ai parte 2

(#195) Un practicante compara top-p (nucleus sampling) con el muestreo guiado solo por temperature. ¿Qué distingue correctamente al muestreo top-p?. Solo funciona con arquitecturas encoder-only. Garantiza siempre la misma salida para un prompt dado. Limita el muestreo a exactamente un token (greedy fijo). Muestrea del conjunto más pequeño de tokens principales cuyas probabilidades acumuladas alcanzan p.

(#196) Para aplicaciones de IA, ¿qué PAR de capacidades de Amazon Aurora con la extensión pgvector es el más importante?. Operaciones SQL estándar y web hosting. Búsqueda por similitud vectorial y combinar vectores con datos estructurados. Operaciones SQL estándar y búsqueda por similitud vectorial. Web hosting y combinar vectores con datos estructurados.

(#197) Una startup edtech desarrolla una app donde el estudiante escribe una pregunta o fotografía un ejercicio, y la app devuelve una explicación escrita paso a paso. ¿Qué tipo de modelo debe impulsar la app?. Un modelo solo de visión por computadora (computer vision) sin generación de texto. Un modelo de difusión (diffusion model) para síntesis de imágenes. Un large multimodal language model (modelo de lenguaje multimodal grande). Un modelo de texto a voz (text-to-speech) sin comprensión de imagen.

(#198) En el ciclo de vida de un modelo de IA generativa, el equipo debe verificar calidad antes de producción. ¿Qué etapa ejecuta pruebas para validar el desempeño del modelo?. Pre-entrenamiento (pre-training). Fine-tuning (ajuste fino). Evaluación (evaluation). Despliegue (deployment).

(#200) Una clínica integra un LLM en su sistema de codificación médica y necesita salidas lo más deterministas y reproducibles posible entre invocaciones con el mismo prompt. ¿Qué ajuste de inferencia cumple el requisito?. Agregar al final del prompt la frase "haz tu respuesta determinista". Establecer temperature (temperatura) en 1. Establecer temperature (temperatura) en 0. Activar Amazon Bedrock Guardrails con filtros de temas.

(#204) Una plataforma de suscripción entrena un modelo binario para predecir qué usuarios cancelarán su plan. ¿Qué métrica es apropiada para evaluarlo?. R-cuadrado (R-squared). Error cuadrático medio (MSE). F1 score. Tiempo de entrenamiento del modelo.

(#206) Una empresa de paquetería ingiere varios GB de registros de envíos diarios y necesita predicciones de volumen una vez al día sobre el dataset acumulado. ¿Qué tipo de inferencia encaja mejor?. Inferencia por lotes (batch inference). Inferencia asincrónica. Inferencia en tiempo real. Inferencia serverless.

(#207) Una empresa lleva meses con un modelo de IA generativa en producción para segmentar clientes. Observa respuestas inconsistentes y quiere detectar deriva (drift) y cambios de sesgo en el tiempo. ¿Qué capacidad de AWS cumple MEJOR este requisito en producción?. Amazon SageMaker Feature Store. Amazon SageMaker Clarify solo en entrenamiento, sin monitoreo continuo. Amazon SageMaker Model Monitor. Amazon SageMaker Model Cards.

(#209) ¿Qué técnica de ML usa datos de entrenamiento etiquetados con los valores de salida correctos?. Aprendizaje supervisado (Supervised learning). Aprendizaje no supervisado (Unsupervised learning). Aprendizaje por refuerzo (Reinforcement learning). Transfer learning.

(#210) Un ingeniero de prompts ajusta la inferencia de un LLM: necesita limitar cuántos tokens candidatos se consideran en cada paso de generación (los K más probables). ¿Qué parámetro controla eso?. Maximum tokens (máximo de tokens de salida). Temperature (temperatura). Top K. Batch size (tamaño de lote).

(#213) Un banco va a ajustar (fine-tune) un LLM en Amazon Bedrock con historiales de consultas de préstamos. Compliance exige que el modelo no pueda memorizar ni regenerar datos privados de clientes. ¿Qué control es el más eficaz antes del ajuste?. Subir el parámetro Top K de muestreo. Depender solo de Amazon Bedrock Guardrails tras el despliegue. Eliminar o anonimizar información de identificación personal (personally identifiable information, PII) del corpus antes del fine-tuning. Cifrar el corpus en Amazon S3 (protege en reposo, pero el modelo aún puede aprender PII si se incluye en el entrenamiento).

(#214) Una cadena de ferreterías necesita un chatbot que consulte inventario en vivo vía API y diga el pasillo exacto. No basta con ejemplos en el prompt ni con razonar sin actuar. ¿Qué técnica de prompting/orquestación encaja?. Few-shot prompting. Cadena de pensamiento (chain-of-thought) sin herramientas. Reasoning and acting / ReAct prompting (razonar y actuar). Zero-shot prompting.

(#215) Una firma legal analiza contratos confidenciales con un modelo de terceros alojado en Amazon Bedrock. El CISO pregunta, en términos de responsabilidad compartida y privacidad del servicio, qué ocurre con prompts y salidas respecto al proveedor del modelo. ¿Qué afirmación es correcta?. Las entradas son privadas, pero las salidas se comparten con el proveedor del modelo de terceros. Entradas y salidas se anonimizan y luego se envían al proveedor del modelo de terceros. Las entradas del usuario y las salidas del modelo no se comparten con los proveedores de modelos de terceros. Entradas y salidas se redactan automáticamente y se reenvían al proveedor del modelo de terceros.

