ai 4

(#547) Una empresa global desea traducir automáticamente al japonés, francés y alemán los manuales de producto escritos en inglés. Necesita traducir un gran volumen de documentos mediante procesamiento por lotes. ¿Cuál es el servicio de AWS más adecuado?. Amazon Polly. Amazon Translate. Amazon Comprehend. Amazon Bedrock.

(#548) ¿Cuál de las siguientes opciones ordena las técnicas representativas para adaptar un modelo fundacional a una tarea, de menor a mayor costo y esfuerzo generalmente necesarios?. Preentrenamiento continuado -> ajuste fino -> RAG -> ingeniería de prompts. Ingeniería de prompts -> RAG -> ajuste fino -> preentrenamiento continuado. RAG -> ingeniería de prompts -> preentrenamiento continuado -> ajuste fino. Ajuste fino -> preentrenamiento continuado -> ingeniería de prompts -> RAG.

(#549) Una empresa farmacéutica dispone de una gran cantidad de documentos especializados del ámbito farmacéutico sin etiquetar. Si quiere que el modelo fundacional absorba el vocabulario y el conocimiento propios de este campo, ¿cuál es la técnica de personalización más adecuada?. Preentrenamiento continuado (continued pre-training). Ajuste por instrucciones (instruction tuning). Ingeniería de prompts. Generación de incrustaciones de texto.

(#550) Una fintech puso en producción un modelo de detección de fraude con F1 score 0.94. Finanzas pregunta si el modelo ya generó valor. El equipo solo reporta F1, accuracy y recall. ¿Qué les falta medir para responder la pregunta de negocio?. El retorno de la inversión (ROI) u otras métricas de impacto (ahorro, conversión, costo por alerta). Solo el número de parámetros del modelo. Únicamente la temperatura de muestreo del modelo. La cantidad de regiones de AWS donde está desplegado.

(#551) Un modelo clasifica bien el set de entrenamiento y también datos nuevos de producción que nunca vio. El equipo quiere nombrar correctamente esa capacidad. ¿Qué término la describe mejor?. Sobreajuste (overfitting). Fuga de datos (data leakage). Ajuste adecuado / buen fit (fit): generaliza sin memorizar. Subajuste (underfitting).

(#552) ¿Cuáles de los siguientes son ejemplos reales de aplicaciones de IA (AI)? (Elige la opción con el PAR correcto). Detección de fraude y sistemas de recomendación. Backup automático de bases de datos y compilación de código C++ tradicional. Detección de fraude y backup automático de bases de datos. Sistemas de recomendación y compilación de código C++ tradicional.

(#553) ¿Qué tipo de datos representa una secuencia de precios de una acción registrados cada minuto durante el día?. Datos no estructurados de texto. Datos de imagen. Datos tabulares. Datos de serie temporal (time-series).

(#554) Un hospital envía a SageMaker estudios de imagen de hasta unos 800 MB. Cada inferencia puede tardar varios minutos y el cliente no puede quedarse bloqueado esperando la respuesta HTTP. ¿Qué opción de inferencia encaja mejor?. Inferencia en tiempo real (real-time). Inferencia asíncrona (asynchronous inference). Ajuste fino (fine-tuning). Preentrenamiento (pre-training).

(#555) ¿Qué servicio de AWS está diseñado específicamente para convertir texto en voz (text-to-speech)?. Amazon Lex. Amazon Transcribe. Amazon Comprehend. Amazon Polly.

(#556) Un regulador exige que un cálculo de impuestos produzca siempre el mismo número exacto a partir de las mismas entradas, sin estimaciones. El CFO además muestra que el costo de un modelo ML supera el ahorro esperado. ¿Cuáles son razones válidas para NO usar AI/ML aquí? (Elige la opción con el PAR correcto). El equipo ya tiene experiencia con Python y el caso de uso involucra texto en varios idiomas. Se necesita un resultado específico/determinístico, no una predicción y el análisis costo-beneficio no justifica la solución. Se necesita un resultado específico/determinístico, no una predicción y el equipo ya tiene experiencia con Python. El análisis costo-beneficio no justifica la solución y el caso de uso involucra texto en varios idiomas.

(#557) Una cadena de retail quiere ayudar a gerentes a priorizar reposición y, a la vez, automatizar tareas repetitivas de clasificación de tickets a escala. ¿Cuáles son razones válidas para adoptar AI/ML? (Elige la opción con el PAR correcto). Garantizar un resultado 100% determinístico en todos los casos y eliminar por completo la necesidad de datos de entrenamiento. Asistir la toma de decisiones humanas y garantizar un resultado 100% determinístico en todos los casos. Asistir la toma de decisiones humanas y escalar la solución y automatizar tareas repetitivas. Escalar la solución y automatizar tareas repetitivas y eliminar por completo la necesidad de datos de entrenamiento.

(#558) Un sistema aprende por prueba y error, recibiendo una recompensa cuando el usuario interactúa positivamente con una sugerencia. ¿Qué tipo de aprendizaje es?. Aprendizaje auto-supervisado (self-supervised learning). Aprendizaje por refuerzo (reinforcement learning). Aprendizaje supervisado (supervised learning). Aprendizaje no supervisado (unsupervised learning).

(#559) En detección de fraude, el modelo marca 100 transacciones como fraudulentas; 80 lo son de verdad. Por otro lado, hubo 120 fraudes reales en total y el modelo detectó 80. ¿Qué métrica corresponde a: de lo que marqué positivo, cuánto acerté?. Exhaustividad (recall). Exactitud (accuracy). Precisión (precision). Puntuación F1 (F1 score).

(#560) ¿Cuál emparejamiento correcto describe Amazon Transcribe, Translate, Comprehend y Lex?. Transcribe: voz a texto (speech-to-text) · Translate: traducción · Comprehend: PLN/NLP sobre texto · Lex: chatbots/voicebots. Transcribe: texto a voz (TTS) · Translate: agrupamiento (clustering) · Comprehend: facturación · Lex: almacenamiento. Transcribe: traducción · Translate: voz a texto (speech-to-text) · Comprehend: chatbots · Lex: PLN/NLP. Los cuatro hacen únicamente clasificación tabular.

(#561) Marketing quiere segmentar clientes en grupos naturales para campañas, pero no tiene etiquetas previas de segmento. ¿Qué enfoque es el más apropiado?. Clasificación supervisada. Regresión. Agrupamiento (clustering). Aprendizaje por refuerzo (reinforcement learning).

