Los cinco dominios del examen AWS Certified AI Practitioner (AIF-C01) en un solo deck: fundamentos de IA/ML, IA generativa, foundation models, IA responsable y seguridad.
Dominio
Los 5 dominios
Bloque
D1 a D5 en un solo archivo
Formato
Apunte de repaso completo
Recurso
hugogutierrez.pe
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Repaso · Índice
Qué cubre este deck
01
D1 · Fundamentos de IA y ML
Slides 3–32 · pesa 20% del examen.
D1
02
D2 · Fundamentos de IA generativa
Slides 33–47 · pesa 24% del examen.
D2
03
D3 · Aplicaciones de foundation models
Slides 48–74 · pesa 28% del examen.
D3
04
D4 · IA responsable
Slides 75–92 · pesa 14% del examen.
D4
05
D5 · Seguridad, cumplimiento y gobernanza
Slides 93–107 · pesa 14% del examen.
D5
06
Repaso final
Slides 108–110: confusiones frecuentes, simulacros y ruta de estudio.
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 Model04 / 110
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 2/205 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Repaso · Agenda
Qué cubre este repaso
01
Conceptos base de IA/ML
IA vs. ML vs. DL, tipos de aprendizaje, overfitting, inferencia.
Conceptos
02
Ciclo de vida, MLOps y servicios de AWS
Los 7 pasos, MLOps, opciones de inferencia y servicios específicos, Personalize y DeepAR.
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 Processing07 / 110
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, perros vs. gatos) y regresión (precio).
No supervisado
Sin etiquetas — el modelo busca estructura solo.
Clustering (K-means: segmentar clientes por compras), detección de anomalías.
Por refuerzo
Sin dataset: un agente prueba acciones y recibe recompensas.
Ajedrez y juegos, robótica, RLHF. No es supervisado ni no supervisado: es un tercer tipo.
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 Model08 / 110
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.
Overfitting09 / 110
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 inferencia10 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Proceso · De la idea al modelo en producción
El ciclo de vida de ML
01
Definir el objetivo de negocio
¿Qué problema real se quiere resolver, y por qué con ML?
Negocio
02
Enmarcar el problema de ML
¿Clasificación, regresión o generativo? Define el enfoque.
Diseño
03
Recolectar y preparar los datos
Fuentes, etiquetado, limpieza y calidad. Aquí también puedes sumar más datos y variables.
Datos
04
Feature engineering
Crear, transformar, extraer y seleccionar variables para mejorar el modelo.
Datos
05
Entrenar el modelo
Elegir algoritmo, ajustar hiperparámetros.
Modelo
06
Evaluar el modelo
Precision, recall, RMSE... — todo lo que vimos en este repaso.
Modelo
07
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 Error11 / 110
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 Investment12 / 110
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 Generation13 / 110
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
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 Artificial15 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Decisión · Recomendaciones
Amazon Personalize
Qué hace
Servicio administrado de recomendaciones personalizadas (la misma tecnología de Amazon.com). No requiere experiencia en ML.
Datos que usa
Historial de interacciones usuario–ítem (clics, compras, vistas). Opcional: datos de usuarios e ítems.
Casos típicos
Productos recomendados, ítems similares, reordenar resultados por usuario y segmentar usuarios.
No confundir con
Forecast (series de tiempo), Kendra (búsqueda), Comprehend (texto) o Bedrock (generar contenido).
→ Regla de examen
"Recomendar a cada usuario según su comportamiento" = Personalize. Si el caso habla de historial de compras o clics, piensa en él.
Amazon PersonalizeML = Machine Learning16 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Decisión · Series de tiempo
Pronóstico de series de tiempo
Opción
Qué es
Cuándo
DeepAR
Algoritmo integrado de SageMaker (red neuronal recurrente). Un solo modelo para muchas series relacionadas; pronóstico probabilístico (rangos).
Pronosticar demanda o ventas con SageMaker.
Amazon Forecast
Servicio administrado de series de tiempo (usa DeepAR+, entre otros). Verifica su disponibilidad: AWS dejó de aceptar clientes nuevos en 2024.
