HG Hugo Gutierrez

Repaso personal · Lima, Perú

AWS AIF-C01 · 2026

AWS AIF-C01

Fundamentos de IA/ML y métricas

Repaso para el examen AWS Certified AI Practitioner. Conceptos base de IA/ML, ciclo de vida, servicios de AWS y métricas de clasificación y regresión.

Dominio

1 · Fundamentos ML/IA

Bloque

Bases de IA/ML + métricas

Formato

Apunte de repaso

Recurso

hugogutierrez.pe

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

La certificación · AWS Certified AI Practitioner

El examen AIF-C01 en una mirada

Formato

65 preguntas (50 puntuadas + 15 de prueba) · 90 minutos · opción múltiple, respuesta múltiple, ordenar, emparejar y casos.

Puntaje

Escala de 100 a 1000 · aprobar = 700 (≈ 70%). Puntaje compensatorio (sin mínimo por dominio). Sin puntos en contra: fallar no resta.

Dominios y peso

D1 Fundamentos IA/ML 20% · D2 GenAI 24% · D3 Aplicaciones de FMs 28% · D4 IA responsable 14% · D5 Seguridad y gobernanza 14%.

Logística

USD 100 · Pearson VUE (centro o en línea) · vigencia 3 años · sin prerrequisitos · +30 min si no es tu lengua nativa (se solicita antes).

→ Estrategia

D3 y D2 suman 52% del examen: es donde más rinde estudiar. Datos sujetos a cambio — confirma en aws.amazon.com/certification.

Info del examen 1/2AI = Artificial Intelligence · IA = Inteligencia Artificial · ML = Machine Learning · GenAI = Generative AI · FM = Foundation Model02 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

La certificación · Tipos de pregunta y estrategia

Cómo se rinde el examen

Tipos de pregunta

Opción múltiple (1 correcta) · respuesta múltiple (2 o más) · ordenar pasos · emparejar · caso de estudio.

Sin puntos en contra

Fallar no resta: incorrecta y en blanco valen 0. Responde todo, aunque sea por descarte.

Preguntas no puntuadas

15 de las 65 son de prueba y no cuentan, pero no sabes cuáles: trata todas en serio.

Estrategia de tiempo

~1.4 min por pregunta. Primera pasada rápida, marca las dudosas y vuelve al final.

→ Tip de descarte

Elimina primero los dos distractores obvios. "Menor esfuerzo operativo" o "sin administrar infraestructura" apunta a un servicio administrado (Textract, Bedrock...).

Info del examen 2/203 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Repaso · Agenda

Qué cubre este repaso

Conceptos base de IA/ML

IA vs. ML vs. DL, tipos de aprendizaje, overfitting, inferencia.

Conceptos

Ciclo de vida, MLOps y servicios de AWS

Los 7 pasos, MLOps, opciones de inferencia y servicios específicos (incl. personalización).

Proceso

Matriz de confusión

TP, TN, FP, FN — variable objetivo discreta (binaria).

Clasificación

Precision, Recall, Accuracy

Qué mide cada una y cuándo priorizarlas.

Clasificación

F1-score y AUC-ROC

Balance entre precision y recall; separación de clases.

Clasificación

Ejemplo numérico

Caso aplicado: detección de fraude bancario, 1,000 transacciones.

Aplicado

MAE y RMSE

Error promedio en regresión — cuándo usar cada una.

Regresión

Tabla de memorización

Las 7 métricas en una sola vista, listas para el examen.

Cierre

AgendaIA = Inteligencia Artificial · ML = Machine Learning · DL = Deep Learning · MLOps = ML Operations · TP = True Positive · TN = True Negative · FP = False Positive · FN = False Negative04 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Conceptos · Jerarquía

IA, ML y Deep Learning

Término	Qué es	Ejemplo
Inteligencia Artificial (IA)	Sistemas que imitan capacidades humanas: razonar, aprender, decidir.	Asistente virtual, detección de fraude.
Machine Learning (ML)	Subconjunto de IA: el modelo aprende patrones de los datos, sin reglas escritas a mano.	Predecir el precio de una casa.
Deep Learning (DL)	ML con redes neuronales de muchas capas — muy bueno con imágenes, audio y texto.	Reconocer rostros en fotos.
Red neuronal	Capas de nodos conectados que transforman la entrada en una predicción.	Base de todo el deep learning.
NLP / Computer Vision	Ramas de la IA: entender lenguaje humano / interpretar imágenes y video.	Comprehend (NLP) · Rekognition (CV).

