Estrategia de examen AWS AIF-C01
AIF-C01 no se prepara como un examen de configuración paso a paso. La certificación busca validar que entiendes los fundamentos de inteligencia artificial, machine learning, IA generativa, modelos fundacionales, responsabilidad, seguridad y gobernanza en AWS. Por eso, la estrategia correcta no consiste en memorizar una lista de servicios, sino en aprender a reconocer qué problema plantea cada escenario y qué decisión sería más adecuada.
En este examen vas a encontrar preguntas conceptuales, preguntas de aplicación práctica y escenarios donde aparecen varias opciones aparentemente razonables. Algunas respuestas son técnicamente correctas, pero no son la mejor elección para el requisito planteado. La clave está en leer con calma, identificar el objetivo real y descartar opciones que añaden complejidad, riesgo o coste sin necesidad.
Cómo debes leer una pregunta del examen
Antes de mirar las opciones, intenta clasificar la pregunta. Esto reduce mucho el riesgo de elegir una respuesta que suena bien, pero no responde al escenario. En AIF-C01, muchas preguntas se pueden ordenar con cuatro preguntas sencillas:
- ¿Qué quiere conseguir la organización? Puede ser clasificar datos, generar texto, resumir documentos, detectar fraude, automatizar atención al cliente, mejorar búsquedas, controlar riesgos o cumplir una política interna.
- ¿Qué tipo de dato aparece? Texto, imagen, audio, vídeo, datos tabulares, series temporales, documentos internos, datos sensibles o información no estructurada.
- ¿Qué familia de solución encaja mejor? IA generativa, machine learning supervisado, aprendizaje no supervisado, servicios de IA administrados, RAG, agentes, fine-tuning o controles de gobierno.
- ¿Qué restricción condiciona la respuesta? Coste, latencia, privacidad, residencia de datos, explicabilidad, sesgo, cumplimiento, seguridad o facilidad de implementación.
Este orden es importante. Si empiezas por las opciones, es fácil dejarse llevar por nombres conocidos como Amazon Bedrock, Amazon SageMaker o Amazon Q. Si empiezas por el problema, normalmente la respuesta correcta se vuelve más evidente.
Ejemplo de razonamiento
Si una empresa quiere crear un asistente que responda preguntas usando documentación interna actualizada, la palabra clave no es solo “chatbot”. Debes pensar en información corporativa, contexto externo, actualización del conocimiento y trazabilidad de fuentes. Eso te lleva a RAG, bases de conocimiento, embeddings y servicios como Amazon Bedrock. En cambio, si el problema es predecir la probabilidad de abandono de un cliente a partir de datos históricos, probablemente estás ante un caso de machine learning tradicional.
Prioriza el estudio según el peso real del examen
Todos los dominios importan, pero no todos tienen el mismo peso. El Dominio 3, centrado en aplicaciones de modelos fundacionales, es el bloque más relevante. Después vienen los fundamentos de IA generativa y los fundamentos de IA/ML. Los dominios de IA responsable y seguridad/gobernanza tienen menos peso porcentual, pero son muy importantes porque aparecen como restricciones dentro de escenarios de otros dominios.
| Prioridad | Dominio | Qué debes dominar |
|---|---|---|
| Muy alta | Dominio 3 · Modelos fundacionales | Selección de modelos, parámetros de inferencia, RAG, bases vectoriales, agentes, prompt engineering, personalización y evaluación. |
| Alta | Dominio 2 · IA generativa | Tokens, embeddings, vectores, LLM, modelos fundacionales, modelos multimodales, ventajas, limitaciones y servicios AWS para GenAI. |
| Alta | Dominio 1 · IA y ML | Diferencias entre IA, ML y deep learning, tipos de datos, aprendizaje supervisado/no supervisado/refuerzo, casos de uso y ciclo de vida ML. |
| Media | Dominio 4 · IA responsable | Sesgo, equidad, inclusividad, veracidad, transparencia, explicabilidad, sostenibilidad, riesgos legales y herramientas como Guardrails y SageMaker Clarify. |
| Media | Dominio 5 · Seguridad y gobernanza | IAM, cifrado, privacidad, linaje de datos, prompt injection, auditoría, cumplimiento, CloudTrail, AWS Config, Audit Manager, Artifact y Trusted Advisor. |
Distractores habituales en AIF-C01
Un distractor es una opción diseñada para parecer correcta. En AIF-C01 muchos distractores funcionan porque mezclan términos reales de IA con decisiones poco adecuadas para el escenario. Estos son los más comunes:
Elegir IA generativa para todo
No todos los problemas necesitan un LLM. Para clasificación, predicción numérica, detección de anomalías o segmentación, el machine learning tradicional puede ser más adecuado, más barato y más fácil de controlar.
Confundir RAG con fine-tuning
RAG aporta conocimiento externo en tiempo de consulta. Fine-tuning ajusta el comportamiento del modelo con entrenamiento adicional. Si el problema es consultar documentación interna cambiante, normalmente RAG encaja mejor.