(#216) Una productora de podcasts necesita generar automáticamente transcripciones escritas del audio de cada episodio para publicar subtítulos. ¿Qué servicio de AWS cumple este requisito?. Amazon Transcribe. Amazon Translate. Amazon Polly. Amazon Comprehend.

(#217) Un marketplace en línea quiere segmentar compradores según historial de compras y preferencias para personalizar la experiencia. ¿Qué técnica de ML debe usar?. Clasificación. Regresión. Clustering. Generación de contenido.

(#222) Una empresa está incorporando IA a su proceso de selección de personal y quiere reducir riesgos de sesgo y mantener decisiones de contratación equitativas. ¿Qué PAR de dimensiones centrales de IA responsable debe priorizar?. Flexibilidad y tolerancia. Equidad (fairness) y flexibilidad. Equidad (fairness) y transparencia. Tolerancia y transparencia.

(#224) Una app GenAI usa un FM preentrenado en Amazon Bedrock y debe incorporar información propietaria de la empresa en las respuestas, priorizando el menor costo frente a reentrenar o orquestar APIs. ¿Qué solución encaja?. Usar Amazon Bedrock Knowledge Bases (RAG). Desplegar un modelo personalizado importado sin indexar documentos. Hacer fine-tuning del FM con todo el corpus interno. Usar Amazon Bedrock Agents para llamar APIs aunque no haya acciones externas.

(#226) Una universidad construye un chatbot de políticas estudiantiles sobre un gran repositorio de PDFs que se actualiza cada semestre. Quiere respuestas fundamentadas en documentos actuales sin reentrenar el LLM cada ciclo. ¿Qué técnica encaja mejor?. Fijar temperature (temperatura) en 1. Usar Retrieval Augmented Generation (RAG). Hacer fine-tuning del modelo con todos los PDFs cada semestre. Disminuir el tamaño máximo de tokens de salida.

(#227) Una plataforma educativa entrena un LLM para adolescentes y quiere medir si la salida replica ortografía creativa y abreviaturas de textos de referencia (solapamiento superficial de n-gramas). ¿Qué métrica encaja?. BERTScore (similitud semántica contextual). BLEU (Bilingual Evaluation Understudy). Perplexity (perplejidad). F1 score de clasificación de intenciones.

(#229) Un banco necesita que su chatbot sobre Amazon Bedrock reduzca respuestas inventadas (alucinaciones) frente a políticas internas. ¿Qué control evalúa entradas y salidas del modelo para anclar respuestas factuales?. AWS Config (inventario y conformidad de configuración de recursos, no grounding de LLM). AWS Audit Manager (evidencia de auditorías de cumplimiento de TI). Amazon Bedrock Guardrails con políticas que evalúan prompts y respuestas (p. ej. contextual grounding). Amazon Inspector (escaneo de vulnerabilidades de software en cargas de trabajo).

(#230) Tras entrenar varias versiones de un modelo, un equipo necesita un repositorio central para almacenarlos, versionarlos y rastrear su estado de aprobación y despliegue. ¿Qué capacidad de AWS cumple esto?. Amazon SageMaker Model Monitor. Amazon SageMaker Canvas. Amazon SageMaker Model Registry. AWS Audit Manager.

(#231) Un científico de datos predice riesgo de abandono de clientes y necesita dar a gerentes transparencia sobre por qué cada predicción individual fue alta o baja. ¿Qué solución cumple este requisito?. Presentar los valores de Shapley (SHAP) del modelo para cada predicción. Proporcionar solo la accuracy global del modelo. Proporcionar solo la matriz de confusión agregada. Proporcionar un endpoint de inferencia seguro sin explicaciones.

(#236) Un cineasta quiere ampliar su audiencia agregando subtítulos y locuciones en varios idiomas a sus películas. ¿Qué PAR de pasos cumple juntos este requisito?. Usar Amazon Polly para las locuciones y usar Amazon Transcribe con Amazon Translate para los subtítulos. Usar Amazon Translate para las locuciones y usar Amazon Textract con Amazon Translate para los subtítulos. Usar Amazon Polly para las locuciones y usar Amazon Textract con Amazon Translate para los subtítulos. Usar Amazon Translate para las locuciones y usar Amazon Transcribe con Amazon Translate para los subtítulos.

(#240) Un hospital entrenó un modelo con historial clínico para estimar si un paciente será readmitido en 30 días. Al alta, el sistema debe devolver esa predicción para un paciente nuevo. ¿Qué tarea representa inferencia (inference)?. Aplicar el modelo entrenado para predecir readmisión de un paciente nuevo. Recolectar registros históricos de readmisión para el dataset. Medir rendimiento del modelo con métricas de evaluación en validación. Analizar correlaciones exploratorias entre variables de pacientes.

(#241) Un banco necesita flujos donde personal revise predicciones del modelo ML, con umbrales de confianza configurables que determinen cuándo escalar a revisión humana. ¿Qué servicio de AWS cumple esto?. Amazon SageMaker Ground Truth. Amazon Inspector. Amazon Augmented AI (Amazon A2I). AWS Audit Manager.

