecta drift o degradación del modelo ya en producción |
| Bedrock Guardrails | Filtra contenido dañino, temas prohibidos y datos sensibles en las respuestas |
| Model Cards | Documentación estándar sobre el propósito, limitaciones y desempeño de un modelo |
El sesgo (bias) en un modelo casi siempre viene de los datos de entrenamiento, no del algoritmo en sí — si los datos históricos reflejan una desigualdad, el modelo la aprende y la reproduce.
Seguridad, cumplimiento y gobernanza
14% del examenResponsabilidad compartida aplicada a IA
🏢 AWS
- • Infraestructura de cómputo para IA
- • Seguridad del foundation model base
- • Disponibilidad de los servicios de IA
👤 Cliente
- • Tus datos y prompts
- • Control de acceso (IAM) a los servicios de IA
- • Cumplimiento normativo sobre tu caso de uso
Servicios de seguridad y gobernanza relevantes
| Servicio | Función en contexto de IA |
|---|---|
| AWS IAM | Controla quién puede invocar modelos, crear endpoints o acceder a datos de entrenamiento |
| AWS KMS | Cifra datos de entrenamiento, artefactos de modelo y datos en tránsito |
| AWS CloudTrail | Audita qué llamadas se hicieron a los servicios de IA y quién las hizo |
| Amazon Macie | Descubre y clasifica datos sensibles (PII) antes de usarlos para entrenar o dar contexto a un modelo |
El examen no evalúa cómo configurar cada servicio de seguridad en detalle — evalúa que entiendas qué parte de la seguridad de IA es tuya (datos, prompts, acceso) y qué parte es de AWS (infraestructura, el modelo base).
Tips para el día del examen
Aprendizaje supervisado usa datos etiquetados (input → output conocido). No supervisado encuentra patrones sin etiquetas (clustering). Refuerzo aprende por prueba/error con recompensas.
Bedrock = usar foundation models ya entrenados vía API, sin infraestructura propia. SageMaker = construir y entrenar tus propios modelos desde cero. El examen los compara constantemente.
Prompt engineering (rápido, barato, sin datos) vs RAG (conecta tus datos sin reentrenar) vs Fine-tuning (lento, caro, cambia el comportamiento del modelo). En ese orden de esfuerzo creciente.
RAG = Retrieval-Augmented Generation: busca información relevante en tus documentos y se la da al modelo como contexto antes de que responda. No modifica los pesos del modelo.
Temperature alta = respuestas más creativas/variadas. Temperature baja = respuestas más deterministas/consistentes. Top-p y top-k controlan de qué universo de palabras elige el modelo.
IA responsable en el examen: fairness (equidad), explainability (explicabilidad), robustness (robustez), transparency (transparencia), privacy y safety son las dimensiones que AWS evalúa.
SageMaker Clarify detecta sesgo (bias) en datos de entrenamiento y explica por qué un modelo tomó una decisión (feature importance). Aparece en casi toda pregunta de D4.
Bedrock Guardrails filtra contenido dañino, temas prohibidos y PII en las respuestas — es una capa de seguridad, no mejora la precisión del modelo.
Servicios de IA pre-entrenados por caso de uso: Rekognition=imágenes/video, Textract=documentos estructurados, Transcribe=voz→texto, Polly=texto→voz, Comprehend=NLP/sentimiento, Lex=chatbots, Kendra=búsqueda semántica.
Overfitting = el modelo memoriza los datos de entrenamiento y falla con datos nuevos. Underfitting = el modelo es demasiado simple y no aprende ni los datos de entrenamiento.
El modelo de responsabilidad compartida aplica también a IA: AWS asegura la infraestructura y los pesos del modelo base; tú eres responsable de tus prompts, tus datos y el control de acceso a tu aplicación.
El examen no espera que memorices precios exactos, pero sí que entiendas el orden relativo de costo/esfuerzo: usar un modelo pre-entrenado < prompt engineering < RAG < fine-tuning < entrenar desde cero.
¿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.
Practica AIF-C01 con simulaciones interactivas
Labs click-through: navega una simulación del portal paso a paso, con objetivos claros y verificación en cada acción — sin costos reales.
¿Te fue útil esta guía?
¿Listo para poner a prueba lo aprendido?
Crea tu cuenta gratis y empieza hoy con 15 preguntas de AIF-C01 — sin tarjeta de crédito.
Ya tienes cuenta? Ir directo al simulacro →