Simulacro AIF-C01 · Bloque 1

Lee las 20 preguntas y marca una alternativa por cada una. Al final se abrirá WhatsApp con tus respuestas listas para enviar.

0/20 respondidas

1. Responsible AI y gobernanza Sesgo y explicabilidad

Un banco validó un modelo de riesgo crediticio con buena exactitud global. Legal pide evidencia previa al despliegue sobre disparidades por edad y región, y explicación de variables influyentes. ¿Qué opción encaja mejor?

A. Activar CloudWatch y revisar latencia, errores y uso del endpoint durante el piloto. B. Ejecutar SageMaker Clarify sobre un conjunto validado para medir disparidades y atribuciones. C. Eliminar columnas sensibles, reentrenar y aprobar si la exactitud global se mantiene. D. Lanzar A/B testing con clientes reales y comparar conversiones agregadas.

2. Servicios de lenguaje Comprehend vs Bedrock

Una tienda tiene 250,000 tickets etiquetados en 14 motivos fijos. Quiere clasificar tickets nuevos con baja latencia, costo predecible y sin generar texto. ¿Cuál es la mejor primera opción administrada?

A. Bedrock few-shot con temperatura baja para mantener consistencia. B. Amazon Q Business con conectores a la base de tickets. C. Amazon Comprehend Custom Classification con los tickets etiquetados. D. Knowledge Bases for Bedrock recuperando tickets similares antes de clasificar.

3. Bedrock: costo y latencia Elección de modelo

Un chatbot interno debe responder preguntas cortas con p95 menor a 1 segundo. Varios modelos cumplen calidad mínima, pero el modelo grande duplica costo y latencia. ¿Qué decisión es más adecuada?

A. Usar siempre el modelo grande y reducir max tokens. B. Elegir el modelo más pequeño que cumpla calidad y monitorear p95/costo. C. Crear un Agent para enrutar cada pregunta mediante herramientas. D. Fine-tunear un modelo aunque la calidad base ya sea suficiente.

4. Documentos y OCR Textract

Una aseguradora recibe PDFs escaneados de formularios y necesita extraer tablas, campos y pares clave-valor para revisión posterior. ¿Qué servicio AWS es el más directo?

A. Amazon Textract. B. Amazon Transcribe. C. Amazon Polly. D. Amazon Translate.

5. RAG y conocimiento empresarial Knowledge Bases

Un equipo quiere que un asistente responda usando políticas internas que cambian cada semana, sin reentrenar el modelo cada vez. ¿Qué patrón es más adecuado?

A. Fine-tuning semanal del modelo con todos los documentos. B. Aumentar la temperatura para cubrir más casos. C. Usar RAG con Knowledge Bases for Amazon Bedrock sobre los documentos. D. Usar Polly para convertir documentos a audio.

6. Seguridad en IA generativa Guardrails vs validación

Una app convierte texto en JSON que luego ejecuta una API. Guardrails bloquea temas no permitidos, pero el modelo a veces devuelve IDs inventados o campos fuera del contrato. ¿Qué control falta?

A. Validar esquema, campos permitidos e IDs reales en la aplicación antes de ejecutar. B. Subir la temperatura para mejorar creatividad. C. Reemplazar validación por un Agent con action groups. D. Confiar en que un modelo más grande respetará el contrato.

7. Entrenamiento personalizado SageMaker

Una empresa tiene datos tabulares etiquetados, quiere entrenar un modelo propio, evaluar métricas, desplegar endpoint y monitorear drift. ¿Qué servicio encaja mejor?

A. Amazon SageMaker. B. Amazon Polly. C. AWS Glue DataBrew como único servicio de ML. D. Amazon Rekognition.

8. Procesamiento por lotes Batch inference

Un retailer necesita generar resúmenes para 500,000 reseñas cada noche. No hay usuarios esperando, el volumen varía por campaña y quieren minimizar operación. ¿Qué opción es más adecuada?

A. Invocación batch/asíncrona en Bedrock con entradas/salidas en S3. B. Provisioned Throughput todo el mes aunque solo corra de noche. C. Un Agent para cada reseña, con herramientas externas obligatorias. D. Endpoint síncrono de alto tráfico para cada fila, siempre activo.

9. Voz y audio Transcribe vs Polly

Un call center quiere convertir grabaciones de llamadas a texto para análisis posterior. ¿Qué servicio debería usar primero?

A. Amazon Polly. B. Amazon Transcribe. C. Amazon Translate. D. Amazon Textract.

10. Amazon Q Business Asistente empresarial

Una empresa quiere un asistente interno que busque en Microsoft 365 y Confluence respetando permisos existentes por usuario, con mínimo código propio. ¿Qué opción es más directa?