Pronóstico sin armar el modelo.
SageMaker Canvas
ML sin código; incluye pronóstico de series de tiempo.
Analistas de negocio.
Regresión simple
Predice un valor a partir de variables, sin modelar el orden en el tiempo.
Cuando el tiempo no es el eje.
→ Regla de examen
"Pronosticar series de tiempo con SageMaker" = DeepAR. Serie de tiempo = valores ordenados en el tiempo (ventas diarias, demanda).
Pronóstico: DeepAR y ForecastML = Machine Learning17 / 110
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 Error18 / 110
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.
Intuición19 / 110
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.
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 Rate24 / 110
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%).
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 · Resultados26 / 110
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 escenarios27 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Regresión · MAE
MAE — error promedio
MAE =
1n
∑i=1n
|yi − ŷi|
= 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 Error28 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Regresión · RMSE
RMSE — castiga los errores grandes
RMSE = √
∑ (yi − ŷi)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 Error29 / 110
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 Error30 / 110
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 Characteristic31 / 110
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 Model32 / 110
HGHugo 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
01
ML vs. Gen AI · FM vs. LLM
Terminología base y diferencias clave.
Fundamentos
02
Cómo piensa un LLM
Tokens, embeddings, contexto, attention y tipos de modelos generativos.
Conceptos
03
Adaptar un modelo
Prompting, RAG y fine-tuning — cuándo usar cada uno.
Aplicado
04
Prompting y parámetros
Técnicas de prompt y controles de inferencia.
Aplicado
05
RAG y riesgos
Pipeline de RAG, alucinación, sesgo, mitigaciones.
Aplicado
06
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 Generation34 / 110
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 Artificial35 / 110
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 Model36 / 110
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 Model37 / 110
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 Autoencoder38 / 110
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 Generation39 / 110
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}
Prompting40 / 110
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 inferencia41 / 110
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 Model42 / 110
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.
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 Generation43 / 110
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 Generation44 / 110
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 AI45 / 110
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 Generation46 / 110
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 Artificial47 / 110
HGHugo Gutierrez
Repaso personal · Lima, Perú
AWS AIF-C01 · 2026
AWS AIF-C01
Bedrock y SageMaker
Repaso para el examen AWS Certified AI Practitioner. Aplicaciones fundacionales: cuándo usar cada servicio, componentes clave y costos.
Dominio
3 · Aplicaciones fundacionales
Bloque
Bedrock y SageMaker
Formato
Apunte de repaso
Recurso
hugogutierrez.pe
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Repaso · Agenda
Qué cubre este repaso
01
Bedrock vs. SageMaker
La decisión central, cómo elegir un FM, cambiar de modelo y prompt caching.
Decisión
02
Componentes de cada servicio
Knowledge Bases, Agents, Guardrails, Studio, JumpStart, Canvas, Model Cards, Model Monitor...
Servicios
03
Ciclo de vida, fine-tuning y evaluación
Variantes de adaptación, mantener un FM actualizado, RLHF, ROUGE, BLEU, BERTScore, LLM-as-a-judge.
Proceso
04
RAG, Agents, Guardrails y ataques
Kendra vs. Q Business vs. Knowledge Bases, Agents, Guardrails, ataques y chatbot seguro.
Aplicado
05
Costos y memorización
On-Demand vs. Provisioned Throughput + resumen final.
Cierre
AgendaFM = Foundation Model · RLHF = Reinforcement Learning from Human Feedback · ROUGE = Recall-Oriented Understudy for Gisting Evaluation · BLEU = Bilingual Evaluation Understudy49 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Decisión · La pregunta central
Bedrock vs. SageMaker
Aspecto
Bedrock
SageMaker
Qué es
Acceso administrado (serverless) a FMs de terceros/Amazon, vía API.
Plataforma completa de ML — construir, entrenar y desplegar modelos propios.
Infraestructura
Ninguna que gestionar.
Tú la gestionas (o delegas parcialmente).
Cuándo usarlo
Usar rápido un FM ya entrenado, sin servidores.
Entrenar desde cero o necesitas control granular del pipeline.