(#243) Una cadena de retail quiere que analistas de negocio construyan y desplieguen modelos ML en AWS sin escribir código. ¿Qué servicio o función cumple este requisito?. Amazon Rekognition. Amazon Comprehend. Amazon SageMaker Canvas. AWS DeepRacer.

(#244) Un equipo de datos quiere almacenar embeddings junto a datos transaccionales y hacer búsqueda por similitud vectorial con SQL, sin montar un motor de búsqueda separado. ¿Cuál es el principal beneficio de Amazon Aurora con la extensión pgvector?. Genera foundation models automáticamente. Sustituye a Amazon Bedrock Knowledge Bases para orquestar Agents. Habilita búsqueda por similitud vectorial dentro de una base relacional. Proporciona Provisioned Throughput para LLMs.

(#246) ¿Qué PAR de parámetros se usa comúnmente para controlar la diversidad de la salida de un modelo de IA generativa?. Model size y training dataset size. Top-k sampling y model size. Training dataset size y top-p (nucleus) sampling. Top-k sampling y top-p (nucleus) sampling.

(#247) Una agencia de publicidad usa un foundation model (FM) de imagen en Amazon Bedrock y necesita controlar si cada render sale más detallado o más abstracto. ¿Qué parámetro del modelo debe ajustar?. Model checkpoint (punto de control del modelo). Generation step (pasos de generación / denoising). Batch size (tamaño de lote de entrenamiento). Token length (longitud máxima de tokens de texto).

(#253) Un analista de RR. HH. sin experiencia en programación quiere predecir la rotación de personal sin escribir código. ¿Qué función de Amazon SageMaker satisface este requisito?. SageMaker Canvas. SageMaker Clarify. SageMaker Model Monitor. SageMaker Data Wrangler.

(#254) Una empresa quiere que su programa de IA sea más justo (fair) y explicable, y decide invertir en formación del equipo de desarrollo. ¿Qué capacitación alinea mejor con gobernanza de IA responsable?. Solo habilidades avanzadas de programación. Solo privacidad de datos y protocolos de cifrado. Conciencia de sesgo (bias awareness) e IA responsable (responsible AI). Solo algoritmos avanzados de machine learning.

(#255) Una aseguradora debe demostrar ante reguladores que comprende cómo su modelo de ML llega a cada decisión de prima. ¿Qué término describe mejor esa capacidad de entender las predicciones del modelo?. Interpretabilidad del modelo (model interpretability). Entrenamiento del modelo (model training). Rendimiento del modelo (model performance). Interoperabilidad del modelo (model interoperability).

(#256) Una tienda en línea quiere agrupar clientes según demografía y comportamiento de compra sin etiquetas de segmento previas. ¿Qué algoritmo debe usar?. Árbol de decisión (decision tree) supervisado. Máquina de vectores de soporte (SVM) supervisada. K-nearest neighbours (k-NN) para clasificación etiquetada. K-means (clustering).

(#257) Una inmobiliaria genera renders con Amazon Nova Canvas en Amazon Bedrock y necesita excluir de forma explícita elementos no deseados (por ejemplo, muebles o personas). ¿Qué técnica de prompting aplica?. Subir la temperature (temperatura) para más diversidad. Usar un prompt negativo (negative prompt) que liste lo que debe evitarse. Indexar catálogos en Amazon Bedrock Knowledge Bases (RAG). Aplicar ajuste fino (fine-tuning) del modelo de imagen.

(#260) Una empresa quiere personalizar un foundation model (FM) absorbiendo grandes volúmenes de documentos internos no etiquetados para mejorar el dominio lingüístico general, no una tarea supervisada concreta de prompt-respuesta. ¿Qué enfoque cumple el requisito?. Clasificación supervisada (classification). Destilación (distillation) a un modelo más pequeño. Continued pre-training / continuous pre-training (preentrenamiento continuo). Regresión (regression) sobre métricas de negocio.

(#262) Una fintech usa un modelo de IA generativa para asignar límites de gasto a tarjetas nuevas y quiere hacer más transparente el proceso de decisión para los clientes. ¿Qué solución cumple este requisito?. Reemplazar el modelo de ML por un sistema basado solo en reglas fijas. Aplicar técnicas de IA explicable (XAI, explainable AI) para mostrar qué factores influyeron. Mostrar solo logs técnicos internos sin explicación al cliente. Aumentar la precisión del modelo para evitar cualquier necesidad de transparencia.

(#263) La calidad de inferencia de un modelo cayó tras cuatro meses en producción. El equipo quiere alertas si vuelve a degradarse. ¿Qué solución encaja?. Construir un modelo nuevo y monitorear drift con Amazon SageMaker Feature Store. Reentrenar el modelo y monitorear drift con Amazon SageMaker Model Monitor. Reentrenar el modelo y monitorear drift con Amazon SageMaker Clarify. Construir un modelo nuevo y vigilarlo solo con alarmas de Amazon CloudWatch.

(#268) Un equipo de soporte analiza el tono emocional en tickets de clientes mediante análisis de sentimiento. ¿De qué campo más amplio de IA forma parte?. Procesamiento de lenguaje natural (NLP). Visión por computadora (Computer Vision). Pronóstico de series temporales. Reconocimiento de voz.

