CertifyDeck
Empieza gratis
Todos los resúmenes
Generative AI Leader · CHEAT SHEET

Google Cloud Certified: Generative AI Leader

Conceptos clave agrupados según el peso oficial del examen.

Descargar en PDF (gratis, sin registro)

1. Fundamentals of gen AI

30–30%

Describe core generative AI (gen AI) concepts and use cases

  • La IA es el campo amplio; el machine learning aprende patrones a partir de datos y el NLP permite entender y generar lenguaje. La IA generativa usa modelos fundacionales, preentrenados con enormes volúmenes de datos y adaptables: los LLM se centran en texto, los multimodales combinan texto, imagen, audio y vídeo, y los de difusión crean imágenes eliminando ruido. La ingeniería de prompts guía la respuesta; el prompt tuning aprende un prefijo.
  • El aprendizaje supervisado entrena con datos etiquetados para clasificar o predecir valores, como el riesgo de impago de un préstamo. El no supervisado descubre patrones en datos sin etiquetar, por ejemplo al segmentar clientes. El aprendizaje por refuerzo aprende por ensayo y error con recompensas y penalizaciones, como un robot que aprende a agarrar objetos. El semisupervisado combina pocos datos etiquetados con muchos sin etiquetar.
  • El ciclo de vida del ML va de la ingesta de datos (Pub/Sub para flujos de eventos) a su preparación (BigQuery, Dataflow), el entrenamiento (AutoML sin código o entrenamiento personalizado en Gemini Enterprise Agent Platform), el despliegue en endpoints para inferencia online o por lotes y la gestión del modelo: Model Registry para las versiones, Model Monitoring para la deriva y Pipelines para automatizar el flujo.
  • Para elegir un modelo fundacional se parte del caso de uso: la modalidad (texto, imagen, vídeo o audio), la ventana de contexto necesaria, la calidad, la latencia y el coste, la seguridad y el cumplimiento normativo, y la posibilidad de ajustarlo con datos propios. Un modelo más grande no siempre es mejor; Model Garden reúne modelos de Google, de partners y abiertos para compararlos.
  • La IA generativa destaca en crear contenido (texto, imágenes, vídeo y código), resumir documentos y opiniones, descubrir información mediante búsqueda conversacional y automatizar tareas repetitivas. Para previsiones o clasificaciones con datos estructurados suele bastar la IA tradicional, y ambas se combinan: la tradicional segmenta clientes y la generativa crea contenido personalizado para cada segmento.

Describe how various data types are used in gen AI and the business implications

  • La IA depende de la calidad de sus datos: deben estar completos, ser consistentes entre sistemas, válidos, actualizados y relevantes para las condiciones reales de uso; si no, aparecen sesgos y alucinaciones. También deben ser accesibles: los silos y la variedad de formatos frenan los proyectos, y Google recomienda una plataforma unificada y gobernada en lugar de copiarlo todo, que suele ser caro y poco práctico.
  • Los datos estructurados siguen un esquema fijo de filas y columnas y se consultan con SQL, como inventarios o registros financieros. Los no estructurados no tienen modelo predefinido: correos, PDF, imágenes, audio, vídeo o imágenes de satélite, y son la mayoría de los datos de una empresa. JSON y XML son semiestructurados. Google recomienda BigQuery para los estructurados y Cloud Storage para los no estructurados.
  • Los datos etiquetados asocian cada ejemplo a su respuesta correcta (una categoría, un sentimiento o un valor) y son la base del aprendizaje y el ajuste supervisados; los no etiquetados carecen de ella y alimentan el aprendizaje no supervisado y el autosupervisado de los modelos fundacionales. Etiquetar es caro, por lo que se combinan personas y automatización, con pautas claras y control de calidad.