Modelos
Claude, Llama, Titan, Cohere, AI21, Stability AI.
Cualquier algoritmo/arquitectura, o FMs vía JumpStart.
Bedrock vs SageMakerFM = Foundation Model · API = Application Programming Interface · ML = Machine Learning · AI = Artificial Intelligence50 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Decisión · Selección del modelo
Cómo elegir un Foundation Model
Modalidad y tarea
Texto, imagen, embeddings o multimodal — el modelo debe soportar lo que necesitas.
Costo y latencia
Los modelos más grandes son más capaces, pero más lentos y caros por token.
Contexto e idioma
Ventana de contexto suficiente para tus documentos y soporte del idioma de tus usuarios.
Personalización y región
¿Permite fine-tuning? ¿Está disponible en tu región y cumple tu compliance?
Criterios de selección de FM51 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Decisión · Prompts en producción
Prompt caching y Prompt Management
Prompt caching
Reutiliza la parte repetida del prompt (por ejemplo, un system prompt largo) para bajar costo y latencia.
Prompt Management
En Amazon Bedrock: crear, versionar y administrar prompts y plantillas en un solo lugar.
Prompt templates
Plantillas con variables para reutilizar la misma estructura: contexto, instrucción y formato de salida.
Buenas prácticas
Ser específico y conciso, usar negative prompts (lo que NO debe hacer) y probar con experimentos.
Prompt caching y Prompt Management52 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Decisión · Migrar entre modelos
Cambiar de modelo o proveedor
En Bedrock
API unificada: cambiar de proveedor suele ser cambiar el ID del modelo.
Prompts
Cada modelo responde distinto y usa su propio formato: hay que reajustar prompts y plantillas.
Modelos personalizados
Un modelo afinado no se traslada: los pesos dependen del modelo base, así que hay que volver a afinar.
Reevaluar
Compara con Model Evaluation (calidad, costo, latencia) antes de migrar.
Cambiar de modelo o proveedorAPI = Application Programming Interface53 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Servicios · Bedrock
Componentes clave de Bedrock
Componente
Qué hace
Model access / Playgrounds
Probar distintos FMs desde la consola, sin código.
Knowledge Bases
RAG administrado — conecta el FM a tus documentos sin armar tú el pipeline.
Agents
Orquestan tareas multi-paso — el modelo decide qué herramientas/APIs llamar.
Guardrails
Filtros de responsible AI: contenido dañino, temas prohibidos, PII.
Fine-tuning
Adaptar un FM base con tus propios datos, dentro de Bedrock.
Componentes de BedrockFM = Foundation Model · RAG = Retrieval Augmented Generation · API = Application Programming Interface · AI = Artificial Intelligence · PII = Personally Identifiable Information54 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Servicios · SageMaker
Componentes clave de SageMaker
Componente
Qué hace
Studio
IDE unificado para todo el ciclo de ML.
JumpStart
Catálogo de modelos preentrenados, incl. FMs open source, listos para desplegar o afinar.
Canvas
ML sin código — para usuarios de negocio, no data scientists.
Ground Truth
Etiquetado de datos, humano + asistido por ML.
Feature Store
Repositorio centralizado de features para entrenar/servir modelos.
Model Monitor
Detecta drift y degradación del modelo en producción.
Pipelines
Automatiza el flujo completo: datos → entrenamiento → despliegue.
Componentes de SageMakerIDE = Integrated Development Environment · ML = Machine Learning · FM = Foundation Model55 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Servicios · Gobierno de modelos
SageMaker: gobierno de modelos
Feature
Para qué sirve
Model Cards
Documenta cada modelo: usos previstos, riesgo, datos de entrenamiento y resultados de evaluación.
Model Dashboard
Vista central de todos tus modelos: despliegue, uso y desempeño.
Model Monitor
Vigila la calidad de datos y del modelo en producción; detecta drift.
Role Manager
Define permisos por rol de ML (data scientist, MLOps) con plantillas.
Model Registry
Versiona modelos y controla su aprobación antes de desplegar.
Clarify
Mide sesgo y explica predicciones (ver Dominio 4).
