Guía completa
Google Cloud Generative AI Leader
Toca cualquier servicio para ver más detalles y documentación oficial.
Distribución del examen
40–60
Preguntas
~40
Min lectura
700
Puntaje mínimo
Fundamentos de IA Generativa
30% del examen¿Qué es la IA generativa?
La IA generativa crea contenido nuevo — texto, imágenes, audio, video o código — en lugar de solo clasificar o predecir sobre datos existentes. Se basa en modelos de fundación entrenados con enormes volúmenes de datos.
| Concepto | Descripción |
|---|---|
| IA tradicional (discriminativa) | Clasifica, predice o detecta patrones sobre datos existentes. Ej: detectar spam, predecir churn. |
| IA generativa | Genera contenido nuevo que no existía antes, aprendiendo la distribución estadística de los datos de entrenamiento. |
| Modelo de fundación (foundation model) | Modelo grande entrenado sobre datos masivos y de propósito general, adaptable a múltiples tareas sin reentrenar desde cero. |
| LLM (Large Language Model) | Modelo de fundación especializado en lenguaje — genera y comprende texto en lenguaje natural. |
Cómo funcionan los LLMs
| Término | Significado |
|---|---|
| Token | Unidad mínima de texto que procesa el modelo — puede ser una palabra, parte de una palabra o un signo. |
| Transformer | Arquitectura de red neuronal detrás de los LLMs modernos, basada en el mecanismo de "atención" para relacionar tokens entre sí. |
| Ventana de contexto | Cantidad máxima de tokens (entrada + salida) que el modelo puede procesar en una sola solicitud. |
| Temperature | Controla la aleatoriedad de la salida: valores bajos = respuestas más deterministas; valores altos = más creativas/variadas. |
| Top-k / Top-p | Limitan el conjunto de tokens candidatos en cada paso de generación, afinando el balance entre coherencia y diversidad. |
Modalidades de IA generativa
Texto
Generación y comprensión de lenguaje natural: resúmenes, redacción, Q&A, traducción.
Imagen
Generación de imágenes a partir de texto (text-to-image) y edición asistida por IA.
Audio
Síntesis y transcripción de voz, generación de música y efectos de sonido.
Multimodal
Un mismo modelo procesa y combina texto, imagen, audio y video en una sola solicitud.
Riesgos y limitaciones
| Riesgo | Descripción |
|---|---|
| Alucinaciones | El modelo genera información con apariencia correcta pero factualmente falsa. |
| Sesgo (bias) | El modelo puede reproducir sesgos presentes en sus datos de entrenamiento. |
| Datos desactualizados | El conocimiento del modelo tiene una fecha de corte — no conoce eventos posteriores sin grounding. |
| Uso indebido | Generación de contenido dañino, desinformación o suplantación si no hay filtros de seguridad. |
El examen distingue entre IA "tradicional" (discriminativa: clasifica/predice) e IA generativa (crea contenido nuevo). Todo LLM es un modelo de fundación, pero no todo modelo de fundación es un LLM (algunos son de imagen, audio o multimodales).
Opciones de GenAI de Google Cloud
35% del examenVertex AI: la plataforma central
Haz clic en cualquier servicio para ver más detalles
Herramientas complementarias
| Servicio | Función |
|---|---|
| Imagen | Modelo de generación y edición de imágenes a partir de texto, disponible en Vertex AI. |
| Gemini Code Assist | Asistente de codificación con IA integrado en IDEs y Cloud Workstations. |
| Gemini for Google Workspace | IA generativa integrada en Gmail, Docs, Sheets y Meet para productividad. |
| Vertex AI Search | Motor de búsqueda semántica y RAG administrado sobre datos empresariales propios. |
| NotebookLM / Gemini Enterprise | Herramientas orientadas a usuarios de negocio para explorar y sintetizar información con IA generativa. |
Del prototipo a producción
| Etapa | Herramienta |
|---|---|
| Explorar y probar prompts | Vertex AI Studio — interfaz sin código para experimentar con modelos |
| Personalizar el modelo | Model tuning (supervised tuning, RLHF) sobre un modelo base |
| Conectar datos propios | Grounding con datos empresariales, Vertex AI Search o RAG con Embeddings + Vector Search |
| Desplegar en producción | Endpoints administrados de Vertex AI, con autoescalado y monitoreo |
| Orquestar flujos complejos | Vertex AI Pipelines y Agent Builder para flujos de varios pasos |
D2 es el dominio de mayor peso (35%). El examen espera que sepas mapear un escenario de negocio a la herramienta correcta de Google Cloud: ¿necesita un modelo (Gemini/Model Garden), un agente (Agent Builder) o solo extracción de documentos (Document AI)?
