AWS Certified AI Practitioner (AIF-C01) - Tarjetas de Vocabulario

Conjunto completo de 65 tarjetas de vocabulario diseñadas para repasar términos, servicios, métricas y conceptos clave evaluados en el examen AWS Certified AI Practitioner (AIF-C01).

Amazon Bedrock

Servicio completamente administrado de AWS que permite consumir foundation models mediante APIs sin necesidad de construir, entrenar o administrar infraestructura de aprendizaje automático.

Amazon SageMaker AI

Servicio orientado al ciclo de vida completo de modelos de ML que permite la preparación de datos, entrenamiento, evaluación y despliegue de modelos personalizados.

Prompt Engineering

Técnica para mejorar las instrucciones entregadas a un foundation model administrado con el fin de guiar la generación de respuestas sin alterar los pesos del modelo.

Amazon Bedrock Guardrails

Característica de Amazon Bedrock diseñada para controlar las entradas y salidas de sistemas generativos mediante filtros de contenido y políticas de seguridad para bloquear temas no deseados.

Fine-tuning

Técnica que ajusta los pesos de un modelo preentrenado utilizando un conjunto de datos específico para adaptar su comportamiento, formato o desempeño a un dominio particular.

Retrieval-Augmented Generation (RAG)

Enfoque que recupera información externa relevante durante el proceso de inferencia para proporcionarla como contexto al modelo sin modificar sus pesos.

Diferencia entre RAG y Fine-tuning

RAG aporta contexto externo durante la inferencia sin alterar el modelo, mientras que fine-tuning modifica permanentemente los pesos del modelo mediante entrenamiento con datos específicos.

Foundation Model (FM)

Modelo entrenado a gran escala que sirve como base adaptable para múltiples tareas y aplicaciones generales de procesamiento de datos o generación.

Arquitectura Transformer

Arquitectura fundamental de los LLM modernos basada en el mecanismo de Self-Attention para procesar secuencias de datos e identificar relaciones contextuales.

Self-Attention

Mecanismo esencial en la arquitectura Transformer que permite modelar relaciones entre distintos elementos de una secuencia para capturar el contexto global.

Embeddings

Representaciones vectoriales numéricas de texto u otros datos donde las relaciones y similitudes semánticas se reflejan mediante cercanía en el espacio vectorial.

Temperatura (Temperature)

Parámetro que regula la aleatoriedad en la selección de tokens de un LLM; valores más bajos generan salidas deterministas y valores más altos incrementan la diversidad o creatividad.

Top-p (Nucleus sampling)

Mecanismo de muestreo que limita la selección de tokens a un conjunto dinámico cuya probabilidad acumulada alcanza un umbral definido.

Stop sequence

Secuencia de caracteres o patrón específico configurado para indicar al modelo que debe detener inmediatamente la generación de texto.

Zero-shot

Técnica de prompt donde se le pide al modelo realizar una tarea mediante una instrucción directa sin incluir ningún ejemplo de entrada o salida previa.

Few-shot

Técnica de prompt que proporciona varios ejemplos demostrativos dentro de la instrucción antes de solicitar la respuesta final.

Supervised Learning

Tipo de aprendizaje automático en el cual el modelo aprende mapeos a partir de un conjunto de datos de entrenamiento provisto de entradas y etiquetas conocidas.

Unsupervised Learning

Tipo de aprendizaje en el que el algoritmo analiza datos sin etiquetar para descubrir estructuras, patrones ocultos o agrupamientos naturales.

Reinforcement Learning

Paradigma de aprendizaje donde un agente optimiza sus acciones e interactúa con un entorno mediante señales de recompensa y penalización.

Classification

Tarea de aprendizaje supervisado enfocada en predecir etiquetas de clases discretas para una entrada dada.

Regression

Tarea de aprendizaje supervisado diseñada para predecir un valor numérico continuo.

F1 score

Métrica de clasificación para evaluar conjuntos de datos desbalanceados mediante la media armónica entre precision y recall, calculada como $2 \times \frac{\text{precision} \times \text{recall}}{\text{precision} + \text{recall}}$.

Precision

Métrica que indica la proporción de predicciones positivas realizadas por el modelo que resultaron ser realmente verdaderas.

Recall

Métrica que mide la proporción de casos positivos reales identificados correctamente por el modelo del total de casos positivos existentes.

ROUGE

Métrica empleada para evaluar la calidad de resúmenes de texto mediante la cuantificación del solapamiento con resúmenes de referencia.

BLEU

Métrica estándar utilizada en traducción automática para evaluar salidas generadas comparándolas cuantitativamente contra traducciones de referencia.

BERTScore

Métrica de evaluación del lenguaje natural que determina la similitud semántica comparando las representaciones contextuales de los textos.

Overfitting

Condición en la cual un modelo de ML memoriza o se ajusta excesivamente al conjunto de entrenamiento, mostrando un alto rendimiento en datos vistos pero pobre generalización en datos nuevos.

Estrategia contra Overfitting

Práctica de aplicar técnicas de regularización, simplificar la arquitectura del modelo o incrementar la cantidad de datos de calidad representativos.

Underfitting

Problema que ocurre cuando un modelo es demasiado simple para capturar los patrones de los datos, registrando un bajo rendimiento tanto en entrenamiento como en validación.

Estrategia contra Underfitting

Proceso de incrementar la capacidad del modelo, agregar mejores características o reducir excesos de regularización para capturar la complejidad de los datos.

Real-time inference

Modalidad de inferencia diseñada para aplicaciones interactivas que requieren procesar solicitudes individuales de baja latencia con respuesta inmediata.

Batch Transform

Característica de SageMaker AI para ejecutar inferencias offline sobre grandes conjuntos de datos almacenados sin mantener un endpoint activo continuamente.