→ Regla de examen
"Registro con usos previstos y riesgos" = Model Cards. "Ver todos los modelos en un lugar" = Dashboard. "Detectar drift" = Monitor. "Permisos por rol" = Role Manager.
Gobierno de modelos en SageMakerML = Machine Learning · MLOps = ML Operations56 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Proceso · No confundir con el ciclo de ML
El ciclo de vida de un Foundation Model
01
Selección de datos
Datos masivos, diversos y de calidad para el pre-entrenamiento.
Datos
02
Selección del modelo
Elegir el FM base según caso de uso, tamaño y costo.
Diseño
03
Pre-entrenamiento
Aprendizaje general con datos masivos — lo hacen los grandes labs.
Modelo
04
Adaptación
Prompt engineering, RAG o fine-tuning, según el caso.
Modelo
05
Evaluación
Coherencia, relevancia, toxicidad — más allá de precision/recall.
Modelo
06
Despliegue
Servir el modelo vía API (Bedrock) o endpoint (SageMaker).
Producción
07
Monitoreo y feedback
Feedback humano (RLHF), reentrenar o reajustar.
Producción
Ciclo de vida de un FMML = Machine Learning · FM = Foundation Model · RAG = Retrieval Augmented Generation · API = Application Programming Interface · RLHF = Reinforcement Learning from Human Feedback57 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Adaptación · Más allá del fine-tuning básico
Variantes de fine-tuning
Técnica
Qué hace
Datos
Fine-tuning
Ajusta los pesos del modelo para una tarea o estilo específico.
Etiquetados (prompt → respuesta).
Instruction tuning
Fine-tuning con instrucciones y respuestas para que siga órdenes mejor.
Etiquetados (instrucción → respuesta).
Continued pre-training
Sigue preentrenando con texto del dominio (jerga legal, médica, financiera).
Sin etiquetar, gran volumen.
Transfer learning
Reutiliza un modelo entrenado en una tarea como punto de partida para otra.
Pocos datos de la nueva tarea.
Distillation
Un modelo grande ("profesor") enseña a uno pequeño ("alumno"): más barato y rápido.
Salidas del modelo grande.
→ Calidad de datos
Para adaptar un FM importa más la calidad que el volumen: datos curados, representativos y sin sesgos.
Variantes de fine-tuningFM = Foundation Model58 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Fine-tuning · Datos nuevos
Mantener un FM actualizado
Enfoque
Cómo lo actualiza
Cuándo
RAG
Consulta datos nuevos al responder; no cambia el modelo.
Información vigente y barata: primera opción.
Continued pre-training
Sigue preentrenando con datos nuevos sin etiquetar (la guía lo llama continuous pre-training).
Dominio o jerga que cambia; mucho texto sin etiquetar.
Fine-tuning periódico
Reentrena con datos etiquetados nuevos (prompt–respuesta).
Cambiar tarea, estilo o formato.
Entrenamiento "estático"
Se entrena una vez y el conocimiento queda congelado.
Es el que NO se actualiza solo.
→ Trampa de vocabulario
Los distractores juegan con términos como static. "Siempre actualizado con datos nuevos sin etiquetar" = continued (continuous) pre-training.
Mantener un FM actualizadoFM = Foundation Model · RAG = Retrieval Augmented Generation59 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Fine-tuning · Feedback humano
Mejorar con feedback: RLHF
1 · Recolectar
Personas califican o comparan respuestas (pulgar arriba o abajo, ranking de dos respuestas).
2 · Modelo de recompensa
Con esas preferencias se entrena un reward model que puntúa qué tan buena es una respuesta.
3 · Ajustar con RL
El FM se optimiza con aprendizaje por refuerzo para maximizar esa recompensa: respuestas más útiles y seguras.
En el examen
"Mejorar con feedback humano / alinear a preferencias" = RLHF. Es supervisión humana, no mejora automática sin control.
→ Regla de examen
Si dicen "mejora automática" sin feedback humano, piensa en MLOps (monitoreo + reentrenamiento). Si hablan de feedback de usuarios, es RLHF.