→ Anidados

IA ⊃ ML ⊃ Deep Learning ⊃ IA Generativa. Cada nivel es un subconjunto del anterior.

IA vs ML vs DLIA = Inteligencia Artificial · ML = Machine Learning · DL = Deep Learning · NLP = Natural Language Processing05 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Conceptos · Cómo aprende un modelo

Tipos de aprendizaje

Tipo	Datos	Tareas típicas
Supervisado	Etiquetados (se conoce la respuesta correcta).	Clasificación (fraude sí/no) y regresión (precio).
No supervisado	Sin etiquetas — el modelo busca estructura solo.	Clustering (segmentar clientes), detección de anomalías.
Por refuerzo	Sin dataset: un agente prueba acciones y recibe recompensas.	Robótica, juegos, RLHF en LLMs.
Semi / auto-supervisado	Pocas etiquetas + muchos datos sin etiquetar.	Preentrenamiento de los LLMs.

→ Tipos de datos

Estructurados: tabulares y series de tiempo. No estructurados: texto, imagen, audio y video. Etiquetado = tiene la "respuesta" incluida.

Tipos de aprendizajeRLHF = Reinforcement Learning from Human Feedback · LLM = Large Language Model06 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Conceptos · Calidad del ajuste

Overfitting vs. underfitting

Caso	Qué pasa	Síntoma	Cómo se corrige
Underfitting	Modelo demasiado simple — no captura el patrón (alto bias).	Mal en entrenamiento y en prueba.	Modelo más complejo, más features, entrenar más.
Overfitting	Memoriza el entrenamiento, incluido el ruido (alta varianza).	Excelente en entrenamiento, malo con datos nuevos.	Más datos, regularización, early stopping, modelo más simple.
Buen ajuste	Aprende el patrón general.	Rendimiento similar en entrenamiento y prueba.	—

→ Regla de examen

Buen resultado en train pero malo en test = overfitting. Malo en ambos = underfitting. Bias alto ↔ underfitting; varianza alta ↔ overfitting.

Overfitting07 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Conceptos · Cómo se usa el modelo

Inferencia: batch vs. real-time

Modo	Cuándo	Latencia
Real-time	Predicción inmediata, una a una — endpoint siempre activo.	Milisegundos
Batch	Procesar lotes grandes de una vez, sin endpoint permanente (SageMaker Batch Transform).	Horas a días (offline)
Asincrónica	Payloads grandes o procesos de hasta ~1 hora: se encolan y el resultado llega después.	Minutos (hasta 1 h)
Serverless	Tráfico intermitente: pagas solo por uso, sin gestionar capacidad.	Variable (cold start)

→ Regla de examen

Chatbot o fraude en el momento = real-time. Reporte nocturno de miles de registros = batch. Orden de latencia: real-time < asincrónica < batch.

Tipos de inferencia08 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Proceso · De la idea al modelo en producción

El ciclo de vida de ML

Definir el objetivo de negocio

¿Qué problema real se quiere resolver, y por qué con ML?

Negocio

Enmarcar el problema de ML

¿Clasificación, regresión o generativo? Define el enfoque.

Diseño

Recolectar y preparar los datos

Fuentes, etiquetado, limpieza y calidad. Aquí también puedes sumar más datos y variables.

Datos

Feature engineering

Crear, transformar, extraer y seleccionar variables para mejorar el modelo.

Datos

Entrenar el modelo

Elegir algoritmo, ajustar hiperparámetros.