(#562) Un equipo quiere servir un modelo con tráfico muy irregular (picos y horas en cero), sin administrar servidores, pagando solo cuando hay inferencias. ¿Qué tipo de inferencia describe mejor el escenario?. Inferencia por lotes (batch). Inferencia sin servidor (serverless inference). Preentrenamiento (pre-training). Ajuste fino (fine-tuning).

(#563) ¿Cuál de los siguientes es un ejemplo de dato NO estructurado?. Una serie temporal de precios por hora. Una base de datos relacional de clientes. Una tabla de ventas en filas y columnas. Una imagen de una radiografía.

(#564) Una app de GenAI ya está en producción. El equipo recoge valoraciones de usuarios y casos fallidos para planificar la próxima mejora del modelo fundacional. Según el ciclo de vida de un FM, ¿en qué etapa encaja ese trabajo?. Selección de datos (data selection). Preentrenamiento (pre-training). Retroalimentación (feedback). Selección del modelo (model selection).

(#565) Un arquitecto debe explicar el orden del ciclo de vida de un modelo fundacional antes de proponer un plan de adopción. ¿Cuál es el orden correcto?. Selección de datos -> Selección del modelo -> Preentrenamiento -> Ajuste fino -> Evaluación -> Despliegue -> Retroalimentación. Despliegue -> Preentrenamiento -> Retroalimentación -> Selección de datos -> Evaluación -> Ajuste fino -> Selección del modelo. Ajuste fino -> Selección del modelo -> Despliegue -> Selección de datos -> Preentrenamiento -> Retroalimentación -> Evaluación. Evaluación -> Selección de datos -> Despliegue -> Preentrenamiento -> Retroalimentación -> Ajuste fino -> Selección del modelo.

(#566) Una startup debe elegir un FM en Bedrock para un chatbot de soporte con SLA estricto de respuesta y presupuesto mensual fijo. ¿Cuáles factores de selección son los más relevantes? (Elige la opción con el PAR correcto). Elegir solo por el nombre comercial del modelo, sin mirar métricas y ignorar por completo los requisitos de cumplimiento (compliance). Latencia (latency) y elegir solo por el nombre comercial del modelo, sin mirar métricas. Costo (cost) y ignorar por completo los requisitos de cumplimiento (compliance). Latencia (latency) y costo (cost).

(#567) ¿Cuál emparejamiento correcto describe tipos de modelos generativos y lo que generan típicamente?. Difusión (diffusion): imágenes · LLM basado en transformers: texto · Multimodal: varios tipos de dato · Embeddings: representación vectorial. Difusión (diffusion): solo audio · LLM: agrupamiento (clustering) · Multimodal: solo tablas · Embeddings: facturación. Difusión (diffusion): bases de datos · LLM: redes · Multimodal: solo código · Embeddings: logs. Todos generan únicamente datos tabulares estructurados.

(#568) ¿Qué es un foundation model (FM)?. Un modelo que solo funciona con datos tabulares. Un modelo que únicamente hace agrupamiento (clustering). Un modelo entrenado desde cero para una única tarea muy específica. Un modelo grande, preentrenado con enormes cantidades de datos, que puede adaptarse a múltiples tareas.

(#569) ¿Cuáles de los siguientes son casos de uso de IA generativa (GenAI)? (Elige la opción con el PAR correcto). Resumen de texto (summarization) y generación de código. Administración física de servidores y compilación manual de binarios. Resumen de texto (summarization) y administración física de servidores. Generación de código y compilación manual de binarios.

(#570) ¿Qué describe mejor a los modelos de lenguaje grandes basados en transformers (transformer-based LLMs)?. Un algoritmo de agrupamiento (clustering) no supervisado. Un tipo de base de datos vectorial. Modelos de lenguaje grandes basados en la arquitectura transformer, que predicen la siguiente secuencia de tokens. Un servicio de AWS para desplegar contenedores.

(#571) Un equipo de búsqueda semántica necesita comparar qué tan parecidos en significado son dos párrafos de políticas internas. ¿Qué representación les permite medir esa similitud numéricamente?. Un token. Un embedding (vector semántico). La temperatura del modelo. El tamaño en GB del checkpoint.

(#572) ¿Cuál emparejamiento correcto define token, troceado (chunking), embedding e ingeniería de prompts (prompt engineering)?. Token: unidad mínima de texto · Troceado (chunking): dividir documentos · Embedding: vector semántico · Ingeniería de prompts: diseñar instrucciones efectivas. Token: base de datos · Troceado (chunking): cifrado · Embedding: facturación · Ingeniería de prompts: IAM. Token: imagen · Troceado (chunking): solo audio · Embedding: servidor · Ingeniería de prompts: DNS. Los cuatro son sinónimos de ajuste fino (fine-tuning) completo.

(#573) Una empresa tendrá tráfico estable y alto a un FM en Bedrock durante al menos 6 meses y necesita capacidad dedicada predecible con mejor precio unitario. ¿Qué modalidad de precios encaja mejor?. Bajo demanda (on-demand) sin compromiso. Rendimiento aprovisionado (Provisioned Throughput). Cobro solo por usuario activo mensual. Almacenamiento S3 Intelligent-Tiering.

(#574) Un equipo quiere un SDK open source, model-driven, para construir agentes que planifiquen y usen herramientas, compatible con Bedrock y también con otros proveedores. ¿Qué tecnología de AWS encaja mejor?. Amazon RDS Proxy. Strands Agents. Amazon Polly. AWS Direct Connect.

(#575) FinOps revisa la factura de Bedrock en modo bajo demanda para un LLM de texto. ¿De qué se cobra principalmente ese uso?. Horas de instancia EC2 del modelo. Tokens de entrada y de salida procesados. Número de usuarios concurrentes en la consola. Tamaño en GB del archivo del modelo.

(#576) Un agente de IA debe consultar el CRM, crear tickets y leer una Knowledge Base sin acoplarse a un solo proveedor de herramientas. El equipo busca un protocolo estándar para conectar el agente con sistemas externos. ¿Qué concepto encaja?. Model Context Protocol (MCP). Una base de datos vectorial. Provisioned Throughput. Amazon SQS como única interfaz obligatoria.

(#577) Tras prototipar agentes en un notebook, una empresa necesita operar agentes en producción con seguridad, integración de herramientas y monitoreo, sin atarse a un solo framework. ¿Qué servicio/plataforma encaja mejor?. Amazon Bedrock AgentCore. Amazon Comprehend Medical únicamente. AWS Artifact. Amazon QuickSight sin más componentes.