RLHF y feedback de usuariosRLHF = Reinforcement Learning from Human Feedback · FM = Foundation Model · MLOps = ML Operations60 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Evaluación · Métricas automáticas
Evaluar un FM: ROUGE, BLEU, BERTScore
Métrica
Tarea típica
Cómo compara
ROUGE
Resumen de texto
Solapamiento de palabras/n-gramas entre el resumen del modelo y uno de referencia.
BLEU
Traducción
Coincidencia de n-gramas con traducciones de referencia (enfocada en precisión).
BERTScore
Cualquier generación
Similitud semántica vía embeddings: capta el significado, no solo las palabras exactas.
→ Regla de examen
Resumir → ROUGE. Traducir → BLEU. Comparar significado → BERTScore. Precision/recall/F1 no sirven para texto generado libre.
Métricas de evaluación de FMFM = Foundation Model · ROUGE = Recall-Oriented Understudy for Gisting Evaluation · BLEU = Bilingual Evaluation Understudy · BERTScore = similitud semántica con embeddings BERT61 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Evaluación · Más allá de las métricas
Evaluación humana, benchmarks y Bedrock
Evaluación humana
Personas califican coherencia, relevancia, tono y utilidad — lo que las métricas automáticas no capturan.
Benchmark datasets
Conjuntos estándar (ej. GLUE, MMLU, HELM) para comparar modelos de forma objetiva.
Bedrock Model Evaluation
Evalúa modelos de forma automática o con revisores humanos: exactitud, robustez, toxicidad.
Qué evaluar
Calidad de la respuesta, relevancia, alucinación, toxicidad, costo y latencia — según el caso de negocio.
Evaluación humana y BedrockGLUE = General Language Understanding Evaluation · MMLU = Massive Multitask Language Understanding · HELM = Holistic Evaluation of Language Models62 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Evaluación · Negocio y aplicaciones
LLM-as-a-judge y métricas de negocio
LLM-as-a-judge
Un LLM puntúa las respuestas de otro modelo (calidad, relevancia, tono): más barato y rápido que personas.
Evaluar RAG y agents
No basta con el modelo: también se mide qué tan bien recupera el contexto y si el agente completa la tarea.
Alineación con el negocio
Task completion rate, user satisfaction y cost per interaction.
Productividad y engagement
Tiempo ahorrado, uso recurrente y adopción por los usuarios.
LLM-as-a-judge y métricas de negocioLLM = Large Language Model · RAG = Retrieval Augmented Generation63 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Bedrock · RAG administrado
Knowledge Bases — RAG sin construirlo tú
Elemento
Qué configuras tú
Fuente de datos
Un bucket S3 con tus documentos.
Vector store
OpenSearch Serverless, Aurora PostgreSQL, Neptune Analytics, Pinecone, Redis o MongoDB.
Filtros de responsible AI (contenido, PII, grounding).
JumpStart
Catálogo de modelos preentrenados en SageMaker.
Canvas
ML sin código, para usuarios de negocio.
On-Demand vs. Provisioned
Pago por uso vs. capacidad reservada garantizada.
Tabla finalFM = Foundation Model · RAG = Retrieval Augmented Generation · API = Application Programming Interface · AI = Artificial Intelligence · PII = Personally Identifiable Information · ML = Machine Learning73 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Cierre · Bedrock y SageMaker
Listo para el siguiente dominio.
Siguiente bloque: Dominio 4 — Guías de IA responsable (fairness, transparencia, explicabilidad).
Correo
dhgutierrezcu@gmail.com
Web
hugogutierrez.pe
CierreIA = Inteligencia Artificial74 / 110
HGHugo Gutierrez
Repaso personal · Lima, Perú
AWS AIF-C01 · 2026
AWS AIF-C01
Guías de IA responsable
Repaso para el examen AWS Certified AI Practitioner. Bias, fairness, explicabilidad y las herramientas concretas que AWS ofrece para gobernarlo.
Dominio
4 · IA responsable
Bloque
Fairness, explicabilidad, gobernanza
Formato
Apunte de repaso
Recurso
hugogutierrez.pe
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Repaso · Agenda
Qué cubre este repaso
01
Los 8 pilares de Responsible AI
El marco que AWS usa para todo el dominio.
