CertifyDeckCargando contenido…
El temario oficial de AWS Certified AI Practitioner, organizado por dominio. Marca cada punto según lo vayas repasando.
Inicia sesión para guardar tu progreso entre sesiones.
Explain basic AI concepts and terminologies
Un modelo de ML se entrena con datos históricos para aprender patrones y después hace inferencias, es decir, predicciones sobre datos nuevos. Un buen ajuste generaliza: el sobreajuste acierta en entrenamiento pero falla con datos nuevos y el subajuste falla en ambos. El sesgo produce resultados desiguales entre grupos y daña la equidad; un LLM es un modelo de deep learning muy grande preentrenado con enormes volúmenes de texto.
What is Overfitting? ↗What is Artificial Intelligence (AI)? ↗
La IA es el término general; el ML es una de sus ramas y aprende patrones de los datos sin instrucciones explícitas, y el deep learning es un tipo de ML con redes neuronales de muchas capas. La IA generativa usa modelos de deep learning para crear contenido nuevo en lugar de solo clasificar. La IA agéntica combina esos modelos con autonomía para planificar y ejecutar acciones mediante herramientas hacia un objetivo.
What's the Difference Between AI and Machine Learning? ↗Comparing traditional AI to software agents and agentic AI ↗
La inferencia en tiempo real atiende peticiones interactivas de baja latencia, y la serverless evita gestionar instancias y encaja con tráfico intermitente que tolera arranques en frío. La asíncrona encola peticiones con cargas grandes o procesamiento largo y puede bajar a cero instancias. La inferencia por lotes, como batch transform o la de Amazon Bedrock, procesa grandes volúmenes de datos sin un endpoint persistente.
Deploy models for inference ↗Process multiple prompts with batch inference ↗
Los datos estructurados encajan en tablas con un esquema fijo; los no estructurados, como audio, imágenes o texto libre, no siguen reglas predefinidas. Los datos etiquetados emparejan cada entrada con su respuesta correcta y los exige el aprendizaje supervisado, mientras que los no etiquetados sirven para descubrir patrones y preentrenar LLM. Las series temporales añaden una marca de tiempo a cada valor para predecir valores futuros.
What's the Difference Between Structured Data and Unstructured Data? ↗What is Data Labeling? ↗
El aprendizaje supervisado entrena con entradas emparejadas con salidas etiquetadas (clasificación y regresión); el no supervisado descubre patrones en datos sin etiquetar (clustering, detección de anomalías); el semisupervisado mezcla pocos datos etiquetados con muchos sin etiquetar. El aprendizaje por refuerzo aprende por prueba y error para maximizar una recompensa, y el RLHF lo aplica con preferencias humanas para alinear LLM.
Identify practical use cases for AI
La IA/ML aporta valor al automatizar tareas rutinarias como extraer y clasificar datos de documentos, al ayudar a las personas a decidir mejor y antes destacando patrones en grandes volúmenes de datos, y al escalar servicios como la atención al cliente 24/7. Encaja sobre todo en problemas con patrones complejos o cambiantes, como el fraude o las recomendaciones personalizadas.
What is Machine Learning? ↗What is Artificial Intelligence (AI)? ↗
El ML es probabilístico: da predicciones, no resultados exactos garantizados, así que cuando la lógica se conoce y se necesita un resultado concreto y reproducible conviene un sistema basado en reglas. Antes de invertir hay que comparar el ML con una referencia más sencilla y estimar su coste total: preparación y etiquetado de datos, entrenamiento, alojamiento y mantenimiento.
MLCOST02-BP01 Identify if machine learning is the right solution ↗What is Machine Learning? ↗
La regresión predice valores continuos, como el precio de una vivienda, y la clasificación asigna cada elemento a clases predefinidas: binaria con dos clases, como spam o no spam, y multiclase con varias. Sin etiquetas, el clustering descubre grupos de elementos parecidos, la detección de anomalías señala observaciones raras y el modelado de temas organiza documentos en temas no conocidos de antemano.
Types of Algorithms - Amazon SageMaker AI ↗Built-in algorithms and pretrained models in Amazon SageMaker ↗
La visión artificial analiza imágenes y vídeo, como la inspección de defectos; el NLP extrae sentimiento o entidades de texto y el reconocimiento de voz convierte audio en texto. Las recomendaciones salen de las interacciones de usuarios, el fraude se detecta como anomalía, la previsión usa series temporales, las bases de conocimiento responden con datos propios y la IA agéntica actúa sola hacia un objetivo.