Modelo

Evaluar el modelo

Precision, recall, RMSE... — todo lo que vimos en este repaso.

Modelo

Desplegar y monitorear

Poner en producción, detectar drift y reentrenar cuando haga falta.

Producción

Ciclo de vida de MLML = Machine Learning · RMSE = Root Mean Squared Error09 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Proceso · Más allá del entrenamiento

MLOps, fuentes y métricas de negocio

MLOps

DevOps aplicado a ML: automatizar, versionar y monitorear el ciclo completo (SageMaker Pipelines, Model Registry, Model Monitor).

Fuentes de modelos

Open source preentrenado (Hugging Face, JumpStart), modelos vía API (Bedrock) o entrenar el tuyo propio.

Métricas técnicas

Accuracy, precision, recall, F1, AUC, RMSE — miden qué tan bien predice el modelo.

Métricas de negocio

ROI, costo por usuario, satisfacción del cliente, eficiencia — miden si el modelo aporta valor.

MLOps y métricas de negocioMLOps = ML Operations · ML = Machine Learning · API = Application Programming Interface · AUC = Area Under the Curve · RMSE = Root Mean Squared Error · ROI = Return on Investment10 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Decisión · Elige lo específico

Servicio específico vs. genérico

Necesitas	Usa esto (específico)	Evita esto (genérico)
Extraer texto de PDF/imagen	Textract	Entrenar OCR en SageMaker
Análisis de sentimiento / NLP	Comprehend	Entrenar un clasificador NLP propio
Voz → texto / texto → voz	Transcribe / Polly	Modelo propio de speech-to-text
Reconocimiento de imágenes/video	Rekognition	Entrenar un modelo de visión propio
Traducción	Translate	—
Preguntas sobre tus documentos (LLM)	Bedrock Knowledge Bases	Armar tú mismo el pipeline de RAG

→ Regla de examen

Si existe un servicio de AWS que resuelve el caso "out of the box", esa es la respuesta correcta — aunque construirlo tú mismo con SageMaker también sea técnicamente posible. Lo específico gana por costo y velocidad.

Específico vs. genéricoOCR = Optical Character Recognition · NLP = Natural Language Processing · LLM = Large Language Model · RAG = Retrieval Augmented Generation11 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Decisión · Más servicios de IA

Otros servicios de IA de AWS

Necesitas	Servicio
Búsqueda inteligente sobre documentos de la empresa	Amazon Kendra
Recomendaciones personalizadas (productos, contenido)	Amazon Personalize
Chatbots conversacionales de voz y texto	Amazon Lex
Extraer entidades de texto clínico	Comprehend Medical
Revisión humana de predicciones de baja confianza	Amazon A2I
Asistente de IA generativa para empresa / desarrolladores	Amazon Q

Catálogo de servicios AIIA = Inteligencia Artificial · A2I = Augmented AI12 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Decisión · Personalizar servicios

Servicios de IA con datos propios

Necesitas	Servicio / feature	Clave
Clasificar imágenes en tus propias categorías	Rekognition Custom Labels	Requiere imágenes etiquetadas por categoría.
Clasificar texto o detectar entidades propias	Comprehend custom models	Requiere datos de entrenamiento etiquetados.
Transcribir jerga, marcas o acrónimos del negocio	Transcribe custom vocabulary / custom language model	Mejora la precisión en habla de dominio.
Detectar el idioma del audio	Transcribe language identification	Solo identifica el idioma; no mejora la jerga.
Traducir con términos propios	Translate custom terminology	Fija cómo se traducen marcas y términos.
Crear un bot conversacional	Amazon Lex	Conversa; no sirve para afinar transcripciones.

→ Regla de examen

Entrenar un modelo personalizado exige datos etiquetados: sin etiquetas no hay aprendizaje supervisado. Sin etiquetas, lo típico es clustering (no supervisado).