(#578) Un equipo quiere desplegar y experimentar con FMs open source dentro de su propia cuenta de SageMaker AI, no solo invocar APIs gestionadas. ¿Qué opción encaja mejor?. Amazon Polly. SageMaker JumpStart. AWS Config. Amazon Lex.

(#579) El roadmap de GenAI de una empresa menciona construir agentes productivos en AWS. ¿Cuáles tecnologías encajan en ese stack según el alcance actual de GenAI en AWS? (Elige la opción con el PAR correcto). AWS Direct Connect como motor de razonamiento del agente y Amazon RDS Proxy como orquestador de prompts. Amazon Bedrock AgentCore y Strands Agents. Amazon Bedrock AgentCore y AWS Direct Connect como motor de razonamiento del agente. Strands Agents y Amazon RDS Proxy como orquestador de prompts.

(#580) ¿Cuáles de los siguientes son beneficios de usar servicios de GenAI de AWS en vez de construir infraestructura propia? (Elige la opción con el PAR correcto). Elimina la necesidad de definir un caso de uso de negocio y garantiza cero errores en las respuestas del modelo. Mayor velocidad para salir al mercado (speed to market) y elimina la necesidad de definir un caso de uso de negocio. Mayor velocidad para salir al mercado (speed to market) y menor barrera de entrada. Menor barrera de entrada y garantiza cero errores en las respuestas del modelo.

(#581) Product quiere demostrar que un asistente GenAI aporta valor de negocio, no solo buenas demos. ¿Cuáles métricas encajan mejor para ese relato? (Elige la opción con el PAR correcto). Cantidad de parámetros del modelo y tamaño en bytes del checkpoint. Tasa de conversión y cantidad de parámetros del modelo. Retorno de la inversión (ROI) y tamaño en bytes del checkpoint. Tasa de conversión y retorno de la inversión (ROI).

(#582) ¿Cuáles de los siguientes son beneficios de la infraestructura de AWS para aplicaciones de GenAI? (Elige la opción con el PAR correcto). Seguridad y cumplimiento normativo (compliance). Eliminación total de la necesidad de definir permisos de IAM y latencia cero garantizada en cualquier región del mundo. Seguridad y eliminación total de la necesidad de definir permisos de IAM. Cumplimiento normativo (compliance) y latencia cero garantizada en cualquier región del mundo.

(#583) Un equipo evalúa un FM que resume pólizas. Comparan cada resumen generado con un resumen de referencia escrito por un experto humano. ¿Qué métrica es la más adecuada?. Error cuadrático medio (MSE) de una regresión. ROUGE. Exactitud (accuracy) de un clasificador binario sin adaptación. Throughput de tokens por segundo únicamente.

(#584) Quieren que un FM siga mejor instrucciones del estilo: responde en JSON con campos X/Y. Planean ajustar el modelo con pares instrucción-respuesta esperada. ¿Cómo se llama ese enfoque de fine-tuning?. Ajuste por instrucciones (instruction tuning). Solo subir la temperature. Destilación eliminando capas al azar sin datos. Inferencia por lotes (batch transform).

(#585) ¿Cuáles de los siguientes son enfoques válidos para evaluar el desempeño de aplicaciones construidas con foundation models, como sistemas RAG o agentes? (Elige la opción con el PAR correcto). Medir la temperatura del servidor y contar la cantidad de líneas de código del prompt. Benchmarks y conjuntos de datos de referencia y evaluación con humano en el bucle (human-in-the-loop). Benchmarks y conjuntos de datos de referencia y medir la temperatura del servidor. Evaluación con humano en el bucle (human-in-the-loop) y contar la cantidad de líneas de código del prompt.

(#586) Un agente de atención al cliente debe completar flujos (consultar pedido, emitir nota). Product mide qué fracción de esos flujos el usuario terminó con éxito. ¿Qué métrica es?. Tasa de finalización de tareas (task completion rate). Cantidad de parámetros del FM. Temperatura media del muestreo. Tamaño de la ventana de contexto en tokens.

(#587) Una empresa LATAM necesita que el mismo chatbot responda con calidad similar en español, portugués e inglés sin desplegar tres sistemas. ¿Qué criterio de selección de FM priorizarías?. Soporte multi-idioma (multi-lingual). Usar solo un modelo que admita un único idioma y traducir todo offline a mano. Desactivar por completo el logging de auditoría. Elegir el modelo únicamente por el número de parámetros, sin mirar idiomas.

(#588) Un prompt engineer mejora un asistente legal interno. ¿Cuáles prácticas de ingeniería de prompts aplican? (Elige la opción con el PAR correcto). Usar siempre el prompt más largo posible sin probar y eliminar cualquier barandilla (guardrail) de contenido. Experimentación iterativa con versiones del prompt y usar siempre el prompt más largo posible sin probar. Experimentación iterativa con versiones del prompt y especificidad y concisión en las instrucciones. Especificidad y concisión en las instrucciones y eliminar cualquier barandilla (guardrail) de contenido.

(#589) El FM base no conoce políticas internas actualizadas cada semana. Quieren respuestas ancladas a esos documentos sin reentrenar el modelo cada vez. ¿Qué enfoque resuelve principalmente el problema?. Retrieval Augmented Generation (RAG). Subir solo la temperature a 2.0. Borrar la Knowledge Base. Preentrenamiento desde cero cada noche.

(#590) Al generar imágenes de producto, marketing quiere evitar fondos caóticos y texto ilegible en la imagen. Incluyen en el prompt una lista de lo que el modelo NO debe producir. ¿Qué técnica es?. Prompt negativo (negative prompt). Zero-shot sin ninguna instrucción. Solo aumentar max tokens. Desactivar embeddings.

(#591) Antes de la pregunta real, el prompt muestra 3 pares de ejemplo de consulta y respuesta en el tono de la marca. ¿Qué técnica de prompting es?. Few-shot prompting. Zero-shot prompting. Solo negative prompting. Entrenar un modelo desde cero.

(#592) Necesitan personalizar el comportamiento de un FM para un piloto de 2 semanas con presupuesto mínimo. ¿Qué enfoque suele ser el más económico y rápido de implementar?. Preentrenamiento completo desde cero. Ajuste fino completo de todos los pesos. Aprendizaje en contexto / ingeniería de prompts (in-context learning). Continued pre-training de semanas sobre todo el corpus corporativo.

