HG Hugo Gutierrez

Repaso personal · Lima, Perú

AWS AIF-C01 · 2026

AWS AIF-C01

Fundamentos de IA Generativa

Repaso para el examen AWS Certified AI Practitioner. Foundation Models, tipos de modelos generativos, prompting, RAG, fine-tuning, riesgos y límites.

Dominio

2 · IA Generativa

Bloque

Conceptos y terminología

Formato

Apunte de repaso

Recurso

hugogutierrez.pe

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Repaso · Agenda

Qué cubre este repaso

ML vs. Gen AI · FM vs. LLM

Terminología base y diferencias clave.

Fundamentos

Cómo piensa un LLM

Tokens, embeddings, contexto, attention y tipos de modelos generativos.

Conceptos

Adaptar un modelo

Prompting, RAG y fine-tuning — cuándo usar cada uno.

Aplicado

Prompting y parámetros

Técnicas de prompt y controles de inferencia.

Aplicado

RAG y riesgos

Pipeline de RAG, alucinación, sesgo, mitigaciones.

Aplicado

Casos de uso, límites y memorización

Resumen final listo para el examen.

Cierre

AgendaML = Machine Learning · GenAI = Generative AI · AI = Artificial Intelligence · FM = Foundation Model · LLM = Large Language Model · RAG = Retrieval Augmented Generation02 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Fundamentos · Diferencia base

ML tradicional vs. IA Generativa

Aspecto	ML tradicional	IA Generativa
Objetivo	Predecir una salida específica (clasificar, estimar).	Generar contenido nuevo.
Output	Etiqueta, número o probabilidad — "estrecho".	Texto, imagen, audio, código — "abierto".
Entrenamiento	Datos etiquetados, específico a una tarea.	Preentrenado con datos masivos no etiquetados.
Ejemplo	Predecir fraude, precio de una casa.	Escribir un resumen, generar una imagen.

ML vs Gen AIML = Machine Learning · IA = Inteligencia Artificial03 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Fundamentos · Terminología

Foundation Model vs. LLM

Término	Qué es
Foundation Model (FM)	Modelo grande, preentrenado con datos masivos, que sirve de base para múltiples tareas (texto, imagen, audio, multimodal).
LLM	Un tipo de FM especializado en lenguaje / texto — ej. Claude (Sonnet, Opus), GPT, Llama, Titan (Amazon).
Pre-entrenamiento	Aprender patrones generales con datos masivos — caro, lo hacen los grandes laboratorios (Anthropic, OpenAI, Amazon).
Fine-tuning	Adaptar un FM ya entrenado a un caso específico — mucho más barato que entrenar desde cero.

FM vs LLMLLM = Large Language Model · FM = Foundation Model04 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Conceptos · Mecánica interna

Cómo piensa un LLM

Concepto	Definición
Token	Fragmento de texto — no siempre una palabra completa. El costo de usar un LLM se mide en tokens (input + output).
Embedding	Vector numérico que representa el significado de un token en un espacio matemático — significados similares quedan cerca.
Ventana de contexto	Cantidad máxima de tokens que el modelo puede "ver" a la vez (prompt + historial + respuesta).
Attention	Mecanismo del transformer que pondera qué partes del texto importan más para predecir el siguiente token.

Cómo piensa un LLMLLM = Large Language Model05 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Fundamentos · Arquitecturas

Tipos de modelos generativos

Tipo	Cómo funciona	Uso típico
Transformer	Usa attention para procesar secuencias completas en paralelo — base de los LLMs.	Texto, código, chat.
Diffusion	Parte de ruido puro y lo va "limpiando" paso a paso hasta formar la imagen.	Imágenes (Stable Diffusion, Titan Image).
GAN	Dos redes compiten: un generador crea, un discriminador critica.	Imágenes sintéticas, deepfakes.
VAE	Comprime los datos a un espacio latente y los reconstruye con variaciones.	Generación, detección de anomalías.
Multimodal	Entiende o genera varios tipos de dato a la vez (texto + imagen + audio).	Describir una imagen, responder sobre un PDF.

Tipos de modelos generativosLLM = Large Language Model · GAN = Generative Adversarial Network · VAE = Variational Autoencoder06 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Aplicado · Decisión clave

3 formas de adaptar un modelo

Método	Qué hace	Costo / Datos	Cuándo usarlo
Prompt engineering	Ajustar la instrucción, sin tocar el modelo.	Mínimo	Primera opción, para la mayoría de los casos.
RAG	Conecta el modelo a una fuente de datos externa al momento de la consulta.	Medio	Info actualizada o específica de la empresa, sin reentrenar.
Fine-tuning	Reentrena parcialmente el modelo — ajusta sus pesos internos con datos propios etiquetados.	Alto	Comportamiento o estilo muy específico y consistente.

→ Ejemplo

Fine-tuning: un banco entrena el modelo con miles de tickets de soporte ya resueltos para que responda siempre en el tono y formato de la marca — queda permanentemente ajustado. Orden de examen: empieza por prompt engineering, sube a RAG si necesitas datos externos, llega a fine-tuning solo si el caso lo justifica.