Olvidar seguridad y privacidad
Cuando aparecen datos sensibles, información interna o requisitos regulatorios, no basta con elegir el modelo. Hay que pensar en cifrado, control de acceso, residencia, retención, auditoría y protección frente a uso indebido.
Confundir entrenamiento con inferencia
Entrenar crea o ajusta un modelo. Inferir usa un modelo ya disponible para generar una predicción, clasificación o respuesta. Muchas preguntas se resuelven simplemente separando bien estos dos conceptos.
Cómo estudiar cada tipo de tema
No todos los contenidos se estudian igual. Algunos conceptos conviene entenderlos con definiciones claras; otros se aprenden mejor comparando escenarios. Para avanzar de forma ordenada, usa este enfoque:
- Para conceptos básicos: aprende a explicar con tus palabras IA, ML, deep learning, entrenamiento, inferencia, algoritmo, modelo, datos etiquetados, datos no etiquetados, sesgo y LLM.
- Para servicios AWS: no memorices solo nombres. Asocia cada servicio con un caso de uso: Bedrock para aplicaciones con modelos fundacionales, SageMaker para ciclo de vida ML, Comprehend para NLP, Transcribe para voz a texto, Translate para traducción, Polly para texto a voz.
- Para IA generativa: entiende tokens, embeddings, vectores, temperatura, longitud de entrada/salida, prompts, alucinaciones, falta de determinismo y evaluación de respuestas.
- Para seguridad y gobierno: piensa siempre en controles: identidad, permisos, cifrado, auditoría, linaje, residencia, retención, supervisión y cumplimiento.
Regla práctica para diferenciar servicios y enfoques
En el examen no siempre te preguntarán “qué servicio hace esto”. A veces te presentarán una necesidad y tendrás que elegir el enfoque más apropiado. Estas asociaciones te ayudarán a razonar:
| Necesidad del escenario | Enfoque probable | Pista de examen |
|---|---|---|
| Responder preguntas usando documentos internos | RAG con modelo fundacional | Busca menciones a conocimiento actualizado, fuentes internas o base documental. |
| Generar texto, resumir o crear contenido | IA generativa con modelos fundacionales | Suelen aparecer Bedrock, LLM, prompts, tokens o modelos multimodales. |
| Predecir un valor o clasificar registros | Machine learning supervisado | Normalmente hay datos históricos y una variable objetivo conocida. |
| Agrupar clientes o detectar patrones sin etiquetas | Aprendizaje no supervisado | La pista suele ser que no existen etiquetas previas o categorías definidas. |
| Controlar sesgo, equidad o explicabilidad | IA responsable | Piensa en evaluación humana, auditorías, SageMaker Clarify, Model Monitor o model cards. |
Plan de estudio recomendado
Si empiezas desde cero, no saltes directamente a RAG, agentes o prompt engineering avanzado. Primero necesitas una base mínima de IA y ML. Después podrás entender mejor por qué la IA generativa es diferente y qué problemas introduce.
- Primera vuelta: lee todos los módulos para entender el mapa general. No intentes memorizarlo todo.
- Segunda vuelta: vuelve a los conceptos que más se repiten: IA vs ML vs deep learning, inferencia, tipos de datos, tokens, embeddings, RAG, Bedrock, SageMaker, sesgo y seguridad.
- Tercera vuelta: practica preguntas por dominio. En cada error, apunta si fallaste por concepto, por servicio, por leer rápido o por confundir dos enfoques.
- Última semana: repasa únicamente tus errores, servicios clave y tablas comparativas. No intentes abrir temas nuevos el último día.
Cómo saber si ya estás preparado
Vas por buen camino cuando puedes leer un escenario y explicar por qué una solución encaja mejor que otra. No basta con decir “usaría Bedrock” o “usaría SageMaker”. Debes poder justificarlo: por el tipo de dato, el objetivo, el nivel de personalización, el coste, la privacidad, la latencia o el gobierno.
Antes de presentarte, deberías poder responder con seguridad a estas preguntas:
- ¿Qué diferencia hay entre IA, machine learning, deep learning e IA generativa?
- ¿Cuándo conviene usar un servicio de IA administrado frente a entrenar un modelo personalizado?
- ¿Qué problema resuelve RAG y por qué no es lo mismo que fine-tuning?
- ¿Qué son tokens, embeddings y vectores?
- ¿Por qué un modelo puede alucinar y cómo se puede reducir ese riesgo?
- ¿Qué controles mínimos necesita una solución de IA que usa datos internos?
- ¿Qué significa que un modelo sea explicable o transparente?
- ¿Qué servicios de AWS aparecen asociados a seguridad, cumplimiento y auditoría?
Resumen final
La estrategia para AIF-C01 debe combinar tres cosas: comprender conceptos, reconocer patrones de examen y conectar servicios AWS con casos de uso reales. Si estudias cada módulo pensando en decisiones, riesgos y restricciones, el examen se vuelve mucho más manejable.
Tu siguiente paso es entrar en el Dominio 1. Ahí construirás la base que necesitas para entender el resto del curso: qué es IA, qué es machine learning, cómo se diferencian los principales enfoques y cómo se aplican a problemas reales.