(#269) Una empresa debe invocar las APIs de Amazon Bedrock desde su VPC sin atravesar internet público. ¿Qué patrón de red cumple el requisito?. AWS Glue Data Catalog con cifrado (catalogación, no conectividad privada a Bedrock). AWS PrivateLink (interface VPC endpoint) hacia Amazon Bedrock. Amazon CloudFront restringiendo contenido privado (CDN, no endpoint privado de Bedrock). AWS Lake Formation para gobernanza entre cuentas (permisos de data lake, no PrivateLink a Bedrock).

(#270) Una empresa de software recibe miles de comentarios libres en encuestas de satisfacción y quiere analizar el sentimiento expresado. ¿Qué solución cumple este requisito?. Usar un algoritmo de regresión para ordenar comentarios en categorías predefinidas. Usar un motor de recomendaciones para detectar sentimiento. Usar un modelo de lenguaje grande (LLM) con NLP para análisis de sentimiento. Usar un algoritmo de series temporales para predecir sentimiento histórico.

(#274) Una universidad digital almacena miles de guías, videos y manuales y necesita búsqueda empresarial inteligente sobre ese contenido no estructurado. ¿Qué servicio de AWS encaja mejor?. Amazon Polly. Amazon Kendra. Amazon Textract. Amazon Comprehend.

(#275) Una productora de contenido audiovisual quiere usar IA generativa para crear clips nuevos y reducir tiempos de producción. ¿Qué solución cumple estos requisitos con MAYOR eficiencia operativa?. Usar el modelo Amazon Titan Image Generator en Amazon Bedrock para crear imágenes intermedias y luego armar videos con software de edición. Usar el modelo Amazon Nova Reel en Amazon Bedrock para generar videos. Usar el modelo Amazon Nova Canvas en Amazon Bedrock para crear imágenes intermedias y luego armar videos con software de edición. Usar el modelo Amazon Nova Pro en Amazon Bedrock para generar videos.

(#276) Un banco entrena un detector de fraude donde las transacciones legítimas superan ampliamente a las fraudulentas. Quiere una sola métrica que equilibre detectar fraudes (recall) y limitar falsas alarmas (precision). ¿Cuál debe priorizar?. Accuracy (exactitud), porque refleja el porcentaje global de aciertos. Recall solo, porque maximiza la detección de fraudes sin importar falsos positivos. Precision solo, porque minimiza falsas alarmas sin importar fraudes omitidos. F1 score (puntaje F1), porque combina precisión y recall en una media armónica.

(#278) Un equipo jurídico necesita condensar contratos extensos en puntos clave para acelerar la revisión humana. ¿Qué estrategia de IA generativa cumple este requisito?. Regresión (regression) de variables numéricas. Resumen (summarization) de documentos largos. Clustering (agrupamiento) no supervisado de cláusulas sin narrativa. Clasificación (classification) binaria de riesgo únicamente.

(#279) Una agencia de marketing despliega en Amazon SageMaker un modelo que detecta temas en publicaciones de redes sociales y necesita mostrar cómo las variables de entrada influyen en el comportamiento del modelo. ¿Qué característica de SageMaker cumple este requisito?. Amazon SageMaker Ground Truth. Amazon SageMaker Clarify. Amazon SageMaker Feature Store. Amazon SageMaker Canvas.

(#280) Una empresa de telecomunicaciones monitorea niveles de señal en antenas rurales, registrando lecturas cada minuto en Amazon RDS para predecir cortes de servicio. ¿Qué tipo de datos debe recolectar?. Datos tabulares. Datos de texto. Datos de series temporales. Datos de audio.

(#281) Una minera quiere detectar lecturas anómalas en sensores de maquinaria sin contar con ejemplos etiquetados de fallas. ¿Qué método de ML cumple este requisito?. Árbol de decisión. Autoencoders. Regresión lineal. Regresión logística.

(#282) Una tienda de moda usa un asistente de IA generativa en Amazon Bedrock para recomendar productos y quiere medir el impacto directo en ventas, no solo engagement. ¿Qué métrica cumple este requisito?. Cantidad de interacciones de clientes con el asistente. Puntajes de análisis de sentimiento (sentiment analysis) del feedback. Tasa de conversión (conversion rate) de clientes que compran tras interactuar con el asistente. Tasas de precisión de comprensión del lenguaje natural (NLU accuracy).

(#285) Una empresa construye GenAI sobre Amazon Bedrock y necesita un servicio AWS con almacenamiento vectorial y búsqueda por similitud (k-NN) para embeddings de RAG. ¿Qué servicio encaja de forma directa?. Amazon DynamoDB. Amazon ElastiCache. Amazon OpenSearch Service. Amazon Redshift.

(#286) Una plataforma de streaming de video quiere recomendar contenido a cada usuario según su historial de visualización. ¿Qué servicio de AWS cumple este requisito?. Amazon Personalize. Amazon Transcribe. Amazon Polly. Amazon Comprehend.

(#287) Una entidad financiera tiene un modelo que aprueba o rechaza hipotecas. Por regulación debe documentar uso previsto, rendimiento y detalles de decisión de forma auditable. ¿Qué solución cumple estos requisitos?. Amazon Textract. Amazon SageMaker Model Cards. AWS CloudFormation. Amazon Comprehend.

