Casos de uso de IA y servicios administrados de AWS
Este módulo te enseña a reconocer cuándo una solución de inteligencia artificial o machine learning tiene sentido, cuándo conviene usar un servicio administrado de AWS y cuándo una regla tradicional o una automatización simple sería suficiente. Para el examen AWS Certified AI Practitioner AIF-C01, este tema es clave porque AWS no espera que entrenes modelos complejos desde cero, sino que sepas identificar el caso de uso, el tipo de problema, el servicio adecuado y las limitaciones de la solución.
1. Cómo decidir si IA/ML aporta valor
IA y ML aportan valor cuando existe un patrón que puede aprenderse desde datos o cuando una tarea basada en lenguaje, imagen, audio o conocimiento requiere automatización inteligente. No siempre son la mejor opción. Si el problema puede resolverse con una regla exacta, una consulta SQL, una validación simple o un workflow tradicional, usar IA puede añadir coste, riesgo y complejidad innecesaria.
Cuando hay patrones históricos, incertidumbre, datos no estructurados, necesidad de predicción, clasificación, detección de anomalías, recomendaciones, análisis de lenguaje o automatización de tareas cognitivas.
Cuando la lógica es completamente determinista, las reglas son simples, los datos son insuficientes, el riesgo de error es inaceptable o se necesita una explicación exacta y auditable paso a paso.
Un caso de ML depende de datos de calidad. Sin datos representativos, actualizados y gobernados, el modelo puede aprender patrones incompletos, sesgados o directamente incorrectos.
La solución debe mejorar una métrica real: reducir tiempo, aumentar precisión, mejorar experiencia de cliente, bajar coste operativo, detectar riesgos antes o aumentar ingresos.
2. Mapa rápido: necesidad de negocio → tipo de problema
En el examen es muy habitual que AWS describa un caso de negocio y espere que identifiques el tipo de problema de IA/ML. Esta tabla resume los patrones más importantes.
| Necesidad del escenario | Tipo de problema | Ejemplo |
|---|---|---|
| Predecir una categoría | Clasificación | Determinar si un email es spam o no spam, si una operación es fraude o no fraude, o si un ticket es urgente, medio o bajo. |
| Predecir un número | Regresión | Estimar precio de una vivienda, tiempo de entrega, consumo energético o importe esperado de una factura. |
| Agrupar sin etiquetas | Clustering / aprendizaje no supervisado | Segmentar clientes por comportamiento de compra sin categorías definidas previamente. |
| Detectar comportamientos raros | Detección de anomalías | Identificar picos extraños de gasto, accesos inusuales o métricas operativas fuera de patrón. |
| Predecir valores futuros en el tiempo | Forecasting | Previsión de demanda, ventas, inventario o tráfico. |
| Entender texto o lenguaje | NLP | Analizar sentimiento, extraer entidades, clasificar documentos o resumir texto. |
| Interpretar imágenes o vídeo | Computer vision | Detectar objetos, moderar imágenes, reconocer etiquetas o analizar contenido visual. |
| Generar contenido nuevo | IA generativa | Crear respuestas, resúmenes, borradores, código, explicaciones o asistentes conversacionales. |
3. Casos de uso de clasificación
La clasificación consiste en asignar una entrada a una categoría. Puede ser binaria, cuando solo hay dos clases, o multiclase, cuando existen varias categorías posibles. Es uno de los casos más frecuentes en preguntas de examen.
Ejemplos típicos de clasificación:
- Clasificar correos como spam o legítimos.
- Determinar si una reseña es positiva, neutral o negativa.
- Priorizar tickets como críticos, altos, medios o bajos.
- Identificar si una imagen contiene contenido permitido o no permitido.
- Clasificar documentos por tipo: factura, contrato, reclamación o formulario.
4. Casos de uso de regresión
La regresión predice un valor numérico continuo. La pista suele estar en el resultado esperado: precio, minutos, cantidad, importe, temperatura, consumo o probabilidad expresada como valor.
| Escenario | Por qué es regresión | Qué no debes confundir |
|---|---|---|
| Predecir el precio de venta de un producto. | La salida es un número. | No es clasificación salvo que el resultado sean rangos como bajo/medio/alto. |
| Estimar tiempo de entrega en minutos. | La salida es un valor continuo. | No es forecasting si no se analiza una serie temporal agregada. |
| Calcular demanda esperada por tienda. | Puede ser regresión o forecasting según el enfoque temporal. | Si el enunciado habla de histórico temporal y futuro, piensa en forecasting. |
5. Forecasting: predicción basada en el tiempo
Forecasting se usa cuando el dato tiene una dimensión temporal clara y se quiere estimar un valor futuro. No se trata solo de predecir un número, sino de usar patrones de series temporales: estacionalidad, tendencias, ciclos, eventos y comportamiento histórico.