Identify the core layers of the gen AI landscape and the business implications

  • La capa de infraestructura aporta el cómputo, el almacenamiento y la red con los que se entrenan y sirven los modelos. En Google Cloud se agrupa en AI Hypercomputer, que integra aceleradores (GPU de NVIDIA y TPU diseñadas por Google), software abierto y opciones de consumo flexibles, como Spot VMs o reservas, para maximizar el goodput y controlar el coste.
  • La capa de modelos la forman los modelos fundacionales: modelos grandes preentrenados con datos masivos que se adaptan a muchas tareas. Los LLM son un tipo de modelo fundacional; otros trabajan con imágenes, audio o vídeo. Difieren en tamaño, modalidad y coste, así que elegir modelo es un equilibrio por caso de uso, y adaptar uno preentrenado suele ser más rápido y barato que entrenar desde cero.
  • La capa de plataformas une modelos, datos y agentes y oculta la complejidad de la infraestructura. En Google Cloud es Gemini Enterprise Agent Platform, la evolución de Vertex AI, organizada en cuatro pilares: crear (Agent Studio, Agent Development Kit, Model Garden), escalar (Agent Runtime), gobernar (Agent Registry, Agent Identity, Agent Gateway) y optimizar (evaluación, simulación y observabilidad).
  • Un agente de IA persigue un objetivo con autonomía: usa un modelo como motor de razonamiento, planifica, recuerda y actúa sobre sistemas externos mediante herramientas. A diferencia de un asistente, no espera a que el usuario decida cada paso, y a diferencia de un bot, no sigue reglas fijas. Google advierte que tareas deterministas como resumir o clasificar no necesitan un flujo agéntico.
  • La capa de aplicaciones es la parte con la que interactúan las personas. Incluye la IA integrada en herramientas de uso diario, como Gemini en Gmail o Docs, y la aplicación Gemini Enterprise, puerta de entrada única para buscar en los datos de la empresa con permisos, chatear y usar agentes. Aporta valor rápido sin desarrollo propio y Google indica que los datos de la empresa no se usan para entrenar modelos.

Identify the use cases and strengths of Google’s foundation models

  • Gemini es la familia de modelos multimodales más capaces de Google, creada por Google DeepMind: entiende texto, imágenes, audio, vídeo y código en una misma petición y razona sobre ellos. Su ventana de contexto larga permite analizar grandes volúmenes de documentos o vídeos sin trocearlos, y es el motor de razonamiento de asistentes y agentes como Gemini Enterprise. Se usa como servicio gestionado en Agent Platform.
  • Gemma es una familia de modelos abiertos y ligeros creada con la misma investigación que Gemini. Al ser de pesos abiertos, se puede ajustar con el framework que se prefiera y ejecutar en hardware propio, móviles o servicios alojados. Tiene variantes especializadas, como MedGemma (medicina), ShieldGemma 2 (seguridad) o EmbeddingGemma (búsqueda), y Google recomienda Agent Platform para servirla sin equipo de MLOps.
  • Imagen es el modelo especializado de Google para generar imágenes a partir de texto. Sus puntos fuertes son la calidad de imagen, el fotorrealismo, los estilos artísticos, la tipografía y los diseños de marca, logotipos y productos, con baja latencia; también permite editar con máscaras y ampliar la resolución. Para la edición conversacional en varios turnos Google recomienda Gemini, y lo generado con Imagen lleva la marca de agua SynthID.
  • Veo es el modelo de Google DeepMind para generar vídeo a partir de texto o imágenes, con estilos visuales y cinematográficos muy variados. Puede animar fotos existentes, crear el vídeo entre un fotograma inicial y otro final, ampliar y editar clips y generar audio nativo con diálogos y efectos. Las empresas lo usan para acelerar anuncios y contenido de marketing, y sus vídeos llevan la marca de agua SynthID.

2. Google Cloud’s gen AI offerings

35–35%

Describe Google Cloud's strengths in the field of gen AI

  • Google se define como una empresa «AI-first» con un enfoque integral (full-stack): infraestructura propia con TPU y GPU, investigación de Google Research y Google DeepMind, la familia de modelos Gemini, nativamente multimodal, y productos que la llevan a millones de usuarios. Esa integración, guiada por sus Principios de IA, permite trasladar antes los avances de investigación a soluciones empresariales.
  • Google Cloud presenta su plataforma de IA como lista para la empresa: los prompts, las respuestas y los datos de ajuste del cliente no se usan para entrenar modelos sin su permiso, ofrece indemnización de propiedad intelectual, filtros de seguridad, Model Armor y Sensitive Data Protection, el grounding reduce las alucinaciones y todo funciona sobre una infraestructura global, fiable y escalable.
  • Gemini está integrado en todo el ecosistema de Google: Google Workspace (Gmail, Docs, Meet, Vids), Gemini en BigQuery y Looker para datos, Gemini Code Assist y Gemini Cloud Assist para equipos técnicos, Gemini en Security Command Center para seguridad, y Gemini Enterprise como puerta de entrada única que conecta con datos de Workspace, Microsoft 365 o Salesforce. Así la IA llega a las herramientas que cada equipo ya usa.
  • El enfoque abierto de Google Cloud da libertad de elección: más de 200 modelos de Google, abiertos como Gemma y de terceros como Claude, intercambiables sin rehacer la lógica de los agentes; estándares abiertos como MCP para conectar agentes con sistemas y A2A para que agentes de distintos proveedores colaboren; y tecnologías abiertas como Kubernetes para portabilidad multicloud. Así se reduce la dependencia de un único proveedor.
  • AI Hypercomputer es el sistema de supercomputación integrado de Google Cloud: combina hardware optimizado (TPU diseñadas por Google, GPU de NVIDIA, red y almacenamiento), software abierto como PyTorch y JAX y modelos de consumo flexibles, como Spot VMs o reservas, para maximizar el goodput. Las TPU son ASIC propios para cálculos matriciales a gran escala y se apoyan en centros de datos globales y eficientes.