Built-in algorithms and pretrained models in Amazon SageMaker ↗What is Agentic AI? - AWS ↗
Amazon Transcribe convierte voz en texto, Amazon Polly convierte texto en voz natural y Amazon Translate traduce texto entre idiomas. Amazon Comprehend extrae entidades, frases clave y sentimiento, y crea clasificadores propios con AutoML; Amazon Lex crea bots de voz y texto que entienden la intención. Amazon SageMaker AI es el servicio gestionado para crear, entrenar y desplegar modelos propios.
El ML tradicional encaja con tareas concretas sobre datos tabulares bien etiquetados y, si la regulación exige explicar cada decisión, con modelos interpretables como árboles de decisión. Los FM convienen con datos no estructurados o sin etiquetas, contenido generado o tareas que necesitan contexto, pero son redes profundas más difíciles de interpretar; si se usan, conviene empezar por el modelo más pequeño que cumpla.
Data differences between generative AI and traditional ML - AWS Prescriptive Guidance ↗MLPERF06-BP02 Evaluate model explainability - Machine Learning Lens ↗
Describe the AI/ML development lifecycle
El ciclo de vida de ML pasa por objetivo de negocio, planteamiento del problema, procesamiento de datos (recopilación, preprocesamiento e ingeniería de características), desarrollo del modelo (entrenamiento, ajuste y evaluación), despliegue y supervisión, con bucles de retroalimentación. Los datos se dividen en entrenamiento, validación y prueba, y el mismo preprocesamiento se aplica en inferencia.
Well-Architected machine learning lifecycle - Machine Learning Lens ↗Data processing - Machine Learning Lens ↗
Crear un modelo fundacional desde cero es caro, exige enormes recursos y puede llevar meses, así que lo habitual es partir de un FM preentrenado. SageMaker JumpStart ofrece FM públicos y propietarios de terceros, cada uno con su licencia, que el cliente debe revisar; Bedrock Marketplace amplía el catálogo y Custom Model Import trae a Bedrock modelos personalizados en otro entorno.
What are Foundation Models? ↗Model sources and license agreements - Amazon SageMaker AI ↗
Un modelo puede consumirse como servicio de API administrado, como Amazon Bedrock (sin servidores, pago por tokens y opción de Provisioned Throughput para rendimiento fijo), o autoalojarse. Los endpoints administrados de SageMaker AI dan más control que Bedrock con menos carga que EC2; el autoalojamiento completo da el máximo control, pero exige mantener endpoints y rendimiento.
GENPERF03-BP01 Use managed solutions for model hosting - Generative AI Lens ↗Amazon Bedrock or Amazon SageMaker AI? - AWS Decision Guides ↗
Amazon Bedrock da acceso sin servidor a modelos fundacionales; SageMaker AI cubre la creación, el entrenamiento y el despliegue de modelos propios (Feature Store, Pipelines, Model Registry). Kiro es un entorno de desarrollo agéntico guiado por especificaciones para programadores, y Amazon Quick ofrece a usuarios de negocio paneles, investigación y automatizaciones con IA, sin infraestructura.
What is Amazon Quick? - Amazon Quick ↗Pipelines - Amazon SageMaker AI ↗
MLOps aplica los principios de DevOps al ML: automatiza en pipelines de CI/CD el entrenamiento y el despliegue, versiona código y datos para que todo sea reproducible y auditable, y limita la deuda técnica empezando por un modelo de referencia sencillo. En producción se supervisa la deriva y se reentrena cuando las métricas caen por debajo de los KPI, no con un calendario fijo.
What is MLOps? ↗MLSUS06-BP02 Retrain only when necessary - Machine Learning Lens ↗
La precisión, TP/(TP+FP), importa cuando los falsos positivos son caros; la exhaustividad, TP/(TP+FN), cuando lo son los falsos negativos; F1 es su media armónica y la exactitud engaña con clases desequilibradas. Junto a ellas se siguen métricas de negocio, como ROI, coste por usuario o satisfacción del cliente, ligadas a los objetivos del proyecto.
Metrics and validation - Amazon SageMaker AI ↗MLOPS01-BP03 Monitor model adherence to business requirements - Machine Learning Lens ↗
Practica por dominio oficial y revisa la explicación de cada respuesta.
Empezar a practicar