CertifyDeckCargando contenido…
El temario oficial de Databricks Certified Generative AI Engineer Associate, organizado por dominio. Marca cada punto según lo vayas repasando.
Inicia sesión para guardar tu progreso entre sesiones.
Design Applications
Para obtener un formato concreto, combina instrucciones claras con ejemplos few-shot del resultado deseado y, cuando la salida debe ser JSON, usa structured outputs: response_format de tipo json_schema en Foundation Model APIs o responseFormat en ai_query. Los esquemas simples y planos dan mejores resultados, y un paso de post-procesado puede validar el formato y aplicar una respuesta de reserva.
Structured outputs on Databricks ↗Improve RAG chain quality ↗
Traduce cada requisito de negocio a una tarea de modelo: clasificación con etiquetas fijas, extracción de campos con esquema, resumen, traducción, análisis de sentimiento, enmascarado de entidades o embeddings para similitud semántica. Databricks recomienda empezar por las AI Functions específicas de cada tarea y usar ai_query cuando haga falta controlar el prompt, el modelo o consultar un modelo propio o ajustado.
Transform unstructured data using AI Functions ↗Use ai_query ↗
Una cadena RAG combina comprensión de la consulta (reescritura, extracción de filtros), recuperación (semántica, por palabras clave o híbrida, con reranking y filtros de metadatos), aumento del prompt, el LLM y post-procesado con guardrails. Cada componente se elige según la entrada y la salida deseadas, y conviene usar modelos más pequeños en pasos sencillos como clasificar la intención.
Antes de construir, define con los interesados qué entradas recibirá el sistema y quién las envía, cómo debería ser la respuesta ideal, qué criterios marcan una buena respuesta (precisión, tono, citas, longitud) y qué restricciones de coste, latencia y escala hay. De ahí salen la forma de entrada y salida, por ejemplo citas de fuentes, campos personalizados o un proceso por lotes sobre tablas.
Agent development lifecycle ↗Author an agent and deploy it on Databricks Apps ↗
Los agentes usan herramientas para recopilar información (consultas a tablas, recuperadores vectoriales, Genie) y para actuar (APIs externas, funciones de Unity Catalog). El orden lógico es recopilar datos, razonar y solo después actuar, con aprobación humana en acciones de riesgo. Las descripciones claras de cada herramienta guían su selección, y los límites de iteraciones evitan bucles.
Agent system design patterns ↗Create agent tools using Unity Catalog functions ↗
Knowledge Assistant crea un chatbot con citas sobre documentos (volúmenes, tablas o índices vectoriales) y mejora con ejemplos y guidelines de expertos. Supervisor Agent (multiagente) coordina Genie spaces, Knowledge Assistants, endpoints, funciones UC y servidores MCP según los permisos de cada usuario. Information Extraction convierte documentos no estructurados en tablas con un esquema definido y se escala con ai_extract.
Use Knowledge Assistant to create a high-quality chatbot over your documents ↗Use Supervisor Agent to create a coordinated multi-agent system ↗
Practica por dominio oficial y revisa la explicación de cada respuesta.
Empezar a practicar