En AWS, históricamente Amazon Forecast ha sido el servicio administrado asociado a predicción de series temporales. Para AIF-C01, lo importante no es memorizar todas las configuraciones, sino reconocer el patrón: si el escenario habla de demanda futura, histórico temporal y previsión, estás ante forecasting.
6. Detección de anomalías
La detección de anomalías identifica comportamientos inusuales respecto a un patrón esperado. Es útil cuando no siempre sabes de antemano qué forma tendrá el problema, pero sí puedes detectar desviaciones.
Picos de latencia, errores, consumo anormal, patrones de tráfico raros o métricas de infraestructura fuera de lo esperado.
Transacciones inusuales, gasto inesperado, fraude potencial o movimientos que se separan del comportamiento habitual.
Lecturas anómalas de sensores, vibración, temperatura, presión o señales de mantenimiento predictivo.
Accesos desde ubicaciones inusuales, cambios de patrón o actividad que se aleja del comportamiento normal.
7. NLP: lenguaje natural
Natural Language Processing, o NLP, se centra en entender, analizar o transformar lenguaje humano. Es clave para analizar texto, extraer información de documentos y automatizar procesos basados en contenido escrito.
| Caso de uso | Qué hace | Servicio AWS que puede aparecer |
|---|---|---|
| Análisis de sentimiento | Detecta si un texto expresa opinión positiva, negativa, neutral o mixta. | Amazon Comprehend. |
| Extracción de entidades | Identifica nombres, organizaciones, ubicaciones, fechas u otros elementos relevantes. | Amazon Comprehend. |
| Extracción de texto de documentos | Lee texto, formularios o tablas desde documentos escaneados. | Amazon Textract. |
| Voz a texto | Convierte audio en transcripción. | Amazon Transcribe. |
| Texto a voz | Convierte texto en audio natural. | Amazon Polly. |
| Traducción | Traduce texto entre idiomas. | Amazon Translate. |
Cómo lo pregunta el examen
Si el escenario dice “analizar opiniones de clientes”, “extraer entidades de reseñas” o “clasificar textos”, piensa en NLP y Amazon Comprehend. Si dice “extraer texto de facturas escaneadas”, piensa en Amazon Textract. Si dice “transcribir llamadas”, piensa en Amazon Transcribe.
8. Visión artificial
Computer vision permite analizar imágenes y vídeo. Se utiliza para detectar objetos, etiquetas, caras, contenido inapropiado, texto en imágenes o patrones visuales.
En AWS, Amazon Rekognition suele aparecer asociado a análisis de imágenes y vídeo. Para documentos escaneados, formularios y tablas, el servicio más alineado suele ser Amazon Textract, porque está diseñado para extracción de texto y estructura documental.
9. Recomendaciones y personalización
Las recomendaciones se usan para sugerir productos, contenido, acciones o elementos relevantes para un usuario. Este patrón aparece en comercio electrónico, medios digitales, formación, entretenimiento y experiencia de cliente.
Un sistema de recomendación puede basarse en comportamiento histórico, similitud entre usuarios, similitud entre elementos o señales contextuales. En AWS, Amazon Personalize suele aparecer asociado a experiencias de recomendación y personalización.
10. IA generativa como caso de uso
La IA generativa se usa cuando el objetivo es crear o transformar contenido: redactar, resumir, responder, explicar, generar código, crear borradores o construir asistentes conversacionales. En AIF-C01, es importante distinguir GenAI de ML clásico.
| Necesidad | Enfoque más probable | Por qué |
|---|---|---|
| Predecir si un cliente abandonará el servicio. | ML clásico / clasificación. | Se predice una categoría o probabilidad a partir de datos históricos. |
| Responder preguntas sobre documentación interna. | GenAI + RAG. | Se genera una respuesta en lenguaje natural basada en fuentes internas. |
| Crear borradores de emails de soporte. | GenAI. | Se genera texto nuevo siguiendo instrucciones y contexto. |
| Predecir ventas del próximo trimestre. | Forecasting. | Se trabaja con histórico temporal y valores futuros. |
11. Servicios administrados de AWS: cómo elegir
Una pregunta de examen puede pedirte elegir un servicio AWS. No necesitas saber implementar cada servicio en detalle, pero sí reconocer qué problema resuelve cada uno a alto nivel.