Describe how Google Cloud’s prebuilt gen AI offerings enable AI powered work

  • La app de Gemini ayuda a redactar, resumir y analizar, e incluye Deep Research para informes a partir de cientos de fuentes y Canvas para crear prototipos y textos. Los Gems son versiones guardadas de Gemini con instrucciones y archivos propios que ahorran tiempo en tareas repetitivas; con archivos de Drive usan siempre la versión más reciente y al compartirlos los lectores ven instrucciones y archivos.
  • Gemini Enterprise (antes Agentspace) une búsqueda multimodal que respeta permisos sobre Workspace, SharePoint, Jira y otros sistemas, un asistente de IA y agentes: prediseñados, creados sin código o propios con ADK, todos bajo un gobierno central. Gemini Notebook Enterprise sirve para trabajar sobre fuentes elegidas a mano, y su API crea, comparte y alimenta cuadernos y genera resúmenes en audio.
  • Gemini en Workspace integra la IA en las apps que ya se usan: resume hilos y redacta en Gmail, crea borradores en Docs, analiza datos en Sheets, toma notas con decisiones y siguientes pasos en Meet y ayuda a crear vídeos con Vids. Los datos de la empresa no se usan para entrenar los modelos y Gemini solo recupera contenido al que el usuario ya tiene acceso.

Describe how Google Cloud’s gen AI offerings improve the customer experience

  • Agent Search (antes Vertex AI Search) permite crear búsquedas y recomendaciones con calidad Google sobre webs y datos propios: entiende la intención, da respuestas de IA con citas y sirve como RAG listo para usar, también en medios. Grounding with Google Search conecta Gemini con la web en tiempo real para información posterior al entrenamiento; Agent Search se usa cuando la respuesta está en los datos de la empresa.
  • Customer Engagement Suite (hoy Gemini Enterprise for Customer Experience) cubre todo el servicio al cliente: Conversational Agents ofrece autoservicio por voz y chat con IA generativa y flujos deterministas; Agent Assist ayuda en directo a los agentes humanos con respuestas, coaching y resúmenes; Conversational Insights analiza temas, sentimiento y calidad; y Contact Center as a Service enruta las interacciones por todos los canales.

Describe how Google Cloud empowers developers to build with AI

  • Gemini Enterprise Agent Platform, evolución de Vertex AI, reúne Model Garden, una biblioteca para descubrir, probar, ajustar y desplegar modelos de Google, de socios y abiertos; Agent Search (antes Vertex AI Search), búsqueda semántica con respuestas generativas citadas sobre datos propios sin gran experiencia en ML; y AutoML, que crea modelos sin código con datos tabulares o de imagen.
  • Google Cloud ofrece RAG prediseñado con Agent Search, un motor de búsqueda semántica y por palabras clave listo para usar, y RAG Engine, un servicio gestionado que conecta datos privados con los LLM. Para máximo control están las API de bajo nivel: Layout Parser, embeddings, Vector Search, la API de ranking, la de generación fundamentada y la de check grounding, que mide si una respuesta está respaldada.
  • Agent Platform cubre todo el ciclo de un agente propio: se construye con ADK (código abierto) u otros frameworks, con Agent Studio (low-code) o partiendo de Agent Garden; se escala en Agent Runtime con Sessions y Memory Bank; se gobierna con Agent Registry, Agent Identity y Agent Gateway; y se optimiza con evaluación, simulación y observabilidad.

Define the purpose and types of tooling for gen AI agents

  • Las herramientas permiten al agente obtener información actualizada y actuar sobre sistemas externos. Con las funciones, el modelo indica qué llamar y con qué parámetros y la aplicación cliente ejecuta la llamada; las extensiones las ejecuta la propia plataforma; los almacenes de datos dan respuestas basadas en webs y documentos con citas. Los nombres y descripciones claros ayudan al modelo a elegir bien.
  • Un agente puede usar API preentrenadas como herramientas: Speech-to-Text y Text-to-Speech para voz, Translation y Document Translation (conserva el formato), Document AI para extraer campos de documentos, Vision e Video Intelligence para imágenes y vídeo, y Natural Language para sentimiento y entidades. Cloud Run functions (antes Cloud Functions) ejecuta lógica propia sin servidores y API Library ayuda a descubrir API.
  • Google AI Studio sirve para probar rápido los modelos Gemini y experimentar con prompts usando una cuenta de Google y una clave de API. Agent Studio, en Agent Platform, es la opción empresarial: compara prompts y modelos, diseña agentes low-code y ofrece IAM, SLA, soporte 24/7, cumplimiento como HIPAA, residencia de datos, CMEK y modelos de terceros en Model Garden.