Asynchronous inference

Opciones de inferencia en SageMaker AI para procesar solicitudes con cargas pesadas o tiempos de ejecución prolongados mediante una cola de trabajo diferida.

Serverless inference

Opción de inferencia recomendada para cargas de trabajo intermitentes o impredecibles que escala automáticamente la infraestructura a cero para evitar costos por capacidad ociosa.

AWS PrivateLink / VPC endpoint

Tecnología que habilita la conectividad privada a servicios de AWS desde una VPC utilizando la red interna de AWS sin salir a Internet pública.

Residencia de datos

Principio de cumplimiento gubernamental que exige verificar la región de almacenamiento, endpoints y evitar procesamiento cross-Region que quebrante políticas territoriales.

Encryption in transit

Mecanismo de seguridad que cifra y protege los datos en movimiento mientras se transmiten a través de la red entre componentes o servicios.

Encryption at rest

Mecanismo de protección enfocado en cifrar datos guardados en repositorios persistentes como Amazon S3 o bases de datos.

IAM policies

Políticas de seguridad que gestionan la autenticación y autorización para determinar qué identidades pueden acceder a servicios y APIs de AWS.

AWS CloudTrail

Servicio de AWS que audita y registra las llamadas de API y eventos de usuario para permitir trazabilidad y cumplimiento en la cuenta.

AWS Config

Servicio que evalúa, audita y registra continuamente las configuraciones de los recursos de AWS frente a normas y reglas de conformidad.

Amazon Macie

Servicio de seguridad que emplea aprendizaje automático para descubrir, clasificar y proteger datos sensibles e información de identificación personal (PII) en buckets S3.

Amazon Inspector

Servicio automatizado de gestión de vulnerabilidades que escanea continuamente cargas de trabajo de AWS en busca de vulnerabilidades de software y exposición.

AgentCore Identity

Capacidad de Bedrock AgentCore encargada de gestionar la identidad y autorización delegada del agente para consumir servicios externos u OAuth de manera segura.

AgentCore Gateway

Capacidad de Bedrock AgentCore destinada a exponer APIs, funciones Lambda y servicios internos como herramientas integrables para un agente.

AgentCore Evaluations

Capacidad de Bedrock AgentCore para evaluar cuantitativamente si un agente cumple sus objetivos, invoca las herramientas correctamente y mantiene la calidad esperada.

Amazon Bedrock Flows

Herramienta visual para conectar y orquestar nodos de prompts, foundation models, Knowledge Bases y servicios de AWS en workflows generativos.

Métricas de negocio en IA

Factores de evaluación como el costo por interacción (cost per interaction), retorno de inversión (ROI) y la satisfacción del usuario que definen el valor de la solución junto con las métricas técnicas.

Hallucination (Alucinación)

Comportamiento en el cual un modelo generativo produce respuestas incorrectas, no fundamentadas o inventadas afirmándolas como si fueran verdaderas.

RAG grounding

Estrategia que reduce las alucinaciones vinculando la generación del modelo a hechos y datos verificados recuperados desde una fuente autorizada.

Prompt injection

Ataque o riesgo de seguridad donde entradas maliciosas manipulan las instrucciones internas del sistema para forzar al modelo a ignorar sus directrices originales.

Criterios de selección de FM

Evaluación multidimensional para elegir un foundation model basada en balancear costo, latencia, capacidad, modalidad, longitud de contexto y requerimientos de negocio.

Término "Prediction" en el examen

Concepto que no debe confundirse automáticamente con regresión; si el valor predecible es una categoría o clase discreta, corresponde a una tarea de clasificación.

Diferencia clave entre Aprendizaje Supervisado y por Refuerzo

El aprendizaje supervisado depende de pares explícitos de entrada-etiqueta, mientras que el aprendizaje por refuerzo aprende políticas mediante interacciones, recompensas y penalizaciones.

Solución integradora para asistente interno

Arquitectura que combina Knowledge Bases/RAG para fundamentación contextual, Guardrails para seguridad, endpoints privados para protección de red y métricas de evaluación del agente.

Estructura del examen AIF-C01 (2026)

Formato de evaluación de AWS que consta de 50 preguntas puntuadas y 15 preguntas no puntuadas distribuidas sin identificación visible durante el examen.

Ponderaciones de dominios en AIF-C01

Distribución porcentual de los contenidos de la guía oficial del examen AIF-C01 estructurada en dominios del 20%, 24%, 28%, 14% y 14%.

One-shot

Técnica de prompt en la que se incluye un único ejemplo demostrativo de entrada/salida dentro del prompt para guiar al modelo antes de procesar la solicitud final.

Objetivo prioritario de Precision

Métrica clave a priorizar cuando el costo empresarial de cometer falsos positivos (como clasificar una transacción legítima como fraude) es extremadamente alto.

Objetivo prioritario de Recall

Métrica clave a priorizar cuando el costo de omitir falsos negativos es crítico (como no detectar una enfermedad grave en un diagnóstico médico).

Uso principal de Fine-tuning

Ajustar el modelo a un estilo específico, tono o formato altamente consistente mediante entrenamiento supervisado con un conjunto de datos específico curado.

Inferencia offline masiva

Procesamiento diferido no interactivo que utiliza Batch Transform para generar predicciones sobre volúmenes masivos de datos (ej. 5 TB) periódicamente.

Data leakage

Problema de desarrollo donde información fuera del conjunto de entrenamiento se filtra involuntariamente en la fase de entrenamiento contaminando la evaluación del modelo.

AWS Certified AI Practitioner (AIF-C01)

Examen de certificación de AWS orientado a validar conocimientos sobre fundamentos de IA, ML, aprendizaje profundo, modelos generativos, métricas, seguridad y servicios administrados de AWS.