| Servicio | Cuándo aparece en escenarios | Idea para recordar |
|---|---|---|
| Amazon SageMaker AI | Construir, entrenar, desplegar y gestionar modelos de ML. | Plataforma administrada para ciclo de vida ML. |
| Amazon Bedrock | Crear aplicaciones de IA generativa con modelos fundacionales. | Acceso gestionado a FMs mediante API. |
| Amazon Q | Asistentes generativos para productividad, negocio o desarrollo. | Asistente basado en GenAI. |
| Amazon Comprehend | Análisis de texto: sentimiento, entidades, idioma, clasificación. | NLP administrado. |
| Amazon Rekognition | Análisis de imágenes y vídeo. | Computer vision administrado. |
| Amazon Textract | Extraer texto, tablas y formularios desde documentos. | Document AI / OCR avanzado. |
| Amazon Transcribe | Convertir voz a texto. | Speech-to-text. |
| Amazon Polly | Convertir texto a voz. | Text-to-speech. |
| Amazon Translate | Traducir texto entre idiomas. | Traducción automática. |
| Amazon Personalize | Recomendaciones personalizadas. | Personalización y recomendaciones. |
12. Cuándo usar servicio administrado frente a modelo personalizado
En un nivel Foundational, AWS suele favorecer servicios administrados cuando el caso es estándar y no requiere un modelo propio. Entrenar un modelo personalizado puede ser necesario, pero también implica más datos, más coste, más operación y más responsabilidad.
13. Casos donde IA puede no ser la mejor solución
También debes reconocer cuándo IA no encaja. Muchas preguntas de examen incluyen distractores que proponen IA para problemas que se resuelven mejor con lógica tradicional.
| Escenario | Mejor enfoque | Motivo |
|---|---|---|
| Aplicar un descuento fijo si el cliente supera cierta compra. | Regla de negocio. | Es determinista y explicable. |
| Consultar el estado de un pedido por ID. | Consulta/API tradicional. | No hace falta inferencia ni aprendizaje. |
| Calcular impuestos según una tabla legal exacta. | Sistema determinista validado. | Se requiere exactitud y trazabilidad. |
| Responder preguntas abiertas sobre políticas internas. | GenAI con RAG y controles. | El usuario necesita lenguaje natural y conocimiento documental. |
14. Métricas de éxito por caso de uso
Una solución de IA debe evaluarse con métricas técnicas y métricas de negocio. La mejor métrica depende del caso de uso.
| Caso de uso | Métrica técnica | Métrica de negocio |
|---|---|---|
| Fraude | Precision, recall, F1, falsos positivos y falsos negativos. | Pérdidas evitadas, reducción de fraude, carga de revisión manual. |
| Atención al cliente | Exactitud, relevancia, tasa de resolución, toxicidad. | Tiempo medio de respuesta, satisfacción, resolución en primer contacto. |
| Forecasting | Error de predicción. | Reducción de roturas de stock, exceso de inventario o coste logístico. |
| Recomendaciones | Click-through rate, tasa de conversión, relevancia. | Ingresos, retención, engagement. |
| Extracción documental | Precisión de extracción, campos correctos, tasa de revisión manual. | Tiempo ahorrado, reducción de errores administrativos. |
15. Cómo razonar preguntas tipo examen
Proceso mental recomendado
- Identifica la salida esperada: categoría, número, texto, imagen, recomendación o alerta.
- Determina si hay datos históricos, documentos, imágenes, audio o lenguaje natural.
- Comprueba si el problema requiere exactitud determinista o tolera predicción probabilística.
- Evalúa si hay datos sensibles, riesgo humano, coste, latencia o necesidad de auditoría.
- Elige el servicio o enfoque más simple que cumpla el requisito.
16. Errores frecuentes
- Elegir GenAI para todo. Si la salida es una categoría o un número, puede ser ML clásico.
- Confundir Textract con Rekognition. Textract extrae información de documentos; Rekognition analiza imágenes y vídeo.
- Usar SageMaker AI cuando existe un servicio administrado más directo. Para sentimiento, transcripción o traducción, los servicios especializados pueden ser más adecuados.
- Ignorar datos y métricas. Sin datos suficientes y una métrica clara, el caso de IA no está bien definido.
- Automatizar decisiones sensibles sin revisión. En procesos de impacto humano puede hacer falta supervisión y controles responsables.
Resumen final
Para aprobar AIF-C01, debes ser capaz de leer un escenario y traducirlo a un patrón de IA: clasificación, regresión, forecasting, anomalías, NLP, visión, recomendaciones o IA generativa. Después debes elegir el enfoque de AWS más razonable: servicio administrado si el caso es común, SageMaker AI si necesitas construir y gestionar un modelo propio, o Bedrock si necesitas una aplicación generativa con modelos fundacionales.
Recuerda la idea central: IA aporta valor cuando mejora una decisión, automatiza una tarea compleja o permite trabajar con datos no estructurados. Pero no sustituye a reglas exactas, buen gobierno de datos, seguridad, métricas de negocio ni supervisión humana cuando el caso tiene impacto relevante.