3. Techniques to improve gen AI model output

20–20%

Describe how to proactively overcome foundation model limitations

  • Los modelos fundacionales dependen de la calidad de sus datos y del prompt, solo conocen lo que había en su entrenamiento (fecha de corte) y pueden alucinar, es decir, generar contenido plausible pero falso. También pueden amplificar sesgos, ofrecer peor servicio a variedades lingüísticas poco representadas y fallar con exceso de confianza en casos límite raros.
  • El grounding conecta la salida del modelo con fuentes verificables (Google Search, Agent Search, RAG Engine) y RAG aporta datos actuales o privados sin reentrenar. Google recomienda empezar por el diseño de prompts y pasar al fine-tuning solo con datos etiquetados y tareas que el prompting no resuelve. En decisiones que afectan a personas, debe haber supervisión humana (human in the loop).
  • En producción conviene fijar una versión estable del modelo; el alias latest se actualiza solo con cada lanzamiento. Las migraciones se validan con el Gen AI evaluation service, la deriva se vigila con Model Monitoring y Feature Store mantiene características coherentes y versionadas. El éxito se mide con KPI de calidad del modelo, del sistema y de negocio, y los incidentes se cierran con versiones validadas y parches.

Describe prompt engineering techniques and how they drive better results

  • La ingeniería de prompts es el proceso iterativo de diseñar prompts y evaluar las respuestas para guiar al modelo hacia el resultado deseado sin modificarlo. Todo prompt necesita una tarea; las instrucciones del sistema, los ejemplos y el contexto son opcionales. Aporta precisión, control y previsibilidad, y sigue siendo clave en tareas complejas aunque los modelos actuales resuelvan bien las sencillas.
  • Zero-shot da solo la instrucción; one-shot y few-shot añaden uno o varios ejemplos para fijar formato, estilo o tono, aunque demasiados ejemplos provocan sobreajuste. El prompting de rol define un personaje, idealmente en las instrucciones del sistema. El encadenamiento divide una tarea en pasos secuenciales donde cada salida alimenta al siguiente, lo que mejora el control y la precisión.
  • La cadena de pensamiento pide al modelo que razone en pasos intermedios, lo que mejora la precisión en problemas complejos y muestra cómo llegó al resultado; el razonamiento debe ir antes de la respuesta y puede separarse con un formato de salida. ReAct alterna razonar, actuar con herramientas externas y observar el resultado, ideal para agentes que necesitan datos en tiempo real.

Identify grounding techniques and their use cases

  • El grounding conecta la salida del modelo con fuentes verificables: reduce las alucinaciones, ancla las respuestas a tus datos y aporta enlaces a las fuentes. Puede usar datos propios de la empresa (documentos, bases de datos, aplicaciones), datos de terceros especializados obtenidos de proveedores externos y datos del mundo de la web pública, por ejemplo con Google Search.
  • RAG recupera primero los hechos relevantes de tus fuentes y los añade como contexto a la consulta antes de que el modelo genere. Así reduce las alucinaciones y permite responder con datos privados o actualizados sin reentrenar. La calidad de la respuesta depende de lo que se recupera: datos incoherentes u obsoletos dan respuestas igual de malas, y reordenar los resultados mejora la relevancia.
  • Agent Search (antes Vertex AI Search) es el RAG listo para usar: un buscador con calidad de Google sobre datos empresariales. Las API de RAG (layout parser, embeddings, Vector Search, ranking y check grounding) permiten montar un sistema propio con control total, y RAG Engine orquesta el flujo como servicio gestionado. Grounding with Google Search aporta conocimiento web actual sin índice que gestionar.
  • La temperatura controla la aleatoriedad: baja para respuestas previsibles, alta para respuestas más variadas o creativas. Top-p limita los tokens candidatos según su probabilidad acumulada. El número máximo de tokens de salida y las secuencias de parada controlan la longitud, y los filtros de seguridad bloquean la salida dañina según umbrales por categoría sin cambiar el comportamiento del modelo.