(#593) Comparan cuatro caminos de personalización: (1) ejemplos en el prompt, (2) recuperar docs internos, (3) ajustar pesos con datos etiquetados, (4) entrenar un modelo chico que imite a uno grande. ¿Qué emparejamiento es correcto?. 1=in-context · 2=RAG · 3=fine-tuning · 4=model distillation. 1=fine-tuning · 2=solo cifrado · 3=RAG · 4=on-demand. Los cuatro exigen siempre preentrenamiento desde cero. 1 y 2 son idénticos al fine-tuning completo de pesos.

(#594) Un sistema reutiliza un bloque largo de políticas fijas en casi todas las llamadas al FM. Quieren bajar latencia y costo sin cambiar el modelo. ¿Qué capacidad encaja?. Caché de prompts (prompt caching). Eliminar IAM por completo. Cambiar el nombre del bucket S3. Usar solo Amazon SQS como modelo de lenguaje.

(#595) Van a guardar embeddings para RAG en AWS. ¿Cuáles servicios aparecen como opciones válidas de almacenamiento/búsqueda vectorial en este contexto? (Elige la opción con el PAR correcto). Amazon SQS y AWS Lambda como base de datos vectorial. Amazon OpenSearch Service y Amazon SQS. Amazon Aurora (p. ej. con pgvector) y AWS Lambda como base de datos vectorial. Amazon OpenSearch Service y Amazon Aurora (p. ej. con pgvector).

(#596) Un sistema de reconocimiento facial falla mucho más en un grupo demográfico que en el resto, con el mismo umbral de decisión. ¿Qué problema de IA responsable describe mejor la situación?. Sesgo (bias) del modelo. Caché de prompts mal configurado. Provisioned Throughput insuficiente. Falta de un registro Route 53.

(#597) Diseñan una UI de IA explicable: el usuario debe entender por qué se negó un crédito y poder reportar errores. ¿Qué principio de diseño centrado en el humano aplica mejor?. Ocultar siempre el razonamiento del modelo. Incorporar mecanismos de retroalimentación (feedback) y transparencia en las decisiones. Eliminar cualquier mensaje al usuario. Mostrar solo el hash del modelo.

(#598) Quieren filtrar odio, bloquear temas médicos no autorizados y redactar PII en entradas/salidas de un FM en Bedrock, sin reescribir toda la app. ¿Qué capacidad encaja?. Amazon Bedrock Guardrails. Amazon Macie como reemplazo del FM. AWS Config midiendo ROUGE. SageMaker Model Cards generando tokens.

(#599) Un flujo de OCR con Textract debe enviar a revisión humana solo las predicciones con confianza baja antes de cerrar el caso. ¿Qué servicio está diseñado para ese human-in-the-loop?. Amazon Augmented AI (A2I). AWS Artifact. Amazon PartyRock únicamente. AWS Trusted Advisor como revisor de imágenes.

(#600) El comité de riesgo pide más interpretabilidad de un modelo de deep learning, pero el equipo de ML advierte que forzar explicabilidad extrema puede degradar el desempeño. ¿Qué compromiso (tradeoff) describe mejor la situación?. No existe relación entre transparencia y desempeño. Aumentar interpretabilidad puede afectar el desempeño (y viceversa) en el eje safety/transparencia. Más transparencia siempre mejora automáticamente la exactitud (accuracy). La transparencia solo importa en modelos de regresión lineal y nunca en deep learning.

(#601) Al elegir entre dos FMs con calidad similar, sostenibilidad corporativa pide considerar el impacto ambiental del entrenamiento/uso del modelo. ¿Qué consideración responsable aplica?. Sustentabilidad y consideraciones ambientales del modelo. Elegir siempre el modelo con más parámetros sin mirar impacto. Ignorar el consumo energético porque GenAI no usa cómputo. Preferir el modelo que no permita logging de auditoría.

(#602) ¿Cuál emparejamiento correcto define sesgo (bias), sobreajuste (overfitting), subajuste (underfitting) y alucinación (hallucination)?. Sesgo (bias): trato desigual entre grupos · Sobreajuste (overfitting): memoriza el entrenamiento · Subajuste (underfitting): demasiado simple · Alucinación (hallucination): salida convincente pero falsa. Sesgo: solo latencia · Sobreajuste: cifrado · Subajuste: IAM · Alucinación: facturación. Los cuatro son sinónimos de exactitud (accuracy). Sesgo y alucinación solo aplican a datos tabulares.

(#603) El marco de IA responsable de la empresa debe nombrar propiedades asociadas a sistemas responsables. ¿Cuáles aplican? (Elige la opción con el PAR correcto). Equidad (fairness) y robustez (robustness). Número de AZs de la VPC como única métrica ética y el precio listado del servicio como sinónimo de equidad. Equidad (fairness) y número de AZs de la VPC como única métrica ética. Robustez (robustness) y el precio listado del servicio como sinónimo de equidad.

(#604) Legal revisa un chatbot GenAI que podría reproducir texto con copyright y dañar la reputación si alucina precios. ¿Cuáles son riesgos legales/reputacionales típicos? (Elige la opción con el PAR correcto). Que GenAI garantice por sí sola cumplimiento legal total y que el uso de GenAI elimine la necesidad de políticas de datos. Reclamos por infracción de propiedad intelectual y pérdida de confianza del cliente. Reclamos por infracción de propiedad intelectual y que GenAI garantice por sí sola cumplimiento legal total. Pérdida de confianza del cliente y que el uso de GenAI elimine la necesidad de políticas de datos.

(#605) ¿Qué diferencia principal hay entre un modelo transparente/explicable y uno que no lo es?. El modelo explicable siempre es más preciso. El modelo explicable no necesita datos de entrenamiento. No hay ninguna diferencia real. El modelo explicable permite entender por qué llegó a una decisión o predicción determinada.

(#606) Una aseguradora europea exige que los datos de clientes usados por su app de IA permanezcan almacenados y procesados dentro de la UE. ¿Qué concepto de gobernanza describe ese requisito?. Residencia de datos (data residency). Retención de datos (data retention) únicamente. Linaje de datos (data lineage) únicamente. La temperature del LLM.

(#607) Auditoría pide evidencias de que AWS cumple SOC/ISO/PCI para el entorno donde corre Bedrock. ¿Dónde descarga la empresa esos reportes de cumplimiento de AWS?. AWS Artifact. Amazon Inspector. Amazon Macie. SageMaker Model Cards.

