Flashcards de Actualización AWS Certified AI Practitioner (AIF-C01) v1.1 / 2026

Módulo de actualización v1.1 / 2026 para el examen AWS Certified AI Practitioner (AIF-C01) presentado en formato de tarjetas de vocabulario en español.

Agentic AI

IA que persigue objetivos mediante varios pasos, decisiones, herramientas y acciones, en vez de limitarse a generar una respuesta única.

AI Agent

Sistema que recibe un objetivo, decide pasos, puede usar herramientas, observa resultados y continúa hasta completar una tarea.

MCP (Model Context Protocol)

Protocolo estándar para conectar modelos/agentes con herramientas, APIs, bases de datos y sistemas externos.

Diferencia entre MCP y RAG

MCP conecta con herramientas/sistemas; RAG recupera información relevante de fuentes de conocimiento para incorporarla al contexto.

Diferencia entre MCP y AgentCore

MCP es un protocolo de interoperabilidad; AgentCore es un conjunto de capacidades AWS para construir y operar agentes.

Tool use

Capacidad de invocar herramientas, APIs o funciones externas para actuar o recuperar información.

Agent memory

Mecanismo para conservar información útil entre pasos o interacciones, según la arquitectura.

Workflow orchestration

Coordinación de pasos, modelos, herramientas y resultados para completar tareas de varios pasos.

Multi-agent system

Sistema donde varios agentes especializados colaboran para resolver una tarea o flujo complejo.

Multi-agent communication

Intercambio de información, tareas o resultados entre agentes.

Bedrock Agents

Servicio administrado para crear agentes que pueden razonar sobre tareas y usar acciones/herramientas.

AgentCore

Capacidades AWS para construir y operar agentes de forma segura y escalable.

Strands Agents

Framework para construir agentes y flujos agentic con modelos y herramientas.

Context engineering

Diseñar y organizar todo el contexto que recibe el modelo: instrucciones, historial, documentos, memoria, herramientas y restricciones.

Prompt engineering vs context engineering

Prompt engineering optimiza la instrucción; context engineering optimiza el conjunto de información y recursos disponibles para el modelo.

Token-based pricing

Costo que puede depender de los tokens procesados, especialmente de entrada y salida.

Factores de incremento en costo GenAI

Más tokens, respuestas largas, mayor volumen, modelos más costosos y determinadas configuraciones de throughput.

Prompt caching

Reutilización de partes repetidas del contexto/prompt cuando el servicio lo admite, para reducir procesamiento o costo/latencia.

Model distillation

Transferencia de conocimiento o comportamiento de un modelo teacher a un modelo student más pequeño.

Distillation vs fine-tuning

Fine-tuning adapta un modelo con datos adicionales; distillation transfiere comportamiento/conocimiento entre modelos.

Distillation vs RAG

Distillation produce/adapta un modelo student; RAG recupera información externa durante inferencia sin modificar los parámetros del modelo.

Casos de uso para Model Distillation

Cuando se busca reducir tamaño, costo o latencia conservando parte del comportamiento de un modelo mayor.

Traditional ML vs Foundation Model

Comparación que considera problema, datos, explicabilidad, regulación, latencia, costo, modalidad y necesidad de personalización.

Bedrock Prompt Management

Capacidad para gestionar prompts de forma organizada, incluyendo reutilización y versionado.

Prompt engineering vs Prompt Management

Engineering crea/mejora prompts; Management ayuda a administrarlos, versionarlos y reutilizarlos.

Prompt injection

Intento de alterar las instrucciones o comportamiento del modelo mediante contenido malicioso.

Prompt poisoning

Introducción de contenido manipulado en datos/contexto que puede influir indebidamente en el sistema.

Prompt hijacking

Intento de desviar el comportamiento del modelo para seguir instrucciones no autorizadas.

Jailbreaking

Intento de evadir restricciones del modelo mediante instrucciones diseñadas para provocar respuestas no permitidas.

Prompt como autorización

Un prompt no es autorización; el prompt indica qué hacer, pero la autorización debe controlarse con identidad, permisos y políticas.

