Amazon Bedrock y Modelos Fundacionales - AWS Certified AI Practitioner (AIF-C01)

Flashcards de vocabulario para revisar los conceptos clave sobre Amazon Bedrock, SageMaker AI y modelos fundacionales correspondientes a la certificación AWS Certified AI Practitioner (AIF-C01).

Amazon Bedrock

Servicio administrado de AWS para acceder y construir aplicaciones de IA generativa con modelos fundacionales (foundation models) a través de APIs.

Amazon SageMaker AI

Servicio administrado de AWS para construir, entrenar (training), personalizar, desplegar y operar modelos de Machine Learning (ML).

Amazon Bedrock Knowledge Bases (Bases de conocimiento)

Capacidad administrada para implementar RAG (generación aumentada por recuperación) sobre fuentes de datos conectadas y proveer información relevante al modelo fundacional.

Bedrock Agent (Agente de Bedrock)

Capacidad que puede planificar tareas y utilizar APIs, herramientas o grupos de acciones (action groups) para realizar acciones y orquestar pasos.

Amazon Bedrock Guardrails (Controles de seguridad)

Capacidad para controlar y filtrar inputs y outputs del modelo según políticas definidas, evitando contenido inseguro, no deseado o no permitido.

Evaluación del modelo (Model evaluation)

Medición del rendimiento del modelo con respecto a criterios definidos utilizando métodos apropiados para comparar calidad, seguridad, relevancia y requisitos de la carga de trabajo.

Personalización del modelo (Model customization)

Adaptación de un modelo preentrenado para un caso de uso específico, a través de métodos como el ajuste fino (fine-tuning) o preentrenamiento continuo.

Ajuste fino (Fine-tuning)

Entrenamiento adicional que adapta un modelo preentrenado a una tarea, dominio, estilo o comportamiento particular.

Continued preentrenamiento (Continued pretraining)

Preentrenamiento adicional de un modelo fundacional utilizando datos adicionales específicos y relevantes para un dominio.

Inferencia (Inference)

Etapa en una aplicación de IA generativa donde el modelo procesa un prompt o entrada (input) y genera un resultado (output).

Punto de acceso del modelo (Model endpoint)

Interfaz a través de la cual una aplicación envía solicitudes de inferencia a un modelo desplegado.

Selección del modelo (Model selection)

Elección de un modelo adecuado según los requisitos de calidad, costo, latencia, modalidad, soporte de lenguaje y longitud de contexto de la carga de trabajo.

Acceso al modelo en Amazon Bedrock (Model access)

Mecanismo o configuración que permite a una cuenta de AWS utilizar modelos fundacionales soportados.

Grupo de acciones (Action group)

Definición de acciones que un agente de Bedrock puede solicitar, con frecuencia conectadas a APIs u operaciones respaldadas por AWS Lambda.

Recuperación de la base de conocimiento (Knowledge Base retrieval)

Proceso de encontrar fragmentos o documentos relevantes a partir de datos conectados y suministrarlos al modelo.

Representación vectorial (Embedding)

Representación numérica del contenido que permite recuperar información semánticamente relevante en una base de conocimiento.

Ciclo de vida del modelo fundacional (Foundation model lifecycle)

Fases que comprenden la selección de datos/modelo, preentrenamiento, personalización, evaluación, despliegue/inferencia y monitoreo/retroalimentación.

Ingeniería de prompts (Prompt engineering)

Diseño de prompts en Amazon Bedrock para guiar el comportamiento y las salidas del modelo fundacional.

System prompt / instrucción del sistema

Instrucciones de alto nivel que definen el comportamiento esperado, rol, restricciones o reglas del modelo.

Ventana de contexto (Context window)

La cantidad de datos de entrada (input) y contexto generado que un modelo puede manejar en una sola solicitud.

Latencia del modelo (Model latency)

El tiempo requerido por el modelo para producir una respuesta.

Capacidad de procesamiento (Throughput)

La cantidad de carga de trabajo procesada en un período de tiempo determinado.

Precios basados en tokens (Token-based pricing)

Esquema de cobro en función del número de tokens de entrada y/o salida procesados, según el modelo o servicio.

Enrutamiento de modelos (Model routing)

Direccionamiento de solicitudes a diferentes modelos según las condiciones o requisitos específicos de la carga de trabajo.