Servicios de AWS que agregan capacidades de IA a tus aplicaciones a través de una simple llamada a una API, sin necesidad de entrenar ni gestionar ningún modelo. El examen prueba constantemente que sepas asociar el escenario correcto con el servicio correcto.
Contenido
Analiza imágenes y vídeo con Machine Learning: detección de objetos, escenas y actividades, reconocimiento y comparación de rostros, moderación de contenido y detección de texto dentro de una imagen.
Caso de uso concreto
Una app de verificación de identidad que compara la foto de un DNI con una selfie en tiempo real para validar que es la misma persona.
Lo que suele confundirse en el examen
Rekognition analiza el CONTENIDO VISUAL de una imagen (qué hay en ella). No extrae texto estructurado de documentos como formularios o tablas — eso es trabajo de Textract, aunque ambos puedan "leer" texto en una imagen.
Detecta objetos y escenas en una imagen usando Amazon Rekognition, sin entrenar un modelo de visión propio.
+1 más...
Extrae texto, tablas y datos de formularios de documentos escaneados o PDFs, entendiendo la estructura del documento — no solo el texto plano como un OCR tradicional.
Caso de uso concreto
Una aseguradora que procesa automáticamente miles de formularios de reclamación escaneados, extrayendo cada campo (nombre, fecha, monto) como dato estructurado.
Lo que suele confundirse en el examen
Textract extrae y estructura texto de documentos. No entiende el SIGNIFICADO del texto (sentimiento, entidades, temas) — para eso, una vez extraído el texto, se combinaría con Comprehend.
Extrae campos clave de una factura escaneada usando Amazon Textract, sin plantillas ni OCR manual.
+1 más...
Reconocimiento automático de voz (ASR): convierte audio en texto, con soporte para identificación de hablantes, vocabulario personalizado y múltiples idiomas.
Caso de uso concreto
Un centro de llamadas que transcribe automáticamente todas las llamadas para analizarlas después y detectar quejas recurrentes.
Lo que suele confundirse en el examen
Transcribe convierte AUDIO en TEXTO. No analiza el contenido de ese texto (eso sería Comprehend) ni hace el proceso inverso, texto a voz (eso es Polly).
Transcribe una llamada de soporte a texto con separación por hablante usando Amazon Transcribe.
+1 más...
Convierte texto en habla realista (Text-to-Speech). Ofrece voces naturales en múltiples idiomas y dialectos, incluyendo voces neuronales más expresivas.
Caso de uso concreto
Una app de aprendizaje de idiomas que lee en voz alta el contenido de las lecciones con pronunciación nativa.
Lo que suele confundirse en el examen
Polly es el proceso INVERSO a Transcribe: texto → voz, no voz → texto. Es fácil confundir ambos nombres en el examen por lo parecidos que suenan sus descripciones.
Genera audio a partir de texto con una voz neuronal de Amazon Polly.
+1 más...
Extrae información y relaciones de texto no estructurado: análisis de sentimiento (positivo/negativo/neutro/mixto), extracción de entidades (personas, lugares, fechas, cantidades), detección de idioma y clasificación de temas.
Caso de uso concreto
Analizar automáticamente miles de reseñas de clientes para identificar el sentimiento general y los temas más mencionados sin leerlas una por una.
Lo que suele confundirse en el examen
Comprehend analiza el SIGNIFICADO de un texto ya existente. No transcribe audio (Transcribe), no extrae datos de documentos escaneados (Textract), y no genera conversación (Lex).
Analiza sentimiento y extrae entidades de un texto con Amazon Comprehend, sin entrenar ningún modelo.
+1 más...
Construye interfaces conversacionales (chatbots y asistentes de voz) usando la misma tecnología que Amazon Alexa. Define intents (intenciones) y slots (parámetros), y gestiona conversaciones de varios turnos.
Caso de uso concreto
Un chatbot en el sitio web que responde preguntas frecuentes sobre pedidos y escala a un agente humano cuando no puede resolver la consulta.
Lo que suele confundirse en el examen
Lex es para construir flujos conversacionales ESTRUCTURADOS con intents predefinidos. No es lo mismo que un agente de Bedrock, que razona de forma abierta con un foundation model y puede orquestar múltiples herramientas dinámicamente.
Crea un bot conversacional en Amazon Lex y pruébalo reconociendo un intent y sus slots.
+1 más...
Motor de búsqueda empresarial con Machine Learning. Busca en documentos, FAQs y múltiples repositorios de datos, devolviendo respuestas directas y relevantes, no solo una lista de enlaces como un buscador tradicional.
Caso de uso concreto
Una empresa con miles de documentos internos donde los empleados necesitan encontrar rápidamente información específica sin conocer en qué documento está.
Lo que suele confundirse en el examen
Kendra es búsqueda semántica lista para usar sobre tus repositorios. No es lo mismo que construir tu propio sistema RAG con Bedrock Knowledge Bases, aunque ambos resuelven el problema de "buscar en documentos propios" — Kendra es un servicio de búsqueda, Knowledge Bases está pensado para alimentar a un foundation model generativo.
Crea un índice de Kendra y realiza una búsqueda en lenguaje natural sobre documentos de empresa.
+1 más...
| Escenario en el examen | Servicio correcto |
|---|---|
| Detectar objetos, rostros o contenido inapropiado en imágenes/vídeo | Amazon Rekognition |
| Extraer campos y tablas de formularios o PDFs escaneados | Amazon Textract |
| Transcribir llamadas o grabaciones de audio a texto | Amazon Transcribe |
| Leer contenido en voz alta / generar audio a partir de texto | Amazon Polly |
| Analizar el sentimiento o extraer entidades de reseñas y comentarios | Amazon Comprehend |
| Construir un chatbot con intents y slots predefinidos | Amazon Lex |
| Buscar respuestas dentro de documentos internos de la empresa | Amazon Kendra |
Sin pasos guiados: lee un escenario y elige, entre 4 servicios de IA de AWS, el único que cumple todos los requisitos.
+1 más...
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Una empresa de logística recibe cientos de facturas escaneadas al día en distintos formatos y necesita extraer automáticamente el número de factura, la fecha y el monto total como datos estructurados. ¿Qué servicio de AWS deberían usar?
Inicia sesión para llevar tu progreso.