(#608) Antes de entrenar con datos sensibles, el equipo debe reducir riesgo de exposición y limitar quién accede a los datasets. ¿Qué práctica de ingeniería de datos segura encaja mejor?. Implementar tecnologías que mejoran la privacidad (PETs) y controlar el acceso a los datos. Desactivar IAM para acelerar experimentos. Hacer públicos los buckets de entrenamiento. Evitar cualquier revisión de calidad de datos.

(#609) ¿Cuál emparejamiento correcto relaciona servicios de AWS con su función de gobernanza o cumplimiento (compliance)?. Config: configuración de recursos · Artifact: reportes de compliance · Inspector: vulnerabilidades · CloudTrail: auditoría de API. Config: TTS · Artifact: clustering · Inspector: traducción · CloudTrail: embeddings. Config: solo facturación · Artifact: solo IAM · Inspector: solo S3 · CloudTrail: solo VPC. Los cuatro son bases de datos vectoriales.

(#610) ¿Cuál emparejamiento correcto define conceptos de seguridad de IA?. Inyección de prompts (prompt injection): manipular el modelo vía prompts · En tránsito: cifrar datos en movimiento · En reposo: cifrar datos almacenados · Filtrado/validación de salida (output filtering): validar/filtrar salidas. Inyección de prompts: solo DNS · En tránsito: solo UI · En reposo: solo marketing · Filtrado de salida: solo pricing. Todos son sinónimos de ajuste fino (fine-tuning). Ninguno aplica a sistemas de GenAI.

(#611) Cumplimiento exige reconstruir, meses después, qué usuario envió qué prompt a Bedrock y qué respondió el modelo. ¿Qué práctica es indispensable?. Mantener rastro de auditoría (audit trail) y logging de las interacciones. Solo cifrar en reposo y no registrar nada. Desactivar CloudTrail en la cuenta. Usar PartyRock en lugar de cualquier registro.

(#612) Según el modelo de responsabilidad compartida, al invocar FMs en Amazon Bedrock, ¿quién debe configurar IAM para decidir quién puede invocar el modelo?. Exclusivamente AWS. El cliente. Solo el proveedor del modelo (p. ej. Anthropic), nunca el cliente. Nadie: Bedrock no usa permisos.

(#613) Seguridad quiere clasificar el alcance de riesgo y responsabilidad al construir una solución GenAI en AWS (qué controla el cliente frente al proveedor). ¿Qué framework de AWS encaja?. Generative AI Security Scoping Matrix. Amazon Personalize recipe ranking. Solo el Cost Explorer sin controles de seguridad. Amazon Polly lexicon matrix.

(#614) Según el modelo de responsabilidad compartida (shared responsibility model) de AWS, ¿de quién es la responsabilidad de la seguridad física de los data centers donde corren los modelos fundacionales de Amazon Bedrock?. De un tercero no relacionado. De AWS. No está definida. Del cliente.

(#700) Relaciona cada tipo de aprendizaje con el escenario más adecuado: (1) predecir el precio de una casa usando historial etiquetado de ventas; (2) agrupar clientes por comportamiento de compra sin etiquetas previas; (3) entrenar un robot de almacén con recompensas por entregas correctas. ¿Qué emparejamiento es correcto?. 1 -> Aprendizaje semi-supervisado · 2 -> Aprendizaje supervisado · 3 -> Aprendizaje por refuerzo. 1 -> Aprendizaje supervisado · 2 -> Aprendizaje no supervisado · 3 -> Aprendizaje por refuerzo. 1 -> Aprendizaje supervisado · 2 -> Aprendizaje por transferencia · 3 -> Aprendizaje no supervisado. 1 -> Aprendizaje no supervisado · 2 -> Aprendizaje supervisado · 3 -> Aprendizaje por refuerzo.

(#701) Ordena estos enfoques de menor a mayor esfuerzo técnico típico para obtener un clasificador de imágenes usable. ¿Cuál es el orden correcto?. Usar un modelo preentrenado con solo inferencia (API/servicio) -> Entrenar un modelo CNN desde cero con un dataset grande propio -> Fine-tuning de las últimas capas de un modelo preentrenado -> Diseñar una arquitectura nueva y entrenarla end-to-end en GPU multi-nodo. Fine-tuning de las últimas capas de un modelo preentrenado -> Usar un modelo preentrenado con solo inferencia (API/servicio) -> Entrenar un modelo CNN desde cero con un dataset grande propio -> Diseñar una arquitectura nueva y entrenarla end-to-end en GPU multi-nodo. Usar un modelo preentrenado con solo inferencia (API/servicio) -> Fine-tuning de las últimas capas de un modelo preentrenado -> Diseñar una arquitectura nueva y entrenarla end-to-end en GPU multi-nodo -> Entrenar un modelo CNN desde cero con un dataset grande propio. Usar un modelo preentrenado con solo inferencia (API/servicio) -> Fine-tuning de las últimas capas de un modelo preentrenado -> Entrenar un modelo CNN desde cero con un dataset grande propio -> Diseñar una arquitectura nueva y entrenarla end-to-end en GPU multi-nodo.

(#702) Relaciona cada métrica con el caso en el que suele ser más útil: (1) quieres minimizar falsos positivos al marcar fraude; (2) no quieres dejar pasar tumores en un screening médico; (3) evalúas un modelo de regresión de demanda. ¿Qué emparejamiento es correcto?. 1 -> Precisión (precision) · 2 -> Recall (exhaustividad) · 3 -> RMSE. 1 -> RMSE · 2 -> Recall (exhaustividad) · 3 -> BLEU. 1 -> Recall (exhaustividad) · 2 -> Precisión (precision) · 3 -> RMSE. 1 -> Precisión (precision) · 2 -> Silhouette score · 3 -> RMSE.

(#703) Ordena las etapas típicas del ciclo de vida de ML de principio a fin. ¿Cuál es el orden correcto?. Recopilar y preparar datos -> Definir el problema de negocio y los criterios de éxito -> Entrenar y evaluar el modelo -> Desplegar, monitorear y reentrenar. Definir el problema de negocio y los criterios de éxito -> Entrenar y evaluar el modelo -> Recopilar y preparar datos -> Desplegar, monitorear y reentrenar. Definir el problema de negocio y los criterios de éxito -> Recopilar y preparar datos -> Entrenar y evaluar el modelo -> Desplegar, monitorear y reentrenar. Definir el problema de negocio y los criterios de éxito -> Recopilar y preparar datos -> Desplegar, monitorear y reentrenar -> Entrenar y evaluar el modelo.