Personalizar servicios de IAIA = Inteligencia Artificial13 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Base

Matriz de confusión

	Predicho: Positivo	Predicho: Negativo
Real: Positivo	TP — True Positive	FN — False Negative
Real: Negativo	FP — False Positive	TN — True Negative

→ Cuándo aplica

Solo para modelos con variable objetivo discreta — típicamente binaria (Sí/No, Fraude/No fraude). Los modelos de regresión (MAE, RMSE, más adelante) predicen una variable continua (precio, monto, demanda) y no usan esta matriz. FP = Error Tipo I · FN = Error Tipo II.

Matriz de confusiónTP = True Positive · FN = False Negative · FP = False Positive · TN = True Negative · MAE = Mean Absolute Error · RMSE = Root Mean Squared Error14 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Intuición

Qué responde cada métrica

Métrica	En una frase
Recall	De los casos reales positivos, ¿cuántos lograste detectar?
Precision	De lo que proyectaste como positivo, ¿cuántos son realmente positivos?
Accuracy	De todas tus predicciones, ¿cuántas acertaste?
F1-score	¿Qué tan equilibrado está el modelo entre precision y recall?

→ Antes de las fórmulas

Guarda esta intuición: Recall mira hacia los reales, Precision mira hacia lo predicho, Accuracy mira el total. Las fórmulas de las próximas slides son solo la forma exacta de calcular cada una.

Intuición15 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Precision

Precision — confiabilidad de la alarma

Precision = TPTP + FP

= Positivos correctos / Total de predicciones positivas

Qué mide

De todo lo que marqué como positivo, cuánto acerté.

Prioridad alta

Cuando un falso positivo es costoso: spam, marketing, bloqueo de clientes honestos.

PrecisionTP = True Positive · FP = False Positive16 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Recall

Recall — cuánto se te escapa

Recall = TPTP + FN

= Positivos correctos / Total de casos positivos reales

Qué mide

De todos los positivos reales, cuántos logré detectar.

Prioridad alta

Cuando un falso negativo es costoso: fraude, diagnóstico médico grave.

RecallTP = True Positive · FN = False Negative17 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · F1

F1-score — el balance

F1 = 2 × P × RP + R

= 2TP / (2TP + FP + FN) · en términos de la matriz de confusión

= Equilibrio entre precision y recall, en un solo número

P = Precision · R = Recall

Media armónica, no la media simple — penaliza fuerte cuando una de las dos es baja.

Cuándo usarla

Sin preferencia clara entre precision y recall, o en datasets desbalanceados. Nota: F1 no usa TN.

F1-scoreFP = False Positive · FN = False Negative · TN = True Negative18 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Accuracy

Accuracy — el % de aciertos

Accuracy = TP + TNTP + TN + FP + FN

= Predicciones correctas / Total de predicciones

Qué mide

% de predicciones correctas sobre el total.

Cuidado

Engañosa en clases desbalanceadas — un modelo inútil puede tener accuracy alto (ver ejemplo siguiente).

AccuracyTP = True Positive · TN = True Negative · FP = False Positive · FN = False Negative19 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Evaluar sin fijar umbral

AUC-ROC

Concepto	Qué es
Curva ROC	Recall (TPR) vs. tasa de falsos positivos (FPR), al variar el umbral de decisión.
AUC	Área bajo la curva, de 0 a 1: resume qué tan bien separa las clases.
Lectura	0.5 = azar · 1.0 = perfecto · más área = mejor modelo.
Cuándo usarla	Comparar clasificadores sin fijar un umbral específico.

→ Regla de examen

Separar bien las clases en todos los umbrales = AUC-ROC.

AUC-ROCAUC = Area Under the Curve · ROC = Receiver Operating Characteristic · TPR = True Positive Rate · FPR = False Positive Rate20 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Aplicado

Ejemplo — fraude bancario

→ El caso

Un banco entrena un modelo para predecir si una transacción de compra por internet es fraudulenta (Sí/No). Se evalúan 1,000 transacciones, de las cuales 50 son realmente fraudulentas (5%).