Marco
02
Bias, Fairness y datasets
De dónde viene el sesgo, cómo se mide y cómo se evita.
Concepto
03
Explainability vs. Performance
El trade-off de la caja negra.
Concepto
04
Herramientas de AWS
Clarify, SHAP, Model Cards, AI Service Cards, Guardrails.
Servicios
05
Gobernanza y memorización
Human-in-the-loop, A2I, riesgos legales y ambientales + resumen.
Que el modelo no discrimine sistemáticamente a un grupo.
Explainability
Poder explicar por qué el modelo dio una predicción.
Privacy & Security
Proteger los datos usados para entrenar e inferir.
Safety
Evitar daño físico, psicológico o social por el uso del sistema.
Controllability
Poder intervenir, ajustar o detener el sistema.
Veracity & Robustness
Resultados consistentes y correctos, incluso ante inputs inusuales.
Governance
Políticas, procesos y responsables claros sobre el uso de IA.
Transparency
Comunicar cómo y con qué datos se construyó el sistema.
Los 8 pilaresAI = Artificial Intelligence · IA = Inteligencia Artificial77 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Concepto · De dónde viene el sesgo
Bias — tres orígenes
Tipo
Dónde entra
Sampling bias
La muestra de datos de entrenamiento no representa a la población real.
Measurement bias
La forma de medir o etiquetar los datos introduce distorsión sistemática.
Observer bias
El criterio humano usado para etiquetar ya viene con sesgo propio.
Idea clave
El bias puede colarse en tres puntos distintos: los datos, el algoritmo, o el humano que interpreta el resultado. No es un problema que se resuelve una sola vez.
Bias78 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Concepto · Medir la equidad
Fairness — equidad entre grupos
Qué mide
Si el modelo tiene el mismo desempeño (accuracy, recall) entre subgrupos.
Subgrupos típicos
Género, edad, región, raza, nivel socioeconómico.
Cómo se detecta
Comparando métricas del modelo por subgrupo, no solo el agregado.
Herramienta AWS
SageMaker Clarify — mide bias antes y después del entrenamiento.
Trampa de examen
Un modelo puede tener alta accuracy global y aun así ser injusto — si falla mucho más en un subgrupo específico, el promedio lo esconde.
Fairness79 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Concepto · Datos
Datasets responsables
Inclusivo
Representa a todos los grupos que usarán o serán afectados por el modelo.
Diverso
Variedad de perfiles, contextos y casos — evita que el modelo funcione solo para un segmento.
Curado
Fuentes revisadas y confiables, con calidad y origen documentados.
Balanceado
Sin sobre o sub-representación de clases o grupos demográficos.
Datasets responsables80 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Concepto · Sesgo en los datos
Tipos de sesgo en los datos
Sesgo
Qué es
Ejemplo
Selección
La muestra no representa a la población donde se usará el modelo.
Entrenar solo con clientes que ya compraron.
Representación
Algunos grupos tienen muy pocos datos.
Pocas mujeres en datos de contratación.
Histórico
Los datos reflejan desigualdades pasadas.
Créditos negados en el pasado a cierto grupo.
Medición o etiquetado
Las etiquetas o los sensores son imprecisos o subjetivos.
Etiquetas asignadas con criterios distintos.
→ Trampa de examen
Elegir solo a quienes ya compraron es sesgo de selección, no overfitting. La muestra debe ser diversa y representar a toda la población donde se usará.
Tipos de sesgo en los datos81 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Trade-off · La caja negra
Explainability vs. Performance
Aspecto
Modelo interpretable
Modelo "caja negra"
Ejemplos
Regresión lineal/logística, árboles pequeños.
Deep learning, ensembles, Foundation Models.
Explicabilidad
Alta — coeficientes legibles por variable (ej. regresión logística).
Baja — difícil saber por qué llegó a esa respuesta.
Performance
Generalmente menor en problemas complejos.
Generalmente mayor en problemas complejos.
Cuándo priorizar
Sectores regulados: crédito, salud, justicia.