Técnicas para mejorar el output de modelos de GenAI
20% del examenPrompt engineering
| Técnica | Descripción |
|---|---|
| Zero-shot | Se le pide al modelo resolver una tarea sin ejemplos previos en el prompt. |
| Few-shot | Se incluyen algunos ejemplos de entrada/salida en el prompt para guiar el formato de respuesta. |
| Chain-of-thought | Se pide al modelo razonar paso a paso antes de dar la respuesta final — mejora tareas de razonamiento. |
| System instructions | Instrucciones de alto nivel que fijan el rol, tono o restricciones del modelo para toda la conversación. |
Grounding y RAG
Grounding conecta las respuestas del modelo con fuentes de datos verificables, reduciendo alucinaciones. RAG (Retrieval-Augmented Generation) es la técnica más común para lograrlo.
| Paso del pipeline RAG | Qué hace |
|---|---|
| 1. Embeddings | Convierte los documentos propios en vectores semánticos |
| 2. Vector Search | Indexa esos vectores para búsqueda por similitud semántica |
| 3. Retrieval | Ante una pregunta, recupera los fragmentos de datos más relevantes |
| 4. Generation | El modelo genera la respuesta usando esos fragmentos como contexto |
Fine-tuning
| Enfoque | Cuándo usarlo |
|---|---|
| Prompt engineering | Primera opción: bajo costo y esfuerzo, suficiente para la mayoría de casos |
| Grounding / RAG | Cuando el modelo necesita datos actualizados o específicos de la organización |
| Supervised fine-tuning | Cuando se necesita que el modelo adopte un formato, tono o dominio muy específico de forma consistente |
| RLHF (Reinforcement Learning from Human Feedback) | Cuando se necesita alinear el comportamiento del modelo con preferencias humanas específicas |
Orden de esfuerzo creciente: prompt engineering → grounding/RAG → fine-tuning. El examen espera que elijas la técnica de menor esfuerzo que resuelva el problema, no que saltes directo a fine-tuning.
Estrategias de negocio para soluciones de GenAI exitosas
15% del examenIA responsable
| Principio | Aplicación |
|---|---|
| Equidad (fairness) | Evaluar el modelo para detectar y mitigar sesgos hacia grupos específicos |
| Transparencia | Documentar capacidades, limitaciones y datos de entrenamiento del modelo (model cards) |
| Privacidad | Proteger datos sensibles usados como contexto o en el entrenamiento/tuning |
| Rendición de cuentas | Mantener supervisión humana (human-in-the-loop) en decisiones de alto impacto |
| Seguridad | Filtros de contenido dañino y guardrails antes de exponer el modelo a usuarios finales |
Evaluar el caso de negocio
| Criterio | Pregunta clave |
|---|---|
| Build vs Buy | ¿Conviene usar un modelo/agente ya construido (Agent Builder, Model Garden) o desarrollar uno propio? |
| TCO (Total Cost of Ownership) | ¿El costo de inferencia, tuning y mantenimiento justifica el valor generado? |
| Gestión del cambio | ¿La organización y los usuarios finales están preparados para adoptar el flujo de trabajo con IA? |
| Medición de impacto | ¿Qué métricas de negocio (no solo técnicas) definen el éxito de la solución? |
Gobernanza y operación (LLMOps)
LLMOps extiende las prácticas de MLOps a los modelos de fundación: versionado de prompts, evaluación continua de calidad de las respuestas, monitoreo de costos y detección de drift en el comportamiento del modelo.
El dominio de negocio (D4) evalúa criterio, no arquitectura técnica: el examen premia identificar cuándo un proyecto de GenAI no está listo por falta de gobernanza o gestión del cambio, aunque la tecnología ya esté disponible.
Tips para el día del examen
IA generativa vs IA discriminativa: la discriminativa clasifica o predice sobre datos existentes; la generativa crea contenido nuevo (texto, imagen, audio, código).
Vertex AI es la plataforma paraguas. Dentro viven Gemini (modelos), Model Garden (catálogo multi-proveedor) y Agent Builder (agentes y búsqueda empresarial). El examen pregunta "cuál usarías" con escenarios.
Pro vs Flash en Gemini: Pro para razonamiento profundo y contexto largo, Flash para volumen alto y baja latencia/costo. Es el trade-off más repetido del examen.
RAG = embeddings + vector search + grounding. Reduce alucinaciones conectando el modelo a datos verificables en lugar de depender solo de su conocimiento entrenado.
Prompt engineering (zero-shot, few-shot, chain-of-thought) es la técnica de menor esfuerzo. Fine-tuning es de mayor esfuerzo y costo, pero necesario cuando el prompting no basta.
IA responsable en el examen: equidad, transparencia, privacidad y rendición de cuentas. Google Cloud ofrece filtros de seguridad y evaluación de modelos integrados en Vertex AI.
Estrategia de negocio: evalúa build vs buy, TCO y gestión del cambio antes de la tecnología. El examen premia razonar el caso de negocio, no solo la arquitectura técnica.
¿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 practicar?
Pon a prueba lo que aprendiste con preguntas originales del examen Gen AI Leader.
Iniciar simulacro Gen AI LeaderSin límite de simulacros con plan Pro
¿Te fue útil esta guía?
¿Aún no estás list@ para empezar?
Déjanos tu email y crea tu cuenta gratis cuando estés list@ — empieza con 15 preguntas de Gen AI Leader, sin tarjeta de crédito.
Ya tienes cuenta? Ir directo al simulacro →