Dominio 3 · Aplicaciones de modelos fundacionales

El Dominio 3 es el bloque con más peso del examen AIF-C01. Aquí AWS espera que entiendas cómo se diseñan aplicaciones reales con modelos fundacionales: cómo elegir un modelo, cuándo usar RAG, cómo construir prompts efectivos, qué significa personalizar un modelo, cómo evaluar su rendimiento y qué compromisos aparecen entre calidad, coste, latencia, seguridad y gobierno.

1. Qué cubre realmente este dominio

Este dominio no se queda en definir qué es un modelo fundacional. Se centra en cómo usarlo dentro de una aplicación. El examen puede describirte un asistente documental, una aplicación de soporte, un agente que ejecuta acciones, un sistema de búsqueda semántica o un caso donde el modelo responde bien pero necesita más control. Tu objetivo es identificar qué patrón de diseño encaja mejor.

2. Modelo fundacional no es lo mismo que aplicación

Un modelo fundacional es una pieza central, pero una solución de IA generativa en producción necesita mucho más: autenticación, autorización, fuentes de datos, recuperación de contexto, validación, guardrails, observabilidad, métricas, experiencia de usuario y gobierno.

3. Criterios para elegir un modelo fundacional

Una de las trampas más habituales del examen es asumir que el modelo más grande es siempre el mejor. En producción, la elección del modelo debe responder al caso de uso. Un modelo grande puede dar más calidad en tareas complejas, pero también puede aumentar coste y latencia. Un modelo más pequeño puede ser suficiente para clasificación simple, extracción estructurada o respuestas internas controladas.

4. Parámetros de inferencia: cómo afectan a la respuesta

Los parámetros de inferencia permiten ajustar cómo responde el modelo en tiempo de ejecución. No cambian el entrenamiento del modelo, pero sí influyen en la variabilidad, longitud y comportamiento de las respuestas.

5. RAG: el patrón clave para conocimiento externo o cambiante

Retrieval Augmented Generation, o RAG, combina búsqueda de información con generación. La aplicación primero recupera fragmentos relevantes de una fuente autorizada y después los entrega al modelo como contexto para generar una respuesta. Es uno de los conceptos más importantes de AIF-C01.

Flujo típico de RAG

1. Ingesta de documentos: manuales, políticas, PDFs, páginas internas, tickets o documentación.
2. Chunking: división de documentos en fragmentos adecuados.
3. Embeddings: conversión de fragmentos en vectores numéricos que representan significado.
4. Almacenamiento vectorial: persistencia de embeddings y metadatos en una base vectorial.
5. Retrieval: búsqueda de fragmentos semánticamente relevantes para la pregunta.
6. Generación: el modelo responde usando la pregunta y el contexto recuperado.

6. Bases vectoriales y servicios AWS relacionados

Las bases vectoriales almacenan embeddings y permiten búsquedas por similitud semántica. AIF-C01 puede preguntarte por servicios que ayudan a almacenar o consultar embeddings. En AWS pueden aparecer opciones como Amazon OpenSearch Service, Amazon Aurora, Amazon RDS for PostgreSQL y Amazon Neptune, además de patrones administrados como Knowledge Bases for Amazon Bedrock.

7. Prompt engineering: guiar sin reentrenar

Prompt engineering consiste en diseñar la entrada al modelo para obtener respuestas más útiles, consistentes y seguras. Es la primera palanca que suele probarse cuando el problema es de formato, tono, estilo, instrucciones o comportamiento simple.

8. Personalización: in-context learning, RAG, fine-tuning y entrenamiento

No todas las formas de personalización tienen el mismo coste ni el mismo objetivo. AIF-C01 espera que entiendas los compromisos de coste y complejidad entre enfoques.

9. Evaluación de modelos fundacionales

Evaluar un FM no consiste solo en comprobar si “suena bien”. Hay que medir si responde correctamente, si respeta el formato, si evita contenido inseguro, si se ajusta a las fuentes, si no revela información sensible y si el coste/latencia encajan con el negocio.

10. Diseño de agentes y acciones

Un agente de IA no solo responde: puede decidir qué herramienta usar, llamar APIs, consultar sistemas internos o ejecutar acciones. Esto aumenta el valor, pero también el riesgo. Un agente que crea pedidos, abre tickets o modifica datos necesita validación, permisos mínimos, confirmación explícita y auditoría.

11. Servicios AWS que suelen aparecer en este dominio

12. Cómo resolver preguntas del Dominio 3

13. Errores frecuentes en el examen

• Elegir siempre el modelo más grande. Puede ser caro y lento sin aportar mejora suficiente.
• Usar fine-tuning para documentos que cambian a menudo. Para conocimiento cambiante suele encajar mejor RAG.
• Confiar solo en el prompt para seguridad. Los controles de acceso, guardrails y auditoría siguen siendo necesarios.
• Meter demasiados documentos en contexto. Aumenta coste, latencia y ruido; RAG debe recuperar fragmentos relevantes.
• No evaluar antes de producción. Una demo fluida no demuestra calidad, factualidad, seguridad ni valor de negocio.

Resumen final

El Dominio 3 trata de convertir modelos fundacionales en aplicaciones útiles. Para aprobar AIF-C01, debes saber elegir modelos según requisitos reales, aplicar prompt engineering, usar RAG cuando el conocimiento sea externo o cambiante, entender cuándo tendría sentido fine-tuning y evaluar modelos con criterios técnicos, de seguridad y de negocio.

Recuerda la regla práctica: prompt engineering guía el comportamiento inmediato, RAG aporta conocimiento actualizado, fine-tuning adapta comportamiento con ejemplos, y evaluación valida si la solución es suficientemente buena para producción.