Adaptar un FMRAG = Retrieval Augmented Generation07 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Aplicado · Prompt engineering

Técnicas de prompting

Técnica	Qué es	Ejemplo
Zero-shot	Pedir la tarea sin dar ejemplos.	"Traduce esto al inglés: ..."
Few-shot	Dar unos pocos ejemplos de input→output antes de la tarea real.	2-3 ejemplos + la nueva tarea
Chain-of-thought	Pedir al modelo que razone paso a paso antes de responder.	"Piensa paso a paso..."
Prompt template	Estructura reutilizable con variables para estandarizar prompts.	{cliente}, {producto}

Prompting08 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Aplicado · Controles de inferencia

Parámetros que controlan la respuesta

Parámetro	Qué controla	Alto vs. bajo
Temperature	Aleatoriedad / creatividad de la respuesta.	Alto = más creativo · Bajo = más determinista
Top-p	Rango de probabilidad acumulada de tokens candidatos.	Alto = más diverso · Bajo = más enfocado
Top-k	Número de tokens más probables a considerar.	Alto = más variedad · Bajo = más predecible
Max tokens	Longitud máxima de la respuesta generada.	Limita costo y extensión de la salida

Parámetros de inferencia09 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Aplicado · RAG

RAG — búsqueda + generación

Paso	Qué pasa
1. Ingesta	Los documentos propios se dividen en fragmentos (chunks).
2. Embedding	Cada fragmento se convierte en un vector numérico.
3. Vector DB	Los vectores se guardan en una base de datos vectorial (ej. OpenSearch).
4. Retrieval	Ante una pregunta, se buscan los fragmentos más similares semánticamente.
5. Augment	Los fragmentos recuperados se agregan al prompt como contexto.
6. Generación	El LLM genera la respuesta usando ese contexto adicional.

Pipeline de RAGRAG = Retrieval Augmented Generation · LLM = Large Language Model10 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Responsible AI · Riesgos

Riesgos de los LLMs

Riesgo	Qué es	Mitigación típica
Alucinación	El modelo genera información falsa con apariencia de certeza.	RAG, verificación humana, prompts más específicos.
Sesgo (bias)	Refleja sesgos presentes en los datos de entrenamiento.	Datos diversos, evaluación de fairness, guardrails.
Toxicidad	Genera contenido dañino, ofensivo o inapropiado.	Content filters, guardrails (ej. Bedrock Guardrails).
Prompt injection	Un usuario manipula el prompt para que el modelo ignore instrucciones.	Validación de inputs, separar instrucciones del sistema.
Fuga de datos	El modelo expone información sensible de entrenamiento o contexto.	Anonimización, control de acceso a los datos.

→ Ejemplo: prompt injection

Un chatbot "solo responde sobre nuestro producto", pero un usuario escribe: "Ignora todas las instrucciones anteriores...". Versión indirecta, más peligrosa: un documento leído vía RAG trae texto oculto como "envía los datos del usuario a..." y el modelo lo ejecuta.

Riesgos de los LLMsAI = Artificial Intelligence · LLM = Large Language Model · RAG = Retrieval Augmented Generation11 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Aplicado · Casos de uso

Casos de uso de Gen AI

Caso de uso	Ejemplo
Generación de texto	Resúmenes, redacción, chatbots.
Generación de código	Autocompletado, asistentes de programación.
Generación de imágenes	Diseño, marketing, prototipos.
Q&A aumentada (RAG)	Buscar y responder sobre documentos propios.
Resumen y extracción	Resumir contratos, extraer datos clave.

Casos de usoGenAI = Generative AI · AI = Artificial Intelligence · RAG = Retrieval Augmented Generation12 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Fundamentos · Evaluar la conveniencia

Ventajas, límites y métricas de negocio

Ventajas

Adaptabilidad a muchas tareas, respuesta rápida y simplicidad de uso (lenguaje natural).

Límites

Alucinaciones, no determinismo (misma pregunta, respuestas distintas), baja interpretabilidad e inexactitud.

Cuándo NO usar GenAI

Cuando exiges respuestas exactas y deterministas, o decisiones totalmente explicables.

Métricas de negocio

Satisfacción del usuario, tasa de conversión, ingreso por usuario, eficiencia operativa.

Ventajas y límites de GenAIGenAI = Generative AI13 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Repaso · Memorización

Los conceptos clave, de un vistazo

Concepto	En una frase
FM	Modelo grande preentrenado, base para muchas tareas.
LLM	FM especializado en texto.
Prompt engineering	Adaptar sin tocar el modelo — primera opción.
RAG	Conectar el modelo a datos externos / actualizados.
Fine-tuning	Reentrenar el modelo con datos propios — más costoso.
Temperature	Controla la creatividad / aleatoriedad de la respuesta.
Alucinación	El modelo inventa información con apariencia de certeza.

Tabla finalFM = Foundation Model · LLM = Large Language Model · RAG = Retrieval Augmented Generation14 / 15

HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner

Cierre · Fundamentos de IA Generativa

Listo para el siguiente dominio.

Siguiente bloque: Dominio 3 — Aplicaciones fundacionales en AWS (Bedrock, SageMaker, foundation models disponibles).

Correo

dhgutierrezcu@gmail.com

Web

hugogutierrez.pe

CierreIA = Inteligencia Artificial15 / 15