(#289) Un equipo de ciencia de datos quiere arrancar rápido un proyecto de GenAI con modelos preentrenados y plantillas listas para desplegar en su cuenta. ¿Cuál es el beneficio principal de Amazon SageMaker JumpStart?. Reduce automáticamente los costos de inferencia On-Demand de Bedrock. Proporciona acceso a modelos preentrenados y soluciones listas para usar. Ajusta automáticamente todos los hiperparámetros sin intervención. Administra el etiquetado humano de datos (human labeling) a escala.

(#290) Un equipo adopta MLOps para gestionar flujos de ML con mayor confiabilidad. ¿Qué PAR de prácticas debe priorizar?. Versionado de modelos para reproducibilidad y pruebas y validación automatizadas de modelos. Despliegues exclusivamente manuales y documentación mínima. Versionado de modelos para reproducibilidad y despliegues exclusivamente manuales. Pruebas y validación automatizadas de modelos y documentación mínima.

(#292) ¿Qué PAR de características de Amazon Bedrock ayuda con el filtrado de contenido y la seguridad?. Opciones de personalización del modelo y capacidades de gestión de prompts. Guardrails para filtrar contenido y detección de marcas de agua (watermark detection) para contenido generado por IA. Guardrails para filtrar contenido y opciones de personalización del modelo. Capacidades de gestión de prompts y detección de marcas de agua (watermark detection).

(#293) Un equipo compara un clasificador de fraude con un sistema que redacta informes narrativos a partir de datos. ¿Cuál diferencia describe correctamente modelos discriminativos (discriminative) frente a generativos (generative)?. Los modelos discriminativos siempre son más rápidos que los generativos. Los modelos discriminativos siempre son más precisos que los generativos. Los discriminativos clasifican o predicen etiquetas; los generativos crean contenido nuevo. Los discriminativos siempre necesitan más datos de entrenamiento que los generativos.

(#294) ¿Qué PAR de métricas se usa comúnmente para evaluar la calidad de la salida de modelos de IA generativa?. Uso de memoria GPU y throughput de solicitudes por segundo. BLEU score para calidad de traducción y uso de memoria GPU. BLEU score para calidad de traducción y ROUGE score para calidad de resúmenes. Throughput de solicitudes por segundo y ROUGE score para calidad de resúmenes.

(#295) Una empresa quiere que empleados hagan preguntas en lenguaje natural sobre políticas y documentos internos con controles de acceso. ¿Cuál es el propósito principal de Amazon Q Business?. Entrenar modelos de ML personalizados desde cero. Almacenar grandes conjuntos de datos como data lake. Proporcionar asistencia empresarial impulsada por IA sobre los datos de la compañía. Monitorear infraestructura de cómputo y alarmas.

(#298) Una empresa de medios compara modelos Amazon Nova en Amazon Bedrock y necesita un modelo multimodal que soporte varios idiomas. ¿Qué modelo Nova cumple estos requisitos de forma MÁS rentable?. Nova Pro. Nova Lite. Nova Canvas. Nova Reel.

(#299) Un chatbot de IA generativa sobre un modelo base (FM) de Amazon Bedrock es vulnerable a inyección de prompts. ¿Cómo puede la empresa asegurarlo con el MENOR esfuerzo?. Ajustar el FM para evitar respuestas dañinas. Aplicar filtros de contenido y temas denegados de Amazon Bedrock Guardrails. Cambiar a un modelo base diferente. Agregar más ejemplos few-shot al prompt.

(#300) Tras entrenar un modelo de churn en Amazon SageMaker AI, un equipo de retail lo expone en un endpoint para predecir clientes en riesgo cada noche. ¿Qué significa inferencia (inference) en este contexto?. Recolectar y etiquetar el dataset histórico de abandono. Diseñar un algoritmo de ML completamente nuevo desde cero. Ajustar hiperparámetros (hyperparameter tuning) durante el entrenamiento. Aplicar el modelo ya entrenado a datos nuevos para producir predicciones.

(#301) Una empresa logística necesita un asistente que, en una sola sesión, consulte fuentes internas, invoque APIs externas de transporte, compare rutas y priorice una respuesta. No basta con recuperar documentos ni con versionar prompts. ¿Qué capacidad de Amazon Bedrock encaja?. Amazon Bedrock Prompt Management. Amazon Bedrock Knowledge Bases. Amazon Bedrock Agents. Amazon Bedrock Model Evaluation.

(#302) Un practicante observa que un large language model (LLM) devuelve respuestas distintas ante la misma entrada en ejecuciones sucesivas. ¿Qué riesgo o propiedad de la IA describe esto?. Alucinaciones (hallucinations). No determinismo (nondeterminism). Precisión (accuracy). Multimodalidad (multimodality).

(#303) Una edtech construye una app de lectura donde los niños agregan ilustraciones a sus cuentos a partir de descripciones en texto. ¿Qué solución cumple este requisito?. Usar Amazon Polly para crear un audiolibro a partir del texto. Usar Amazon Rekognition para analizar imágenes existentes y detectar texto. Usar Amazon Bedrock con un modelo de difusión (p. ej. Stable Diffusion) para generar imágenes desde texto. Usar Amazon Q Business para ilustrar cuentos infantiles automáticamente.

