CertifyDeckMLA-C02 mezcla ML clásico, IA generativa y operación en producción, así que no se prepara solo leyendo. Este plan de seis semanas sigue los dominios y pesos de la guía oficial y combina los recursos de AWS Skill Builder con práctica real y simulacros.
Requisitos previos
AWS recomienda al menos un año con SageMaker AI, Bedrock y otros servicios de ML, y experiencia con ML tradicional y con IA generativa. También espera conocimientos de algoritmos comunes, formatos e ingesta de datos, consultas, buenas prácticas de software, CI/CD e infraestructura como código.
Si te falta parte de esa base, alarga el plan a ocho semanas o empieza por los cursos digitales del Exam Prep Plan. Si nunca has trabajado con IA, AIF-C01 te da los conceptos antes de entrar aquí.
Plan semana a semana
Semana 1 (dominio 1, 28 %): ingesta desde S3, RDS, DynamoDB y streaming con Kinesis; formatos Parquet, ORC, JSON y CSV; transformaciones con AWS Glue, DataBrew y SageMaker Data Wrangler; Feature Store, calidad de datos, sesgo, desequilibrio de clases y preparación de documentos para RAG. Semana 2 (dominio 2, ML clásico): algoritmos integrados de SageMaker AI, script mode, automatic model tuning, early stopping, entrenamiento distribuido, sobreajuste y explicabilidad.
Semana 3 (dominio 2, IA generativa): elegir modelos fundacionales en Bedrock, ajuste fino frente a prompt engineering, patrones RAG, evaluación con métricas como BLEU, ROUGE y BERTScore, LLM-as-a-judge y evaluaciones de Bedrock. Semana 4 (dominio 3): inferencia en tiempo real y por lotes, endpoints en VPC, autoescalado, contenedores, knowledge bases, agentes, Model Registry, Prompt Management y pipelines con CodePipeline.
Semana 5 (dominio 4): monitorización con CloudWatch, deriva de datos, pruebas A/B, AgentCore Observability, costes de inferencia y de tokens, opciones de compra, IAM con mínimo privilegio, CloudTrail, AWS Config y Amazon Bedrock Guardrails. Semana 6: simulacros completos, repaso de fallos por dominio y la lista de nombres cortos de servicios que AWS ofrece en el botón Help del examen.
Recursos oficiales de AWS
La base es la guía del examen MLA-C02 en docs.aws.amazon.com: lista cada tarea y habilidad, y los servicios dentro y fuera de alcance. Úsala como lista de control y tacha lo que ya dominas.
AWS propone un Exam Prep Plan en Skill Builder en cuatro pasos: conocer el formato con el Official Practice Question Set y el Official Pretest, rellenar lagunas con cursos digitales y con AWS Builder Labs, AWS Cloud Quest y AWS Jam, repasar con preguntas tipo examen, flashcards y AWS SimuLearn, y medir tu preparación con el Official Practice Exam. Comprueba en Skill Builder qué partes requieren suscripción.
La práctica que más objetivos cubre
Monta un proyecto pequeño de principio a fin: prepara datos con Glue o Data Wrangler, entrena y ajusta un modelo en SageMaker AI, regístralo en Model Registry y despliégalo en un endpoint dentro de una VPC con autoescalado. Añade una alarma en CloudWatch y una comprobación de deriva.
En paralelo, crea una knowledge base de Bedrock sobre tus propios documentos, prueba dos estrategias de chunking, aplica Guardrails y mide la calidad de las respuestas con una evaluación de Bedrock. Con esos dos ejercicios tocas habilidades de los cuatro dominios y entiendes los costes reales de cada decisión.
Cómo usar los tests de práctica y los simulacros
Empieza con preguntas de ejemplo de MLA-C02 para ver el estilo y apunta los fallos por dominio, no solo la nota. Después practica por temas en el banco de preguntas de MLA-C02 (empieza gratis) y vuelve al temario explicado cada vez que un tema te cueste.
Desde la semana 5, haz simulacros completos con tiempo. En la versión estándar el aprobado es 720 sobre 1.000 y no hace falta aprobar cada sección por separado, pero lee bien cada enunciado: los requisitos de coste, latencia o seguridad suelen decidir la respuesta correcta.
Errores frecuentes
Estudiar solo IA generativa porque es lo nuevo, cuando la preparación de datos pesa un 28 % y el ML clásico sigue en el temario. También es habitual descuidar el dominio 4: costes, cuotas, credenciales de acceso a modelos e IAM aparecen en muchas habilidades.
En la sala, el error típico es dejar preguntas en blanco: cuentan como incorrectas y no hay penalización por responder. Y en la beta, presentarse sin estar listo sale caro, porque solo puedes hacerla una vez y para repetir hay que esperar a la versión general.
Preguntas frecuentes
¿Cuánto tiempo necesito para preparar MLA-C02?
Con el año de experiencia que recomienda AWS, unas seis semanas de estudio constante bastan para cubrir los cuatro dominios y hacer simulacros. Sin experiencia práctica en SageMaker AI o Bedrock, cuenta con más tiempo y más laboratorios.
¿Qué dominio pesa más en MLA-C02?
Preparación de datos para ML e IA, con un 28 % del contenido puntuable. Los otros tres dominios pesan un 24 % cada uno.
¿Hay que saber programar para MLA-C02?
La guía incluye desplegar modelos con el SDK de SageMaker AI para Python, AWS CLI y Boto3, configurar script mode y construir contenedores. Necesitas leer y entender código, aunque el examen es de preguntas de opción múltiple y respuesta múltiple.
¿Qué recursos oficiales gratuitos hay?
La guía del examen es pública en docs.aws.amazon.com, con todas las tareas, habilidades y servicios en alcance. AWS también publica un Exam Prep Plan en Skill Builder; comprueba allí qué recursos son gratuitos y cuáles requieren suscripción.
¿Cuál es la nota para aprobar MLA-C02?
En la versión estándar, 720 en una escala de 100 a 1.000, con un modelo compensatorio: basta con aprobar el examen completo. La guía aclara que la designación de aprobado o suspenso no se aplica igual a la beta, que se puntúa con un estándar mínimo fijado por AWS.