	Predicho: Fraude	Predicho: No fraude
Real: Fraude (50)	TP = 40	FN = 10
Real: No fraude (950)	FP = 60	TN = 890

Ejemplo numérico · El casoTP = True Positive · FN = False Negative · FP = False Positive · TN = True Negative21 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Aplicado

Ejemplo — los números

93%

Accuracy

(40+890) / 1000

40%

Precision

40 / (40+60)

80%

Recall

40 / (40+10)

53.3%

F1-score

2·(P·R)/(P+R)

→ La paradoja

93% de accuracy suena excelente, pero de las 100 transacciones que el modelo marcó como fraude, 60 eran en realidad legítimas (precision 40%). Por eso en fraude no se optimiza accuracy — se prioriza recall, aceptando más falsas alarmas a cambio de no dejar pasar fraude real.

Ejemplo numérico · Resultados22 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Clasificación · Resumen

Qué métrica priorizar según el caso

Escenario	Métrica	Por qué
Fraude / diagnóstico médico grave	Recall	No puedes dejar pasar un positivo real — el falso negativo es carísimo.
Spam / marketing	Precision	Una falsa alarma molesta más que dejar pasar un caso.
Desbalanceado, sin preferencia clara	F1-score	Balance robusto entre precision y recall.
Balanceado, errores cuestan igual	Accuracy	Simple y suficiente cuando no hay desbalance.

Tabla de escenarios23 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Regresión · MAE

MAE — error promedio

MAE = 1n ∑_i=1ⁿ |y_i − ŷ_i|

= Suma de errores absolutos / Número de observaciones

Qué mide

Promedio del valor absoluto del error. Todos los errores pesan igual.

Cuándo usarla

Robusta a outliers, fácil de interpretar (mismas unidades que Y).

MAEMAE = Mean Absolute Error24 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Regresión · RMSE

RMSE — castiga los errores grandes

RMSE = √ ∑ (y_i − ŷ_i)²n

= Raíz de la suma de errores al cuadrado / Número de observaciones

Qué mide

Raíz del promedio de errores al cuadrado. Penaliza fuerte los errores grandes.

Cuándo usarla

Cuando un error grande es desproporcionadamente costoso. Sensible a outliers.

RMSERMSE = Root Mean Squared Error25 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Regresión · Comparación

MAE vs. RMSE

MAE

Todos los errores pesan igual.
Robusta a outliers.
Fácil de interpretar: error promedio en las unidades de Y.

RMSE

Penaliza fuerte los errores grandes.
Sensible a outliers.
La más común como función de pérdida en entrenamiento.

→ Pista de examen

Si RMSE es mucho mayor que MAE, hay errores puntuales muy grandes (outliers) en tus predicciones.

MAE vs RMSEMAE = Mean Absolute Error · RMSE = Root Mean Squared Error26 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Repaso · Memorización

Las 7 métricas, de un vistazo

Métrica	Problema	Qué mide	Outliers
RMSE	Regresión	Error, penaliza los grandes desproporcionadamente.	Muy sensible
MAE	Regresión	Error promedio, todos pesan igual.	Robusta
Accuracy	Clasificación	% de aciertos totales — engañosa si hay desbalance.	No aplica
Precision	Clasificación	Confiabilidad de lo marcado como positivo.	No aplica
Recall	Clasificación	Cobertura de los positivos reales.	No aplica
F1-score	Clasificación	Balance (media armónica) entre precision y recall.	No aplica
AUC-ROC	Clasificación	Qué tan bien separa las clases con cualquier umbral (0.5 = azar).	No aplica

Tabla finalRMSE = Root Mean Squared Error · MAE = Mean Absolute Error · AUC = Area Under the Curve · ROC = Receiver Operating Characteristic27 / 28

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Cierre · Bloque de métricas

Listo para el siguiente dominio.

Siguiente bloque: Dominio 2 — Fundamentos de IA Generativa (LLMs, transformers, prompting). Repasa la tabla anterior antes del examen.

Correo

dhgutierrezcu@gmail.com

Web

hugogutierrez.pe

CierreIA = Inteligencia Artificial · LLM = Large Language Model28 / 28