(#305) Tras una auditoría externa, una empresa obtiene acreditación ISO sobre su forma de gestionar riesgos de IA y usar IA de manera responsable. Los auditores internos preguntan qué demuestra exactamente esa acreditación. ¿Qué interpretación es correcta?. Que cada empleado de la empresa está certificado personalmente por ISO. Que cada sistema de IA en producción tiene un certificado ISO individual. Que solo el equipo de aplicaciones de IA tiene credenciales ISO personales. Que el marco (framework) de desarrollo, procesos y controles de la empresa está certificado respecto al estándar ISO aplicable.

(#307) El comité de datos define reglas sobre cuánto tiempo se conservan logs de prompts, datasets de entrenamiento y cuándo deben borrarse. ¿Qué estrategia de gobernanza describe esas reglas?. Estándares de calidad de datos (data quality standards). Retención de datos (data retention). Almacenamiento de logs (log storage) como concepto aislado sin política de borrado. Desidentificación de datos (data de-identification).

(#310) Un marketplace inmobiliario debe generar miles de descripciones únicas de propiedades al día, en párrafos con estilo y tono uniformes. ¿Qué tipo de modelo generativo cumple MEJOR estos requisitos de texto largo coherente?. Un autoencoder variacional (variational autoencoder, VAE). Un modelo de difusión (diffusion model). Un modelo basado en transformers (transformer-based model). Una red generativa adversarial (generative adversarial network, GAN).

(#313) ¿Cuál de las siguientes NO es un tipo de machine learning?. Aprendizaje supervisado (Supervised learning). Aprendizaje no supervisado (Unsupervised learning). Aprendizaje por refuerzo (Reinforcement learning). Aprendizaje diagnóstico (Diagnostic learning).

(#318) Un equipo de riesgo crediticio compara clasificadores binarios y revisa la curva ROC. En métricas de rendimiento, ¿qué significa el acrónimo AUC?. Area Under the Curve (área bajo la curva). Average Usage Cost (costo promedio de uso). Automated Update Cycle (ciclo de actualización automática). Application Unit Capacity (capacidad unitaria de la aplicación).

(#320) Una fintech necesita poner en producción un detector de fraude en semanas y no dispone de un dataset etiquetado propio para entrenar desde cero. ¿Cuál es la principal ventaja de partir de un modelo preentrenado (pretrained model) en este escenario?. Garantiza mayor precisión que cualquier modelo entrenado solo con datos de la empresa. Elimina la necesidad de evaluar el modelo en datos de fraude reales de la fintech. Puede usarse de inmediato para inferencia (inference) sin aportar un dataset de entrenamiento propio. Sustituye por completo el monitoreo de deriva (drift) en producción.

(#324) ¿Qué PAR de las siguientes son métricas de negocio para evaluar modelos de IA?. Puntaje de precisión (Precision score) y precisión media (Mean Average Precision). Puntaje de satisfacción del cliente y time-to-value (tiempo hasta generar valor). Puntaje de precisión (Precision score) y puntaje de satisfacción del cliente. Precisión media (Mean Average Precision) y time-to-value (tiempo hasta generar valor).

(#326) ¿Qué tipo de machine learning es más apropiado para entrenar un agente que toma decisiones interactuando con su entorno?. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo (Reinforcement learning). Transfer learning.

(#328) Dentro del ciclo de vida de ML, un equipo de e-commerce transforma fechas de compra, codifica categorías y crea ratios de gasto antes de entrenar. ¿Cuál es el objetivo principal de la ingeniería de features (feature engineering)?. Crear nuevas variables de entrada o transformar las existentes para mejorar el rendimiento del modelo. Recolectar datos crudos adicionales sin transformarlos. Medir qué tan bien rinde el modelo ya entrenado. Publicar el modelo en un entorno de producción.

(#329) Una cadena de retail quiere descubrir grupos naturales de clientes a partir de compras y demografía, sin etiquetas previas de segmento. ¿Cuál es un ejemplo de aprendizaje no supervisado (unsupervised learning)?. Predecir el precio de viviendas con etiquetas de venta. Detectar spam en correos con mensajes ya etiquetados. Agrupar clientes en segmentos de comportamiento (clustering). Clasificar imágenes de productos con categorías conocidas.

(#330) ¿Cuál es la diferencia principal entre inferencia por lotes (batch) e inferencia en tiempo real?. La inferencia por lotes siempre es más precisa. La inferencia en tiempo real solo funciona con datasets pequeños. La inferencia por lotes procesa múltiples entradas juntas; la inferencia en tiempo real procesa cada solicitud al llegar. La inferencia en tiempo real siempre es más rápida que la inferencia por lotes.

(#334) Un equipo estima costos de Amazon Bedrock y necesita entender la unidad que el proveedor usa para medir prompts y respuestas. En IA generativa, ¿qué es un token?. Una función de seguridad (security feature) del perímetro de red. Un tipo de arquitectura de red neuronal (neural network). Una unidad de texto (texto fragmentado) que el modelo procesa y genera. Una métrica de evaluación (evaluation metric) como exactitud.

(#337) Un chatbot de soporte genera a veces citas de políticas internas que no existen en la base documental. En IA generativa, ¿cómo se denomina este comportamiento?. Una salida visual (visual output) del modelo. Un tipo de arquitectura de modelo (model architecture). Una alucinación (hallucination): salida incorrecta o fabricada presentada como hecho. Un método de entrenamiento (training method) supervisado.