A. Amazon Q Business con conectores gestionados y controles de acceso. B. Subir todos los documentos a un bucket público de S3. C. Crear un modelo desde cero en SageMaker para leer documentos. D. Usar Rekognition sobre capturas de pantalla de los documentos.

11. Parámetros de inferencia Temperatura y top-p

Un equipo necesita respuestas más determinísticas y menos creativas para una tarea repetitiva. ¿Qué ajuste inicial es más razonable?

A. Aumentar temperatura y top-p para explorar más alternativas. B. Reducir temperatura y acotar top-p, validando calidad con ejemplos. C. Eliminar todos los ejemplos del prompt para hacerlo más libre. D. Usar más tokens de salida para mejorar determinismo.

12. Imagen y visión Rekognition

Una app necesita detectar objetos y moderar imágenes subidas por usuarios sin entrenar un modelo propio. ¿Qué servicio AWS es más apropiado?

A. Amazon Rekognition. B. Amazon Transcribe. C. Amazon Comprehend Medical para imágenes. D. Amazon Polly.

13. Privacidad y datos sensibles PII y responsabilidad compartida

Una PoC de IA generativa usará tickets que pueden contener PII. ¿Qué práctica reduce mejor el riesgo antes de inferencia?

A. Enviar todo el texto porque el servicio administrado elimina responsabilidad del cliente. B. Detectar/enmascarar PII, limitar IAM y auditar accesos. C. Aumentar la ventana de contexto para que el modelo entienda mejor. D. Bajar max tokens, que por sí solo protege datos sensibles.

14. Drift y monitoreo Model Monitor

Un modelo en producción empieza a recibir datos de un canal nuevo. Aún no hay etiquetas recientes, pero se quiere detectar si las entradas cambiaron respecto a la línea base. ¿Qué usar?

A. SageMaker Model Monitor comparando estadísticas contra la línea base. B. Bedrock Guardrails para bloquear temas peligrosos. C. Reentrenar inmediatamente sin revisar distribución. D. Evaluar únicamente la latencia de red.

15. Traducción Translate

Una aplicación necesita traducir automáticamente reseñas de clientes de varios idiomas a español para que soporte las revise. ¿Qué servicio es el más directo?

A. Amazon Translate. B. Amazon Textract. C. Amazon Transcribe. D. Amazon Rekognition.

16. Prompting y evaluación Benchmark controlado

Antes de elegir un foundation model para producción, el equipo tiene 200 prompts representativos con respuestas aceptables. ¿Qué conviene medir?

A. Solo el tamaño máximo de ventana de contexto. B. Calidad, latencia p95 y costo por solicitud para varios modelos candidatos. C. Únicamente si el modelo acepta prompts largos. D. El proveedor con el nombre más conocido.

17. Human-in-the-loop A2I y revisión humana

Un sistema automatizado clasifica solicitudes, pero los casos de baja confianza o alto impacto deben pasar a revisión humana antes de decisión final. ¿Qué patrón es más adecuado?

A. Human-in-the-loop para casos sensibles o de baja confianza, manteniendo auditoría. B. Aumentar temperatura para que el modelo decida con más variedad. C. Publicar el modelo sin revisión porque la exactitud global es alta. D. Reemplazar métricas por opiniones informales.

18. Provisión de capacidad Provisioned Throughput

Una app crítica tiene tráfico alto y estable todo el día sobre el mismo modelo Bedrock ya aprobado. En bajo demanda hubo throttling en picos. ¿Qué opción reduce riesgo de capacidad?

A. Provisioned Throughput/capacidad dedicada para el modelo aprobado. B. Cambiar a batch nocturno aunque usuarios esperen respuesta interactiva. C. Ignorar throttling porque es responsabilidad del usuario. D. Aumentar temperatura para acelerar inferencia.

19. Extracción vs comprensión Textract + Comprehend

Una empresa debe leer contratos escaneados, extraer texto y luego detectar entidades clave en ese texto. ¿Cuál combinación tiene más sentido?

A. Textract para extraer texto y Comprehend para análisis/entidades. B. Polly para extraer texto y Rekognition para sentimiento. C. Translate para OCR y Transcribe para entidades. D. CloudWatch Logs como servicio principal de NLP.

20. Selección arquitectónica Agents

Un asistente no solo responde texto: debe consultar inventario, crear tickets y ejecutar acciones en sistemas internos con permisos controlados. ¿Qué capacidad de Bedrock es relevante?

A. Amazon Bedrock Agents con action groups y controles adecuados. B. Textract Batch OCR. C. Amazon Polly Neural voices. D. Model Monitor sin ninguna herramienta externa.