(#704) Relaciona cada señal de entrenamiento con el paradigma que la usa: (1) pares de entrada y etiqueta correcta; (2) solo datos de entrada, sin etiquetas; (3) recompensa/penalización tras cada acción. ¿Qué emparejamiento es correcto?. 1 -> Aprendizaje por refuerzo · 2 -> Aprendizaje no supervisado · 3 -> Generación con prompt (sin entrenamiento). 1 -> Aprendizaje supervisado · 2 -> Generación con prompt (sin entrenamiento) · 3 -> Aprendizaje por refuerzo. 1 -> Aprendizaje no supervisado · 2 -> Aprendizaje supervisado · 3 -> Aprendizaje por refuerzo. 1 -> Aprendizaje supervisado · 2 -> Aprendizaje no supervisado · 3 -> Aprendizaje por refuerzo.

(#705) Una startup tiene poco presupuesto. Ordena de menor a mayor costo típico de cómputo estas estrategias de ML. ¿Cuál es el orden correcto?. Entrenamiento distribuido multi-semana de un foundation model propio -> Preentrenamiento de un LLM grande desde cero -> Fine-tuning ligero de un modelo open-weight mediano -> Reglas heurísticas + modelo clásico pequeño en CPU. Reglas heurísticas + modelo clásico pequeño en CPU -> Fine-tuning ligero de un modelo open-weight mediano -> Preentrenamiento de un LLM grande desde cero -> Entrenamiento distribuido multi-semana de un foundation model propio. Reglas heurísticas + modelo clásico pequeño en CPU -> Preentrenamiento de un LLM grande desde cero -> Fine-tuning ligero de un modelo open-weight mediano -> Entrenamiento distribuido multi-semana de un foundation model propio. Fine-tuning ligero de un modelo open-weight mediano -> Reglas heurísticas + modelo clásico pequeño en CPU -> Entrenamiento distribuido multi-semana de un foundation model propio -> Preentrenamiento de un LLM grande desde cero.

(#710) Ordena de menor a mayor esfuerzo técnico para adaptar un FM a tu dominio de soporte. ¿Cuál es el orden correcto?. Prompt engineering con ejemplos few-shot -> RAG sobre la base de conocimiento interna -> Fine-tuning supervisado con tickets históricos -> Continual pretraining del FM con corpus privado masivo. Continual pretraining del FM con corpus privado masivo -> Fine-tuning supervisado con tickets históricos -> RAG sobre la base de conocimiento interna -> Prompt engineering con ejemplos few-shot. Prompt engineering con ejemplos few-shot -> Fine-tuning supervisado con tickets históricos -> RAG sobre la base de conocimiento interna -> Continual pretraining del FM con corpus privado masivo. RAG sobre la base de conocimiento interna -> Prompt engineering con ejemplos few-shot -> Continual pretraining del FM con corpus privado masivo -> Fine-tuning supervisado con tickets históricos.

(#711) Relaciona cada objetivo con la técnica GenAI principal: (1) mejorar respuestas sin cambiar pesos del modelo; (2) anclar respuestas en documentos actualizados de la empresa; (3) adaptar el estilo/terminología del modelo con ejemplos etiquetados. ¿Qué emparejamiento es correcto?. 1 -> Prompt engineering · 2 -> Quantization · 3 -> Fine-tuning. 1 -> Fine-tuning · 2 -> RAG · 3 -> Prompt engineering. 1 -> Prompt engineering · 2 -> RAG · 3 -> Fine-tuning. 1 -> Batch inference · 2 -> RAG · 3 -> Fine-tuning.

(#712) Relaciona cada tipo de modelo o salida GenAI con el caso de uso más típico: (1) modelo de texto a texto (LLM); (2) modelo de texto a imagen (difusión); (3) diálogo multi-turno con un FM. ¿Qué emparejamiento es correcto?. 1 -> Detección de objetos en video · 2 -> Generación de imágenes · 3 -> Resumen de documentos largos. 1 -> Resumen de documentos largos · 2 -> Generación de imágenes · 3 -> Chatbot de atención al cliente. 1 -> Chatbot de atención al cliente · 2 -> Detección de objetos en video · 3 -> Resumen de documentos largos. 1 -> Resumen de documentos largos · 2 -> Detección de objetos en video · 3 -> Chatbot de atención al cliente.

(#713) Ordena de menor a mayor latencia percibida típica para el usuario final. ¿Cuál es el orden correcto?. Agente multi-paso que llama varias herramientas en serie -> RAG con recuperación vectorial + LLM grande -> Completar un prompt corto en un FM serverless -> Clasificación con modelo pequeño en el borde. Clasificación con modelo pequeño en el borde -> RAG con recuperación vectorial + LLM grande -> Completar un prompt corto en un FM serverless -> Agente multi-paso que llama varias herramientas en serie. Completar un prompt corto en un FM serverless -> Clasificación con modelo pequeño en el borde -> RAG con recuperación vectorial + LLM grande -> Agente multi-paso que llama varias herramientas en serie. Clasificación con modelo pequeño en el borde -> Completar un prompt corto en un FM serverless -> RAG con recuperación vectorial + LLM grande -> Agente multi-paso que llama varias herramientas en serie.

(#714) Relaciona cada mitigación con el riesgo GenAI que aborda más directamente: (1) RAG + citas a fuentes verificables; (2) redacción/enmascarado y controles de acceso; (3) guardrails / content filters. ¿Qué emparejamiento es correcto?. 1 -> Alucinaciones factuales · 2 -> Fuga de datos sensibles en el prompt · 3 -> Respuestas tóxicas o inapropiadas. 1 -> Alucinaciones factuales · 2 -> Sobrecosto por tokens · 3 -> Fuga de datos sensibles en el prompt. 1 -> Fuga de datos sensibles en el prompt · 2 -> Alucinaciones factuales · 3 -> Respuestas tóxicas o inapropiadas. 1 -> Sobrecosto por tokens · 2 -> Fuga de datos sensibles en el prompt · 3 -> Alucinaciones factuales.