(#339) Un equipo de producto debate si construir un clasificador estrecho o adoptar un modelo grande preentrenado adaptable a resumen, Q&A y generación. ¿Qué es un foundation model (FM) en IA generativa?. Un modelo que solo puede generar texto y nada más. Un modelo diseñado exclusivamente para generación de imágenes. Un modelo grande preentrenado que puede adaptarse a muchas tareas posteriores. Un modelo que no requiere datos de entrenamiento en ninguna etapa.

(#340) Un practicante revisa el ciclo de vida de un foundation model (FM) desde datos hasta producción. ¿Cuál de las siguientes NO es una etapa de ese ciclo de vida técnico?. Fine-tuning (ajuste fino). Marketing (comercialización del producto). Pre-entrenamiento (pre-training). Despliegue (deployment).

(#341) Una startup sin equipo de ML dedicado quiere construir una app de IA generativa y evitar entrenar foundation models (FMs) desde cero. ¿Cuál es una ventaja principal de usar los servicios de IA generativa de AWS en este escenario?. Los servicios siempre son gratuitos en producción. Garantizan un 100 % de precisión en todas las salidas. Reducen la barrera de entrada (barrier to entry) al ofrecer FMs e infraestructura administrada. Eliminan por completo la necesidad de escribir código de aplicación.

(#342) Un analista mejora las respuestas de un chatbot en Amazon Bedrock refinando instrucciones, ejemplos y restricciones en el texto de entrada, sin reentrenar el modelo. ¿Qué práctica describe esto?. Un método para comprimir modelos (model compression) y ejecutarlos más rápido. Prompt engineering: diseñar prompts de entrada efectivos para guiar las salidas del modelo. Diseñar la arquitectura de red neuronal (neural architecture design) del FM. Etiquetar datos de entrenamiento para aprendizaje supervisado (supervised learning).

(#345) ¿Qué PAR de servicios de AWS puede usarse para análisis de documentos y extracción de información?. Amazon Polly y Amazon Translate. Amazon Textract y Amazon Polly. Amazon Comprehend y Amazon Translate. Amazon Textract y Amazon Comprehend.

(#347) Un banco debe explicar a reguladores cada factor que influyó en decisiones de crédito. Evalúa un modelo de gradient boosting frente a un LLM. ¿Qué factor favorece más el modelo ML tradicional?. Requisitos de explicabilidad. Soporte multilingüe. Capacidad de generación de contenido. Necesidad de interfaz conversacional.

(#348) Una clínica rural quiere desplegar una herramienta de apoyo diagnóstico en tablets con poca memoria y sin conexión a internet. ¿Qué restricción favorece más un modelo ML tradicional sobre un foundation model?. La necesidad de generar imágenes en tiempo real. Restricciones operativas de memoria y conectividad. El requisito de chat multilingüe. La necesidad de resumir texto de forma abierta.

(#349) Una app de movilidad urbana procesa miles de solicitudes de rutas diarias con patrones de tráfico que cambian cada semana. ¿Qué beneficio ofrece AI/ML frente a un sistema basado solo en reglas fijas?. Salidas siempre determinísticas e idénticas para toda entrada. Capacidad de escalar y adaptarse a patrones cambiantes en los datos. Corrección garantizada sin necesidad de validación continua. Eliminación total de costos de cómputo e infraestructura.

(#351) Una startup quiere usar un foundation model (modelo fundacional) pero no tiene presupuesto ni datos para preentrenarlo desde cero. ¿Qué enfoque le permite obtener uno listo para usar o ajustar?. Usar un modelo preentrenado de código abierto desde un hub de modelos. Construir un sistema experto basado solo en reglas de negocio. Entrenar un árbol de decisión pequeño con pocos ejemplos etiquetados. Escribir código de inferencia personalizado sin ningún modelo.

(#353) Una empresa de medios quiere usar foundation models desarrollados por AWS para generar copy de marketing e imágenes. ¿Qué oferta proporciona FMs de primera parte (first-party) construidos por Amazon?. Amazon Rekognition. Amazon Nova. Amazon Comprehend. Amazon Polly.

(#354) Una empresa quiere modernizar aplicaciones heredadas (legacy) usando herramientas asistidas por IA para transformar y migrar cargas de trabajo. ¿Qué servicio de AWS cumple este requisito?. AWS Transform. Amazon Textract. Amazon Translate. Amazon Transcribe.

(#355) Una startup de logística quiere un sistema que, sin supervisión constante, planee rutas, consulte inventario vía API y dispare pedidos de reposición cuando detecte faltantes. ¿Qué enfoque de IA describe mejor esta capacidad?. IA generativa de imágenes a partir de prompts de texto. IA agéntica (agentic AI) que planifica, decide y ejecuta acciones para alcanzar objetivos. Reconocimiento automático de voz (speech-to-text). Aprendizaje no supervisado (unsupervised learning) para clústeres de clientes.

(#357) Un equipo de desarrollo necesita un asistente de IA en el IDE que responda preguntas sobre su código, explique funciones y ayude a depurar errores. ¿Qué servicio de AWS cumple este requisito?. Amazon Comprehend. Amazon Q Developer. Amazon Textract. Amazon Transcribe.

