Preguntas de examen AI-103 explicadas por dominio (con respuesta)

Pregunta 1. Un agente de pedidos debe recuperar políticas y consultar una API transaccional actual. ¿Cómo deben representarse ambas capacidades? Opciones: una fuente de conocimiento para las políticas y una herramienta para la API; ambas como pesos permanentes del modelo; ambas solo como historial de conversación; un filtro de contenido para la API. Respuesta: fuente de conocimiento más herramienta. Las fuentes de conocimiento fundamentan respuestas informativas; las herramientas ejecutan acciones y obtienen datos transaccionales del momento. Es la distinción que el temario llama "elegir servicios de memoria, herramientas y conocimiento para soluciones de agentes".

Pregunta 2. Una aplicación de soporte clasifica solicitudes breves en dispositivos perimetrales con límites estrictos de latencia y coste. ¿Qué tipo de modelo debería evaluarse primero? Respuesta: un modelo de lenguaje pequeño optimizado para la tarea. El modelo multimodal más grande, un generador de imágenes o un modelo de voz añaden capacidades que el escenario no pide y rompen las restricciones. El patrón se repite en todo el dominio: el enunciado fija dos o tres restricciones y solo una opción las cumple todas.

Pregunta 3. Una aplicación RAG recupera pasajes, pero el modelo ignora los identificadores de las fuentes. ¿Qué debe incluir el ensamblado del contexto? Opciones: etiquetas de fuente explícitas e instrucciones para citar la evidencia suministrada; mayor temperatura sin fuentes; todo el índice sin ranking; una cita aleatoria añadida después de generar. Respuesta: etiquetas e instrucciones de cita. Así cada afirmación queda asociada a un pasaje recuperado; un posproceso no puede inventar citas válidas y subir la temperatura empeora el problema.

Este es el dominio con más peso y el que más cambia respecto a AI-102: desplegar y consumir modelos, RAG, flujos con herramientas, evaluación de fabricaciones y relevancia, agentes con memoria y llamadas a funciones, soluciones multiagente orquestadas, aprobaciones humanas, trazas y analítica de tokens. Las preguntas suelen dar un síntoma (respuestas sin cita, latencia alta, un agente que llama a la herramienta equivocada) y piden el cambio mínimo que lo corrige.

Pregunta 4. Una carga realiza una extracción predefinida a gran escala y otra requiere un análisis rico de varios pasos. ¿Cómo se eligen los modos de Content Understanding? Respuesta: tarea única para la extracción enfocada y modo pro para el análisis complejo. La elección refleja complejidad, rendimiento, latencia y razonamiento necesario; usar el modo pro para todo encarece y ralentiza sin motivo.

Pregunta 5. Un corpus RAG contiene PDF, escaneos, imágenes y entrevistas grabadas. ¿Qué diseño de ingesta es adecuado? Respuesta: procesar cada modalidad con la extracción adecuada (OCR, análisis de diseño, transcripción) antes de fragmentar e indexar el contenido normalizado, conservando los metadatos. Tratar todo binario como texto, indexar solo nombres de archivo o descartar metadatos deja el índice inservible para recuperar. El dominio de texto y voz, que aquí no tiene ejemplo, pregunta de forma parecida por extracción de entidades, traducción y voz como modalidad de un agente.

Todas describen un sistema con restricciones concretas y ofrecen una opción correcta frente a distractores que fallan en una de ellas. La técnica que funciona es subrayar las restricciones del enunciado (actual, perimetral, citar, gran escala, varias modalidades) y descartar cada opción preguntándote cuál incumple. Si dudas entre dos, casi siempre una resuelve el problema y la otra resuelve un problema vecino.

En el simulador de AI-103 tienes cientos de preguntas con esta estructura, un test online por dominio para ver dónde fallas y un simulacro cronometrado de 120 minutos. Para ordenar el estudio, el temario de AI-103 desglosado y el plan de ocho semanas.