Prompt templates

Estructuras y variables para crear prompts reutilizables y consistentes.

Human evaluation

Evaluación humana de calidad, utilidad, relevancia, seguridad u otras propiedades de las salidas.

Benchmark dataset

Conjunto de datos de referencia usado para comparar o evaluar sistemáticamente el rendimiento.

LLM-as-a-Judge

Uso de un LLM para evaluar respuestas con criterios definidos; tiene limitaciones y puede requerir validación.

RAG evaluation

Evaluación del retrieval y de la respuesta generada, incluyendo relevancia y uso de la información recuperada.

Agent evaluation

Evaluar si el agente usa pasos/herramientas correctamente y alcanza sus objetivos.

Workflow evaluation

Evaluar el flujo completo de modelos, herramientas, pasos y decisiones.

Task completion rate

Porcentaje de tareas solicitadas que el sistema completa correctamente.

User satisfaction

Medida de satisfacción del usuario con la experiencia o resultado.

Cost per interaction

Costo asociado a una interacción del usuario con el sistema.

Métrica técnica vs métrica empresarial

La técnica mide el modelo; la empresarial evalúa si la aplicación cumple objetivos de negocio/experiencia.

Relación entre BLEU y éxito empresarial

Un buen BLEU no garantiza éxito empresarial ni asegura satisfacción, completion rate o costo adecuado.

RAG contra hallucinations

Aporta información externa relevante para fundamentar respuestas; no elimina por sí mismo todas las alucinaciones.

Confidence scoring

Estimación/asignación de confianza para ayudar a decidir cómo manejar una predicción o salida.

Output validation

Validar la salida contra reglas, formatos, esquemas o criterios antes de aceptarla.

Data lineage

Trazabilidad del origen de los datos y de las transformaciones que sufrieron.

Data cataloging

Organización y documentación de activos de datos y sus metadatos.

Privacy-enhancing technologies

Técnicas/tecnologías destinadas a reducir exposición de información sensible y riesgos de privacidad.

AI audit trail

Registro para rastrear actividades relevantes del sistema AI con fines de auditoría, investigación y cumplimiento.

CloudTrail vs CloudWatch vs Config

CloudTrail monitorea actividad/API; CloudWatch gestiona métricas, logs y monitoreo; Config supervisa el estado/configuración y cumplimiento.

Generative AI Security Scoping Matrix

Marco para analizar y delimitar consideraciones de seguridad según el alcance y arquitectura de una solución GenAI.

IAM vs Guardrails

IAM controla identidad y permisos; Guardrails aplica controles sobre entradas/salidas y uso responsable del modelo.

Fairness / Equity

Evaluar y reducir resultados injustamente desiguales entre grupos, considerando el contexto y el impacto.

Subgroup analysis

Analizar desempeño y posibles sesgos por subgrupos para detectar diferencias ocultas por métricas agregadas.

Transparency

Proporcionar información comprensible sobre uso, capacidades, limitaciones y aspectos relevantes del sistema.

Explainability

Capacidad de explicar por qué un modelo produjo una predicción o resultado.

Human-centered AI

Diseñar considerando necesidades, comprensión, control, feedback y experiencia de las personas.

User feedback mechanism

Mecanismo para recoger retroalimentación y detectar problemas/mejorar el sistema.

IP infringement

Riesgo de infringir derechos de propiedad intelectual mediante datos, contenido, entrenamiento o uso.

Sustainability en selección de modelos

Criterio de evaluación enfocado en que el tamaño y demanda computacional pueden afectar el consumo de recursos.

Amazon Quick

Servicio AWS orientado a productividad/experiencias empresariales con IA generativa.

Kiro

Herramienta/entorno de desarrollo de AWS asistido por IA.

Amazon Nova

Familia de modelos de AWS dentro del ecosistema de modelos fundacionales/GenAI.

AWS Transform

Capacidad/servicio AWS para ayudar con transformaciones y modernización mediante IA.