(#715) Ordena de menor a mayor personalización del modelo a tu tarea. ¿Cuál es el orden correcto?. Fine-tuning con dataset de la tarea -> Prompt zero-shot -> Prompt few-shot -> Entrenar un modelo generativo desde cero. Prompt few-shot -> Prompt zero-shot -> Fine-tuning con dataset de la tarea -> Entrenar un modelo generativo desde cero. Prompt zero-shot -> Prompt few-shot -> Fine-tuning con dataset de la tarea -> Entrenar un modelo generativo desde cero. Prompt zero-shot -> Fine-tuning con dataset de la tarea -> Prompt few-shot -> Entrenar un modelo generativo desde cero.

(#720) Relaciona cada rol de un sistema RAG con su componente: (1) indexar documentos como vectores buscables; (2) seleccionar los pasajes más relevantes a la consulta; (3) redactar la respuesta final usando el contexto recuperado. ¿Qué emparejamiento es correcto?. 1 -> Retriever · 2 -> Batch transform de SageMaker · 3 -> Embeddings + almacén vectorial. 1 -> Embeddings + almacén vectorial · 2 -> LLM generador · 3 -> Retriever. 1 -> Feature store tabular · 2 -> Retriever · 3 -> LLM generador. 1 -> Embeddings + almacén vectorial · 2 -> Retriever · 3 -> LLM generador.

(#721) Ordena el flujo típico de una consulta RAG de inicio a fin. ¿Cuál es el orden correcto?. Se construye un prompt con la pregunta + contexto -> El LLM genera la respuesta -> El usuario envía una pregunta -> Se recuperan documentos/pasajes relevantes. El usuario envía una pregunta -> El LLM genera la respuesta -> Se recuperan documentos/pasajes relevantes -> Se construye un prompt con la pregunta + contexto. El usuario envía una pregunta -> Se recuperan documentos/pasajes relevantes -> Se construye un prompt con la pregunta + contexto -> El LLM genera la respuesta. Se recuperan documentos/pasajes relevantes -> El usuario envía una pregunta -> El LLM genera la respuesta -> Se construye un prompt con la pregunta + contexto.

(#722) Relaciona cada ejemplo con la capacidad de agente que representa: (1) decidir los pasos para resolver un ticket complejo; (2) llamar una API de inventario para consultar stock; (3) recordar el contexto del chat en la misma sesión. ¿Qué emparejamiento es correcto?. 1 -> Planificación / razonamiento · 2 -> Uso de herramientas (tool use) · 3 -> Memoria de corto plazo. 1 -> Memoria de corto plazo · 2 -> Uso de herramientas (tool use) · 3 -> Planificación / razonamiento. 1 -> Planificación / razonamiento · 2 -> Entrenamiento offline de un clasificador · 3 -> Memoria de corto plazo. 1 -> Uso de herramientas (tool use) · 2 -> Planificación / razonamiento · 3 -> Memoria de corto plazo.

(#723) Ordena de menor a mayor intervención humana continua típica para mejorar la calidad de un asistente GenAI. ¿Cuál es el orden correcto?. Añadir RAG con documentos curados -> Fine-tuning con preferencias humanas (p. ej. feedback ranking) -> Revisión humana obligatoria (HITL) antes de publicar cada respuesta -> Ajustar temperatura/top-p y el system prompt. Ajustar temperatura/top-p y el system prompt -> Añadir RAG con documentos curados -> Fine-tuning con preferencias humanas (p. ej. feedback ranking) -> Revisión humana obligatoria (HITL) antes de publicar cada respuesta. Ajustar temperatura/top-p y el system prompt -> Fine-tuning con preferencias humanas (p. ej. feedback ranking) -> Añadir RAG con documentos curados -> Revisión humana obligatoria (HITL) antes de publicar cada respuesta. Revisión humana obligatoria (HITL) antes de publicar cada respuesta -> Fine-tuning con preferencias humanas (p. ej. feedback ranking) -> Añadir RAG con documentos curados -> Ajustar temperatura/top-p y el system prompt.

(#724) Relaciona cada problema con la técnica FM más adecuada: (1) la política interna cambia cada semana y debe citarse; (2) quieres que el modelo escriba siempre en el tono de la marca; (3) debe consultar calendarios y crear tickets en Jira. ¿Qué emparejamiento es correcto?. 1 -> RAG · 2 -> PCA sobre embeddings · 3 -> Agente con tools. 1 -> Fine-tuning · 2 -> RAG · 3 -> Agente con tools. 1 -> RAG · 2 -> Agente con tools · 3 -> Fine-tuning. 1 -> RAG · 2 -> Fine-tuning · 3 -> Agente con tools.

(#725) Ordena de menor a mayor complejidad operativa para poner GenAI en producción. ¿Cuál es el orden correcto?. Demo local con un prompt fijo -> API de un FM gestionado + logging básico -> RAG con indexación, evaluación y monitoreo de calidad -> Agentes con tools, políticas, observabilidad y HITL. Agentes con tools, políticas, observabilidad y HITL -> API de un FM gestionado + logging básico -> RAG con indexación, evaluación y monitoreo de calidad -> Demo local con un prompt fijo. Demo local con un prompt fijo -> RAG con indexación, evaluación y monitoreo de calidad -> API de un FM gestionado + logging básico -> Agentes con tools, políticas, observabilidad y HITL. API de un FM gestionado + logging básico -> Demo local con un prompt fijo -> Agentes con tools, políticas, observabilidad y HITL -> RAG con indexación, evaluación y monitoreo de calidad.

(#730) Relaciona cada práctica con el principio de IA responsable que aplica: (1) explicar a usuarios que hablan con un bot y qué datos se usan; (2) medir tasas de error por grupo demográfico; (3) minimizar PII en logs y datasets de entrenamiento. ¿Qué emparejamiento es correcto?. 1 -> Throughput de inferencia · 2 -> Equidad (fairness) · 3 -> Auto scaling. 1 -> Transparencia · 2 -> Equidad (fairness) · 3 -> Privacidad. 1 -> Privacidad · 2 -> Equidad (fairness) · 3 -> Transparencia. 1 -> Transparencia · 2 -> Privacidad · 3 -> Equidad (fairness).

(#731) Ordena de menor a mayor riesgo típico de daño si el sistema falla. ¿Cuál es el orden correcto?. Triaje automático de tickets médicos -> Sistema que aprueba/rechaza créditos sin revisión humana -> Chatbot de FAQ de un e-commerce -> Sugerencias de playlist musical. Sugerencias de playlist musical -> Triaje automático de tickets médicos -> Chatbot de FAQ de un e-commerce -> Sistema que aprueba/rechaza créditos sin revisión humana. Sugerencias de playlist musical -> Chatbot de FAQ de un e-commerce -> Triaje automático de tickets médicos -> Sistema que aprueba/rechaza créditos sin revisión humana. Chatbot de FAQ de un e-commerce -> Sugerencias de playlist musical -> Sistema que aprueba/rechaza créditos sin revisión humana -> Triaje automático de tickets médicos.