4. Business strategies for a successful gen AI solution

15–15%

Describe the Google Cloud-recommended steps to successfully implement a transformational gen AI solution

  • La IA generativa crea contenido nuevo: texto (marketing, resúmenes, traducción), imágenes (Imagen), vídeo (Veo), música (Lyria), código, búsqueda conversacional y contenido o recomendaciones personalizados según el perfil de cada usuario. La IA tradicional predice o clasifica a partir de datos históricos (spam, previsión, segmentación). Ambas pueden combinarse, por ejemplo un modelo de bajas consultado con un chatbot.
  • Google Cloud recomienda partir de objetivos de negocio medibles y documentar restricciones de seguridad, privacidad y cumplimiento. Después se valora si la tarea pide precisión o creatividad, si hay datos accesibles y fiables, la tolerancia al riesgo y la rapidez necesaria. Sin datos de entrenamiento suficientes, se aconseja IA generativa con ingeniería de prompts.
  • Elegir la solución empieza por priorizar casos de alto valor y alta viabilidad. Gemini Enterprise (antes Agentspace) ofrece búsqueda empresarial y agentes sin código; Gemini Enterprise Agent Platform (antes Vertex AI) sirve para crear soluciones a medida, con Model Garden para comparar modelos. Si las respuestas deben seguir datos cambiantes, el grounding con RAG es preferible a un ajuste fino puntual.
  • Google Cloud propone empezar por un ámbito y un perfil concretos con pilotos internos de bajo riesgo, crear un equipo dedicado y fijar objetivos y KPI antes de lanzar. Para escalar hacen falta datos sólidos, gestión del cambio, formación de directivos y un centro de excelencia de IA, además de un análisis de costes y beneficios. Las herramientas guiadas y centradas en tareas se adoptan mejor que el chat abierto.
  • Google Cloud mide la IA generativa con KPI de calidad del modelo, calidad del sistema, operativa del negocio (contención, tiempo de gestión, CSAT), adopción (tasa de adopción, frecuencia, valoraciones) y valor de negocio. Conviene fijar valores de referencia antes del despliegue y usar pruebas A/B. Una adopción baja indica desconocimiento; una que cae, problemas de rendimiento.

Define secure AI and its importance in protecting AI systems from malicious attacks and misuse

  • La seguridad de la IA debe integrarse desde el diseño y acompañar al desarrollo, el despliegue y la operación. Cada fase tiene sus riesgos: el envenenamiento de datos se mitiga pronto con saneamiento y controles de integridad; la inyección de prompts, filtrando entradas y salidas; y la ingeniería inversa o la denegación de servicio, limitando la frecuencia de llamadas en la API.
  • SAIF es el marco conceptual de Google para proteger los sistemas de IA: aborda la gestión del riesgo de los modelos, la seguridad y la privacidad para que sean seguros por defecto. Tiene seis elementos centrales, como ampliar la detección y la respuesta a la IA o automatizar las defensas, y SAIF.google ofrece un mapa de riesgos y controles y una autoevaluación de riesgos.
  • La infraestructura de Google es segura desde el diseño, con capas que van del hardware propio a la operación. IAM controla quién puede hacer qué sobre cada recurso; Security Command Center detecta vulnerabilidades, configuraciones erróneas y amenazas, también en cargas de IA; Cloud Monitoring vigila el rendimiento y Cloud Audit Logs registra quién hizo qué, dónde y cuándo.

Describe the importance of responsible AI in business

  • La IA responsable es clave para el negocio: la falta de confianza frena la adopción y muchas empresas abandonan proyectos por motivos éticos. Google recomienda revisar cada caso en su contexto desde el diseño, con equipos diversos, y ser transparente sobre cómo se decide. Las model cards documentan el rendimiento y las limitaciones de un modelo.
  • Quitar nombres no basta: los cuasiidentificadores (código postal, edad) combinados permiten reidentificar a personas. La seudonimización sustituye identificadores por tokens que mantienen los cruces y, con la clave, permiten reidentificar; la redacción o el enmascaramiento no son reversibles. Sensitive Data Protection descubre y desidentifica datos sensibles, también en prompts.
  • La IA solo es tan buena como sus datos: los datos de mala calidad o poco representativos producen resultados sesgados. Hay sesgos como el histórico (datos que reflejan desigualdades pasadas), el de muestreo o el de automatización. Para detectarlos se evalúa el rendimiento por grupos; la mitigación más directa es ampliar los datos con ejemplos representativos.
  • La explicabilidad genera confianza, facilita depurar errores y ayuda a detectar sesgos. Las atribuciones locales explican una predicción concreta y la importancia global, el comportamiento del modelo; ninguna demuestra causalidad. La rendición de cuentas exige responsables claros, registros de auditoría y supervisión humana adecuada.
Practicar esta certificación