SageMaker JumpStart

Recurso para descubrir y utilizar modelos, soluciones y recursos de ML/GenAI en SageMaker para acelerar experimentación y despliegue.

OpenSearch como vector store

Base de datos que puede almacenar/buscar representaciones vectoriales y apoyar recuperación semántica/RAG.

Aurora como vector store

Servicio que puede participar en arquitecturas que almacenan y consultan embeddings/vector data según capacidades soportadas.

Neptune como vector store

Base de datos que puede participar en escenarios de recuperación/vector search y combinar información de grafos con AI.

RDS PostgreSQL como vector store

Base de datos relacional que puede almacenar embeddings y realizar búsquedas vectoriales al habilitar las capacidades correspondientes.

Strands Agents vs Bedrock Agents

Strands es un framework, mientras que Bedrock Agents es un servicio administrado para crear agentes y conectarlos con acciones/herramientas.

AgentCore vs Bedrock Agents

AgentCore se centra en capacidades para construir/operar agentes, mientras que Bedrock Agents ofrece una experiencia administrada para crear agentes.

Conexión estándar de agentes a herramientas

Uso del protocolo MCP para conectar un agente con herramientas externas mediante un estándar.

Optimización de modelos vía Distillation

Estrategia para reducir tamaño, costo y latencia conservando parte del comportamiento de un modelo grande.

Actualización de respuestas con documentos internos

Uso de RAG / Knowledge Base para actualizar respuestas con documentos internos sin necesidad de reentrenar.

Personalización vía Fine-tuning

Proceso de adaptar un modelo mediante el entrenamiento con datos adicionales.

Administración y versionado de prompts

Uso de Prompt Management para administrar y versionar prompts reutilizables.

Medición de éxito de tareas en agentes

Uso de Task completion rate para determinar si el agente realmente completó la tarea.

Satisfacción del usuario como métrica

Métrica orientada a la evaluación de experiencia y objetivos de negocio.

Validación de salida en producción

Aplicación de Output validation para validar la salida antes de mostrarla o aceptarla.

Estimación de confiabilidad

Proceso de Confidence scoring para estimar la confiabilidad de una salida.

Trazabilidad de origen de datos

Uso de Data lineage para rastrear el origen y las transformaciones de los datos.

Registro de llamadas a API

Uso de AWS CloudTrail para identificar quién hizo qué llamada API.

Monitoreo y métricas del sistema

Uso de Amazon CloudWatch para recopilar métricas, logs y realizar monitoreo.

Gestión de cumplimiento y configuración

Uso de AWS Config para supervisar el estado, configuración y cumplimiento de los recursos.

Control de acceso mediante least privilege

Uso de IAM, políticas de least privilege y autorización para asegurar que solo usuarios autorizados puedan acceder.

Control de contenidos e historial de modelo

Uso de Bedrock Guardrails para controlar contenidos, entradas y salidas del modelo.

Evaluación de equidad en subgrupos

Análisis de Fairness/equity junto con subgroup analysis para detectar diferencias de resultados entre grupos.

SageMaker Model Cards

Documentación para registrar el uso previsto, riesgos y limitaciones de un modelo.

Estándar MCP vs RAG para agentes

Distinción donde MCP conecta modelo/agente con sistemas externos usando un estándar, a diferencia del retrieval de RAG.

Evaluación completa de aplicaciones de agentes

Agent/workflow evaluation, orientada a evaluar la aplicación completa de agentes y no solo una métrica del modelo.

In-context learning

Capacidad del modelo para adaptar sus respuestas basándose únicamente en la información y ejemplos proporcionados dentro del contexto del prompt.

Grounding

Proceso de fundamentar las respuestas de un modelo generativo en información real recuperada (como en RAG) para reducir inexactitudes.

Hallucination

Generación de respuestas incorrectas, falsas o no fundamentadas por parte de un modelo de lenguaje.

Métrica de negocio

Indicador que evalúa si la aplicación cumple objetivos empresariales o de experiencia de usuario.

Métrica técnica

Indicador enfocado en medir el rendimiento, comportamiento o desempeño específico del modelo.