(#732) Relaciona cada mitigación con el fallo de IA responsable que corrige: (1) auditar datasets y balancear representaciones; (2) documentar modelo, límites y decisiones (model card); (3) guardrails, rate limits y monitoreo de abuso. ¿Qué emparejamiento es correcto?. 1 -> Uso indebido del modelo por usuarios maliciosos · 2 -> Sesgo en datos de entrenamiento · 3 -> Cold start de una caché Redis. 1 -> Sesgo en datos de entrenamiento · 2 -> Uso indebido del modelo por usuarios maliciosos · 3 -> Falta de explicabilidad ante un regulador. 1 -> Falta de explicabilidad ante un regulador · 2 -> Sesgo en datos de entrenamiento · 3 -> Uso indebido del modelo por usuarios maliciosos. 1 -> Sesgo en datos de entrenamiento · 2 -> Falta de explicabilidad ante un regulador · 3 -> Uso indebido del modelo por usuarios maliciosos.

(#733) Ordena de menor a mayor necesidad típica de supervisión humana. ¿Cuál es el orden correcto?. Corrección ortográfica en un editor -> Recomendación de productos -> Borrador de respuesta legal revisable -> Diagnóstico clínico automático publicado al paciente. Recomendación de productos -> Borrador de respuesta legal revisable -> Corrección ortográfica en un editor -> Diagnóstico clínico automático publicado al paciente. Corrección ortográfica en un editor -> Borrador de respuesta legal revisable -> Recomendación de productos -> Diagnóstico clínico automático publicado al paciente. Recomendación de productos -> Corrección ortográfica en un editor -> Diagnóstico clínico automático publicado al paciente -> Borrador de respuesta legal revisable.

(#740) Relaciona cada ejemplo con el mecanismo de guardrail correspondiente: (1) bloquear conversaciones sobre fabricación de armas; (2) bloquear insultos específicos en la entrada/salida; (3) verificar que la respuesta se apoye en el documento recuperado. ¿Qué emparejamiento es correcto?. 1 -> Content filters (odio/violencia) · 2 -> Denied topics · 3 -> Provisioned throughput. 1 -> Word/phrase filters · 2 -> Denied topics · 3 -> Contextual grounding check. 1 -> Denied topics · 2 -> Word/phrase filters · 3 -> Contextual grounding check. 1 -> Denied topics · 2 -> Content filters (odio/violencia) · 3 -> Word/phrase filters.

(#741) Relaciona cada objetivo con el control de seguridad correspondiente: (1) limitar quién puede llamar al modelo; (2) proteger prompts y respuestas en movimiento/almacenamiento; (3) rastrear quién usó qué modelo y cuándo. ¿Qué emparejamiento es correcto?. 1 -> IAM least privilege para invocar Bedrock · 2 -> Cifrado en tránsito (TLS) y en reposo · 3 -> CloudTrail / logs de auditoría. 1 -> CloudTrail / logs de auditoría · 2 -> Cifrado en tránsito (TLS) y en reposo · 3 -> IAM least privilege para invocar Bedrock. 1 -> IAM least privilege para invocar Bedrock · 2 -> CloudFront para cachear imágenes · 3 -> CloudTrail / logs de auditoría. 1 -> IAM least privilege para invocar Bedrock · 2 -> Cifrado en tránsito (TLS) y en reposo · 3 -> Spot Instances para abaratar training.

(#742) Ordena de menor a mayor severidad típica estos incidentes en un chatbot GenAI. ¿Cuál es el orden correcto?. El bot filtra un secreto de API en la respuesta -> El bot usa un tono demasiado informal -> El bot inventa una política de devoluciones inexistente -> El bot da instrucciones detalladas para un delito violento. El bot usa un tono demasiado informal -> El bot inventa una política de devoluciones inexistente -> El bot filtra un secreto de API en la respuesta -> El bot da instrucciones detalladas para un delito violento. El bot usa un tono demasiado informal -> El bot filtra un secreto de API en la respuesta -> El bot inventa una política de devoluciones inexistente -> El bot da instrucciones detalladas para un delito violento. El bot inventa una política de devoluciones inexistente -> El bot usa un tono demasiado informal -> El bot da instrucciones detalladas para un delito violento -> El bot filtra un secreto de API en la respuesta.

(#743) Relaciona cada requisito de gobernanza con la práctica AWS típica: (1) aislar entornos de desarrollo y producción de GenAI; (2) controlar gasto de inferencia por equipo; (3) aplicar políticas de contenido al chatbot. ¿Qué emparejamiento es correcto?. 1 -> Tags + Cost Explorer / budgets · 2 -> Guardrails en Bedrock · 3 -> Amazon Polly neural voices. 1 -> Separación de cuentas / Organizations · 2 -> Guardrails en Bedrock · 3 -> Tags + Cost Explorer / budgets. 1 -> Guardrails en Bedrock · 2 -> Tags + Cost Explorer / budgets · 3 -> Separación de cuentas / Organizations. 1 -> Separación de cuentas / Organizations · 2 -> Tags + Cost Explorer / budgets · 3 -> Guardrails en Bedrock.

(#744) Ordena de menor a mayor rigor típico de control de acceso para invocar un FM. ¿Cuál es el orden correcto?. Rol least privilege + VPC endpoints + SCPs que restringen modelos -> Rol IAM least privilege por aplicación + CloudTrail -> Usuario IAM con política amplia AmazonBedrockFullAccess -> Clave de API compartida en un canal de Slack. Usuario IAM con política amplia AmazonBedrockFullAccess -> Clave de API compartida en un canal de Slack -> Rol IAM least privilege por aplicación + CloudTrail -> Rol least privilege + VPC endpoints + SCPs que restringen modelos. Clave de API compartida en un canal de Slack -> Usuario IAM con política amplia AmazonBedrockFullAccess -> Rol IAM least privilege por aplicación + CloudTrail -> Rol least privilege + VPC endpoints + SCPs que restringen modelos. Clave de API compartida en un canal de Slack -> Rol IAM least privilege por aplicación + CloudTrail -> Usuario IAM con política amplia AmazonBedrockFullAccess -> Rol least privilege + VPC endpoints + SCPs que restringen modelos.