CertifyDeckCargando contenido…
MLA-C02 · Preguntas de ejemplo
10 preguntas reales del banco de MLA-C02 de CertifyDeck, repartidas por los dominios del temario oficial de AWS Certified Machine Learning Engineer - Associate, con la respuesta correcta y la explicación completa de por qué las demás opciones no lo son. Son preguntas originales redactadas a partir del temario público, no dumps, y tienen el mismo estilo que encontrarás en los tests de práctica y en el simulador.
Respuesta correcta: B. Text Classification - TensorFlow
Text Classification - TensorFlow es un algoritmo integrado supervisado que admite transfer learning con modelos preentrenados disponibles, lo que encaja con asignar documentos a categorías predefinidas a partir de pocos ejemplos etiquetados. LDA y NTM son algoritmos no supervisados de modelado de temas que descubren temas no conocidos de antemano, así que no pueden asignar los documentos a las 12 áreas fijas del despacho. Sequence-to-Sequence está pensado para tareas como la traducción automática y el resumen, no para clasificar.
Respuesta correcta: B. Paralelismo de modelo, para que el modelo se reparta entre las GPU del clúster.
El paralelismo de modelo reparte el modelo entre varias GPU, así que es la estrategia para modelos demasiado grandes para la memoria de un solo dispositivo. El paralelismo de datos sigue exigiendo que al menos el modelo completo y un registro quepan en cada GPU, porque cada GPU tiene una réplica completa. Los grupos de calentamiento solo acortan el aprovisionamiento, y repartir los datos de entrada no reduce la memoria que necesita el propio modelo.
Respuesta correcta: D. Activar el prompt caching y colocar el contrato antes de las preguntas como prefijo estático.
El prompt caching reduce la latencia y el coste de los tokens de entrada en cargas con contextos largos que se reutilizan en varias consultas, como un documento sobre el que los usuarios preguntan una y otra vez; el contenido estático debe ir primero para que las peticiones siguientes coincidan con el prefijo en caché. El nivel Priority da respuestas más rápidas, pero con un precio superior, así que aumenta el coste. La inferencia por lotes es asíncrona y no admite prompt caching, y el nivel Flex cambia su descuento por tiempos de procesamiento más largos.
Respuesta correcta: D. Una división por clave sobre la columna de ID de cliente para que cada cliente aparezca en un solo conjunto.
La división por clave impide que filas con la misma clave aparezcan en más de una partición, de modo que el historial de un cliente no se filtra del entrenamiento a la prueba y la evaluación refleja el rendimiento con clientes no vistos. Una división aleatoria toma muestras de filas sin solapamiento, pero sigue repartiendo las filas de un cliente entre ambos conjuntos. Una división estratificada equilibra las proporciones de la etiqueta pero no agrupa por cliente, y una división ordenada sigue el orden de las filas, lo que no garantiza que las filas de un cliente queden juntas.
Respuesta correcta: B. Ejecutar un trabajo asíncrono de análisis de PII de Amazon Comprehend sobre el prefijo de S3 con redacción de las entidades PII.
Amazon Comprehend detecta PII en texto en inglés o español, y para redactar las entidades PII es necesario un trabajo por lotes asíncrono que procesa documentos en Amazon S3. El análisis en tiempo real solo localiza entidades PII, así que no devolvería el texto redactado. Macie descubre datos sensibles y genera hallazgos sin modificar los objetos, y un crawler de Glue solo infiere esquemas.
Respuesta correcta: D. Escribir los prompts en archivos JSONL en Amazon S3 y enviar un trabajo de inferencia por lotes que deje los resultados en S3.
La inferencia por lotes de Amazon Bedrock procesa un gran número de prompts de forma asíncrona a partir de archivos de entrada en Amazon S3 con una sola solicitud y escribe las respuestas en S3, lo que encaja con una tarea de etiquetado offline de gran volumen. Un bucle de Lambda con llamadas InvokeModel individuales obliga a construir reintentos, control de throttling y orquestación propios. La inferencia por lotes no es compatible con modelos aprovisionados, y alojar un modelo en un endpoint en tiempo real añade infraestructura que un trabajo offline no necesita.
Respuesta correcta: D. Enviar un trabajo de ajuste fino que use el modelo personalizado anterior como modelo base y dé a la salida un nombre de modelo personalizado nuevo.
Un trabajo de personalización de modelos acepta como base un modelo fundacional o un modelo ya personalizado (ajustado o destilado) y crea un modelo personalizado nuevo con el nombre indicado, de modo que las versiones anteriores siguen disponibles para volver atrás. Ajustar de nuevo el modelo fundacional base no parte de la versión anterior, y sustituir el modelo anterior elimina el punto de retorno. Custom Model Import sirve para traer modelos personalizados fuera de Amazon Bedrock, por ejemplo en SageMaker AI, y la destilación transfiere conocimiento de un modelo profesor a un modelo alumno más pequeño en lugar de continuar el entrenamiento de la versión anterior.
Respuesta correcta: A. Retrieve, que devuelve los fragmentos de origen más relevantes como una matriz sin generar una respuesta a partir de ellos
Retrieve devuelve los fragmentos de origen más relevantes como una matriz, lo que permite a la aplicación desacoplar los pasos de RAG y aplicar su propio procesamiento y orquestación antes de llamar a un modelo. RetrieveAndGenerate y su variante en streaming ejecutan juntas la recuperación y la generación, así que las reglas internas solo podrían pedirse en un prompt, no aplicarse en código antes de generar. GenerateQuery convierte lenguaje natural en consultas para almacenes de datos estructurados y no devuelve fragmentos de documentos.
Respuesta correcta: B. El tiempo adicional lo añade SageMaker AI fuera del contenedor, por ejemplo por cargas útiles más grandes o por la autenticación.
OverheadLatency mide el tiempo que añade SageMaker AI entre que recibe la solicitud y devuelve la respuesta, descontando ModelLatency, y varía con el tamaño de las cargas útiles, la frecuencia de solicitudes y la autenticación o autorización. Como ModelLatency, que cubre la inferencia dentro del contenedor, no ha cambiado, el contenedor no es la causa y optimizar el modelo o ampliar las instancias no ayudaría. Más errores 5xx se verían en Invocation5XXErrors, y los tiempos de descarga y carga del modelo se publican en métricas propias de los endpoints multimodelo.
Respuesta correcta: B. Crear una regla de EventBridge para los eventos de cambio de estado de pasos de canalización de SageMaker con estado Failed y destino un tema de SNS.
SageMaker AI envía a EventBridge casi en tiempo real los eventos de cambio de estado de los pasos de la canalización y, cuando el estado es Failed, el evento incluye el nombre del paso y un campo failureReason, de modo que una regla con destino SNS entrega ambos datos sin código propio. Una alarma sobre ExecutionFailed indica que una ejecución ha fallado, pero no aporta el paso ni el motivo. Una función Lambda que consulta periódicamente añade código que mantener y no es casi en tiempo real, y la detección de anomalías sobre la duración no detecta fallos.
Responde cada pregunta antes de abrir la explicación y anota por qué descartas las demás opciones. En MLA-C02, la mayoría de los fallos vienen de elegir una opción técnicamente posible que no cumple todos los requisitos del escenario.
Estas 10 preguntas sirven para conocer el formato, no como diagnóstico. Para saber en qué dominios fallas, practica por dominio gratis y haz un examen de prueba cronometrado con la ponderación y la duración oficiales.
Empieza gratis, sin registro ni tarjeta. Todas las preguntas llevan una explicación como las de arriba y el simulador reproduce el formato oficial de MLA-C02.