CertifyDeckCargando contenido…
El temario oficial de AWS Certified AI Business Strategist, organizado por dominio. Marca cada punto según lo vayas repasando.
Inicia sesión para guardar tu progreso entre sesiones.
Describe core AI concepts and define terminology
Durante el entrenamiento, un algoritmo aprende de datos históricos la relación entre entradas y salidas, y el modelo guarda lo aprendido en sus parámetros; en la inferencia, el modelo entrenado recibe datos nuevos y devuelve una predicción con un grado de confianza, no una certeza. El ciclo de vida empieza por el objetivo de negocio medible y sigue con datos, desarrollo, despliegue y supervisión.
La IA es el término paraguas; el ML es una de sus ramas, que aprende patrones de los datos sin instrucciones explícitas, y no toda la IA es ML (también hay sistemas basados en reglas). El deep learning usa redes neuronales en capas, y la IA generativa, una forma avanzada de deep learning, crea contenido nuevo con modelos fundacionales preentrenados, aunque el ML sigue rindiendo mejor en muchas tareas.
Los datos estructurados encajan en un esquema de filas y columnas y son fáciles de consultar; los no estructurados (audio, vídeo, documentos, flujos de sensores) ocupan más y requieren preprocesamiento y ML para analizarse. Los semiestructurados combinan ambos, como vídeos con etiquetas. El tipo de datos orienta el modelo: ML básico para tablas y deep learning para contenido no estructurado.
Structured vs Unstructured Data - AWS ↗What is an AI Model? - AWS ↗
Los datos incorrectos, sesgados o incompletos producen predicciones inexactas, tanto al entrenar como al usar el modelo en producción. La precisión depende de etiquetas fiables (ground truth) y de depurar duplicados, formatos y valores ausentes; la preparación de datos suele ser la fase más larga. La gobernanza del dato fija estándares de exactitud, completitud y coherencia y combate los silos.
What is Data Cleansing? - AWS ↗What is Data Governance? - AWS ↗
El aprendizaje supervisado necesita datos históricos etiquetados con el resultado, y el no supervisado descubre grupos en datos sin etiquetar. Un modelo sobreajustado acierta con sus datos de entrenamiento pero no generaliza; se detecta con datos de validación independientes. Si los datos históricos no son representativos o arrastran sesgos, el modelo los perpetúa, y en producción hay que vigilar la deriva y reentrenar.
What is Machine Learning? - AWS ↗What is Overfitting? - AWS ↗
Las normas globales dan un vocabulario y un marco comunes que fomentan la confianza y la interoperabilidad. ISO/IEC 23053 describe los sistemas de IA que usan machine learning, e ISO/IEC 42001 fija requisitos para un sistema de gestión de IA (AIMS) certificable por un tercero independiente. La certificación de un proveedor no certifica a sus clientes por asociación, aunque les facilita el camino.
ISO/IEC 42001 FAQs - AWS ↗AWS achieves ISO/IEC 42001:2023 accredited certification ↗
Identify and select appropriate AI solution types
No todos los problemas necesitan IA: si el resultado se obtiene con reglas, cálculos o pasos fijos, las reglas son más baratas, explicables y auditables. La IA compensa cuando las reglas dependen de demasiados factores que se solapan, cambian con frecuencia (como el fraude) o la entrada es texto no estructurado. Las reglas actuales sirven de línea base para comparar precisión, tiempo de respuesta y coste total; a menudo conviene combinar ambas.
MLCOST02-BP01 Identify if machine learning is the right solution - Machine Learning Lens ↗Orchestration models: From rule-based to AI-native - AWS Prescriptive Guidance ↗
Un agente de IA recibe un objetivo y decide por sí mismo qué acciones ejecutar: planifica, usa herramientas y API externas, recuerda el contexto y se coordina con otros agentes. Un solo agente basta para un proceso acotado; los sistemas multiagente usan un orquestador que reparte tareas entre especialistas. Los protocolos abiertos (MCP, A2A) evitan depender de un proveedor y las acciones de riesgo pueden requerir supervisión humana.
Un modelo entrenado con datos históricos pierde rendimiento cuando cambian los datos de entrada (deriva de datos), la relación entre entradas y resultado (deriva de concepto) o aparece sesgo con el tiempo (deriva del sesgo). Por eso se fija una línea base antes de producción, se vigila de forma continua con alertas por umbrales ligados a KPI de negocio y se reentrena solo cuando el rendimiento cae por debajo de esos umbrales, no por calendario.
MLPERF06-BP04 Monitor, detect, and handle model performance degradation - Machine Learning Lens ↗MLSUS06-BP02 Retrain only when necessary - Machine Learning Lens ↗
Prohibir la IA generativa o tardar en adoptarla lleva a usar herramientas de consumo sin control (IA en la sombra). La respuesta es doble: ofrecer herramientas aprobadas y monitorizar el uso y las infracciones de la política. Una lista pública de herramientas aprobadas, restringidas o en evaluación, con una revisión ágil, hace más atractivo el camino gobernado; también hay que revisar las funciones de IA nuevas en SaaS ya aprobados.
Shadow generative AI - Navigating the security landscape of generative AI ↗Governance scope - AWS Prescriptive Guidance (Governing and architecting the diversity of agentic AI at scale) ↗
Apply GenAI concepts and techniques
La calidad de la respuesta depende de la calidad del prompt. Un buen prompt combina instrucción, contexto, ejemplos y el texto de entrada; define con claridad la respuesta esperada y su formato, y equilibra sencillez y detalle. Los ejemplos (few-shot) orientan el estilo, el razonamiento paso a paso ayuda en problemas complejos y la instrucción va mejor al final. Es iterativo: se prueban variantes frente a una línea base.
What is Prompt Engineering? ↗Prompt engineering concepts - Amazon Bedrock ↗
Los modelos procesan texto en tokens (palabras, partes de palabra o signos) y cada modelo tiene un límite de contexto. Documentos muy largos, historiales de conversación completos o catálogos enteros de herramientas pueden superar ese límite, encarecer cada petición y aumentar la latencia. Se mitiga dividiendo documentos en fragmentos, resumiendo turnos antiguos, incluyendo solo el contexto relevante y dejando margen para casos extremos.
AGENTPERF03-BP02 Optimize context window utilization and prompt management - Agentic AI Lens ↗Tips for managing model token limits - Generative AI Application Builder on AWS ↗
La generación aumentada por recuperación (RAG) hace que el modelo consulte una base de conocimiento autorizada antes de responder: incorpora documentos actuales sin reentrenar, cita la fuente y reduce las alucinaciones, aunque resume mal documentos completos. El ajuste fino (fine-tuning) adapta el modelo al estilo o a una tarea nueva, tarda horas o días y suele requerir perfiles especializados. Ambas técnicas pueden combinarse.
Comparing Retrieval Augmented Generation and fine-tuning ↗What is RAG (Retrieval-Augmented Generation)? ↗
Practica por dominio oficial y revisa la explicación de cada respuesta.
Empezar a practicar