Cuando la precisión importa más que justificar cada decisión.
Explainability vs Performance82 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Herramienta · SageMaker
SageMaker Clarify
Función
Qué hace
Detección de bias
Analiza los datos de entrenamiento y las predicciones en busca de sesgo hacia subgrupos.
AWS certifica su infraestructura — el cliente sigue siendo responsable de su propio compliance.
ComplianceISO = International Organization for Standardization · SOC = System and Organization Controls · PCI-DSS = Payment Card Industry Data Security Standard102 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Compliance · Auditoría y cumplimiento
Servicios de cumplimiento y auditoría
Servicio
Qué hace
AWS Config
Registra la configuración de tus recursos y detecta cambios que violan reglas.
Amazon Inspector
Escanea vulnerabilidades automáticamente en EC2, contenedores y Lambda.
AWS Audit Manager
Recolecta evidencia de forma continua para auditorías y frameworks de compliance.
AWS Trusted Advisor
Recomendaciones de seguridad, costo, rendimiento y límites de servicio.
AWS Artifact
Portal de reportes de cumplimiento de AWS (SOC, ISO, PCI) y acuerdos.
→ Cómo distinguirlos
Config = ¿cómo está configurado? · Inspector = ¿tiene vulnerabilidades? · Audit Manager = evidencia para auditoría · Artifact = reportes de AWS.
Servicios de auditoríaEC2 = Elastic Compute Cloud · SOC = System and Organization Controls · ISO = International Organization for Standardization · PCI-DSS = Payment Card Industry Data Security Standard103 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Gobernanza · Datos
Gobernanza de datos
Ciclo de vida
Creación, uso, archivo y eliminación del dato — cada etapa con reglas propias.
Residencia de datos
En qué región/país se almacenan — clave para regulación local.
Linaje de datos
Trazabilidad del origen y las transformaciones que sufrió el dato.
Monitoreo de datos
Vigilar calidad y uso continuo, no solo al momento de ingesta.
Gobernanza de datos104 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Datos · Ingeniería segura
Ingeniería de datos segura
Calidad de datos
Datos completos, precisos y representativos — un modelo es tan bueno como sus datos.
Privacidad
Anonimización, enmascaramiento y encriptación para proteger datos personales.
Control de acceso
Mínimo privilegio con IAM: solo quien lo necesita puede leer o modificar los datos.
Integridad
Los datos no se alteran sin autorización — versionado, checksums y auditoría de cambios.
Ingeniería de datos seguraIAM = Identity and Access Management105 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Datos · Fuga de información
Modelo entrenado con datos confidenciales
Situación
Qué se hace
Prevención (lo ideal)
Gobernanza antes de entrenar: clasificar datos, excluir o anonimizar los confidenciales y dar mínimo privilegio. Macie descubre datos sensibles en S3.
Ya entrenaste con ellos
Bloquear salidas con Guardrails (sensitive information, denied topics, word filters). Es un parche: el dato sigue en el modelo.
Solución de fondo
Quitar los datos del dataset y reentrenar o volver a afinar: no hay forma sencilla de borrar un dato de un modelo ya entrenado.
Mejor arquitectura
No entrenar con ellos: déjalos en una base de conocimiento (RAG) con permisos por usuario; cifra con KMS.
→ Regla de examen
"Bloquear respuestas ya, sin reentrenar" = Guardrails. "Evitar que el modelo los aprenda" = excluir o anonimizar antes. "Ya se entrenó mal" = reentrenar. Eliminar el modelo casi nunca es la respuesta.
Datos confidenciales en un modeloS3 = Simple Storage Service · RAG = Retrieval Augmented Generation · KMS = Key Management Service106 / 110
HG Hugo Gutierrez AWS AIF-C01 · AI Practitioner
Repaso · Memorización
Seguridad y gobernanza, de un vistazo
Concepto
En una frase
Shared Responsibility
AWS asegura la nube, tú aseguras lo que pones en ella.
D3 y D2 suman 52% del examen: es donde más rinde estudiar. Datos sujetos a cambio — confirma en aws.amazon.com/certification.