(#364) Una consultora necesita un sistema que investigue tendencias de mercado, redacte un informe ejecutivo y lo envíe por correo a directivos sin intervención humana en cada paso. ¿Qué tipo de aplicación de IA encaja mejor?. Reconocimiento de voz (speech recognition). Clasificación de imágenes (image classification). IA agéntica (agentic AI). Análisis de sentimiento (sentiment analysis).

(#365) Un equipo de visión industrial compara un clasificador clásico (features manuales + SVM) con una red convolucional profunda sobre fotos de piezas. ¿Qué afirmación describe mejor la diferencia entre Deep Learning y Machine Learning tradicional?. Deep Learning exige features diseñadas a mano, mientras que el ML tradicional las aprende solo. Deep Learning usa redes neuronales multicapa que aprenden representaciones directamente de datos crudos. Deep Learning solo se aplica a texto y no a imágenes o audio. Deep Learning siempre requiere menos datos etiquetados que el ML tradicional.

(#367) ¿Cuál de las siguientes es un ejemplo de datos no estructurados?. Una tabla de base de datos con columnas de fecha, cantidad y precio de pedidos. Una hoja de cálculo con IDs, nombres y salarios de empleados. Una colección de correos de soporte redactados libremente por clientes. Un archivo CSV con lecturas de sensores indexadas por timestamp.

(#368) Un equipo de MLOps hereda pipelines frágiles, notebooks sin versionar y dependencias sin documentar que retrasan cada cambio en producción. En MLOps, ¿a qué se refiere gestionar la deuda técnica (technical debt)?. Reducir solo el costo de instancias de cómputo en la nube. Atender atajos acumulados, dependencias obsoletas y procesos no documentados que dificultan mantener sistemas ML. Aumentar el número de parámetros del modelo para mejorar precisión. Eliminar datasets antiguos del almacén de objetos sin más análisis.

(#370) ¿Cuál es el propósito del ajuste de hiperparámetros (hyperparameter tuning) en el ciclo de vida de ML?. Recolectar y limpiar los datos crudos de entrenamiento. Encontrar la configuración del modelo que produce el mejor rendimiento. Desplegar el modelo entrenado a un endpoint de producción. Monitorear drift de datos después del despliegue.

(#371) En Machine Learning, ¿a qué se refiere más comúnmente el término bias (sesgo)?. La velocidad de entrenamiento del modelo. Un error sistemático que hace que el modelo favorezca ciertos resultados de forma consistente. La cantidad total de parámetros del modelo. El proceso de dividir datos en entrenamiento y prueba.

(#375) Un hospital necesita una herramienta de IA generativa con speech-to-text orientada a dictado clínico y notas médicas. ¿Qué servicio de AWS cumple este requisito?. Amazon Q Developer. Amazon Polly. AWS HealthScribe. Amazon Rekognition.

(#377) El asistente de IA de un bufete jurídico en Amazon Bedrock debe combinar la pregunta del usuario, cláusulas relevantes de contratos recuperadas de una base de conocimiento, las reglas de cumplimiento de la firma y el historial de conversación en una sola llamada al modelo. ¿Qué práctica gobierna cómo se ensamblan y priorizan estos elementos?. Fine-tuning. Hyperparameter tuning. Context engineering. Feature engineering.

(#379) Una empresa de servicios financieros quiere que varios agentes de IA especializados colaboren en solicitudes complejas: uno consulta cuentas, otro procesa transacciones y otro verifica cumplimiento (compliance). ¿Qué concepto de IA agéntica representa esta arquitectura con MENOR acoplamiento monolítico?. Aprendizaje por refuerzo (reinforcement learning) de un único agente generalista. Patrón de sistema multiagente (multi-agent system) con colaboración entre especialistas. Pipeline de clasificación supervisada (supervised classification) de tickets. Flujo de trabajo de inferencia por lotes (batch inference) programada.

(#382) Una empresa necesita infraestructura administrada para desplegar, escalar y monitorear agentes de IA en producción sin gestionar cómputo ni red subyacentes. ¿Qué servicio de AWS cumple este requisito con MENOR esfuerzo operativo?. Amazon Bedrock AgentCore. Amazon SageMaker Canvas. Amazon Kendra. Amazon Polly.

(#383) Una empresa logística construye un agente de IA que consulta inventario, reserva envíos y genera guías de despacho invocando APIs de proveedores externos. Quiere la capacidad agéntica (agentic AI) que permita esas acciones con MENOR rediseño del modelo base. ¿Qué capacidad es la correcta?. Gestión de memoria (memory management) a largo plazo del agente. Uso de herramientas (tool use / tool calling) para invocar APIs externas. Fine-tuning completo del foundation model (FM) con todos los catálogos de proveedores. Caché de prompts (prompt caching) de conversaciones previas.

(#384) Una fintech opera varias aplicaciones de IA generativa en Amazon Bedrock y necesita versionar plantillas de prompts, comparar variantes A/B y revertir a una versión anterior si cae la calidad en producción. ¿Qué capacidad de Amazon Bedrock cubre ese ciclo de vida?. Amazon Bedrock Knowledge Bases (bases de conocimiento). Amazon Bedrock Guardrails (barandillas de seguridad). Amazon Bedrock Prompt Management (gestión de prompts). Amazon Bedrock Model Evaluation (evaluación de modelos).