Guía del examen AIF-C01 y fundamentos de IA/ML

Toda certificación de AWS comienza con un documento: la guía oficial del examen. Para AIF-C01 ese documento hace dos trabajos a la vez: te dice exactamente cómo está construido el examen (códigos, minutos, preguntas, nota de corte, pesos) y define el vocabulario conceptual que debes dominar en el Dominio 1 (Fundamentos de IA y ML, 20% de la puntuación). Los estudiantes que se saltan la guía y van directo a las tarjetas de memorización suelen suspender por las mismas tres razones: calculan mal el presupuesto de tiempo, confunden el sesgo estadístico con el sesgo de equidad y no saben cuándo la IA es la respuesta equivocada a un problema de negocio.

En esta lección vas a:

• leer la guía del examen como la leería quien redacta el examen: código, tiempos, coste, puntuación, idiomas;
• convertir los pesos de dominio en un presupuesto concreto de horas de estudio;
• dominar los cuatro tipos de pregunta y el modelo de puntuación compensatoria;
• separar IA, machine learning, aprendizaje profundo e IA generativa usando las propias definiciones de AWS;
• elegir entre aprendizaje supervisado, no supervisado, por refuerzo y semisupervisado;
• fijar el vocabulario: modelo, algoritmo, entrenamiento, inferencia, época, lote, atributo, etiqueta;
• diagnosticar infraajuste y sobreajuste a través de la lente de sesgo/varianza;
• calcular e interpretar exactitud, precisión, recall y F1;
• mapear el ciclo de vida de ML de seis fases a servicios reales de AWS;
• asimilar las actualizaciones de la guía 2025 to 2026 (objetivos v1.1) y separar lo verificado de lo no verificado;
• aplicar los esenciales de estrategia de examen: ritmo, eliminación y las familias de trampas recurrentes;
• estudiar casos reales de AWS: servicios, cifras y fuentes;
• practicar con 12 preguntas tipo examen más comprobaciones interactivas.

---

1. Qué mide realmente el AIF-C01

1.1 El candidato objetivo

La guía define al candidato objetivo en una sola frase, y esa frase es por sí misma material de examen: un candidato tiene hasta 6 meses de exposición a tecnologías de IA/ML en AWS y usa pero no necesariamente construye soluciones de IA/ML. Esta es una credencial de practicante, no de ingeniero. Se te examina de criterio, vocabulario, selección de servicios y gobernanza: no de escribir código de entrenamiento.

1.2 Dentro del alcance y explícitamente fuera del alcance

La guía traza una línea dura en torno al alcance. La lista de exclusión no es decoración: sus elementos han aparecido como distractores en el conjunto oficial de preguntas de práctica, porque un distractor que suena a «trabajo real de ML» es la respuesta incorrecta más tentadora de todas.

Explícitamente fuera del alcance (guía del examen):

• codificar modelos de IA/ML;
• ingeniería de datos e ingeniería de atributos;
• ajuste de hiperparámetros;
• construir pipelines de ML;
• análisis matemático y estadístico;
• implementar protocolos de seguridad y cumplimiento;
• desarrollar marcos de gobernanza.

Explícitamente dentro del alcance (conocimiento AWS recomendado):

• servicios básicos en la nube: Amazon EC2, Amazon S3, AWS Lambda;
• servicios de IA: Amazon Bedrock, Amazon SageMaker AI;
• modelo de responsabilidad compartida y AWS Identity and Access Management (IAM);
• fundamentos de precios y gestión de costes de AWS.

1.3 La superficie de servicios AWS que debes reconocer

La guía publica una lista de servicios no exhaustiva, agrupada por categoría. No se te exige conocer cada ruta de la consola; se te exige saber para qué sirve cada servicio y cuándo elegirlo.

• 📚 ¿Sabías que…? El examen AIF-C01 se anunció en junio de 2024 y su beta se abrió el 13 de agosto de 2024 con 85 preguntas, 170 minutos y una tarifa de 75 USD en inglés y japonés. El examen estándar pasó a disponibilidad general en octubre de 2024 a 100 USD con 65 preguntas y 90 minutos: así que si encuentras una guía de estudio antigua que describe un examen de 170 minutos, estás leyendo material de la era beta.

---

2. Logística del examen: los números que cambian tu estrategia

2.1 La tabla de logística

Cada fila de abajo está verificada contra la página de certificación de AWS, la guía del examen o la tienda de Pearson VUE, con el año de verificación indicado.

2.2 Ejemplo E1: el presupuesto de tiempo por pregunta

El número más útil de toda la guía es una aritmética que nadie publica:

$$t = \frac{90 \times 60}{65} = \frac{5{,}400}{65} \approx 83 \text{ segundos por pregunta}$$

Si reservas 10 minutos para la revisión, el presupuesto real es $80 \times 60 / 65 \approx$ 73,8 segundos por ítem. Compara esto con la beta de 2024: $170 \times 60 / 85 = 120$ segundos por ítem: el examen estándar es aproximadamente 31% más ajustado por pregunta. Los ítems de ordenación y asociación consumen legítimamente más que la media; los ítems de opción múltiple deberían resolverse en menos de un minuto para que el excedente pague por ellos.

2.3 Ejemplo E5: coste del fallo

Un intento fallido cuesta otros 100 USD más una espera obligatoria de 14 días calendario antes de poder repetir. No hay límite de intentos y la tarifa completa se aplica cada vez; a la inversa, no puedes repetir un examen que has aprobado durante 2 años. Una promoción limitada de «Foundational Retake» terminó el 15 de febrero de 2025, así que presupuesta un solo intento.

• 📚 ¿Sabías que…? No necesitas «aprobar cada dominio». Como la puntuación es compensatoria, un Dominio 3 fuerte (28%) puede sostener un Dominio 4 débil (14%): AWS declara que necesitas una nota de aprobación solo en el examen global, y el informe de resultados aún puede mostrar comentarios por sección para guiar tu reintento.

---

3. Dominios, pesos y declaraciones de tareas

3.1 Pesos oficiales y el presupuesto de preguntas derivado

3.2 Qué prueba realmente cada dominio

3.3 Convertir pesos en un plan de estudio

Supón que tienes 40 horas antes del día del examen. Los pesos se convierten directamente en horas:

Los dominios 2 + 3 suman 52% de la puntuación: más de la mitad del examen es trabajo de IA generativa. Un candidato que dedica el 80% del tiempo de estudio a ML clásico ya ha mal asignado la mayor parte de su esfuerzo.

---

4. Tipos de pregunta y mecánica de puntuación

4.1 Los cuatro tipos de pregunta

No hay tipo de caso de estudio listado en la guía actual. Un PDF heredado de 2024 (v1.4, 31 de julio de 2024) contiene redacción de casos de estudio, y AWS no declara qué serie de numeración rige el día del examen: consulta las reservas de la sección 11.3.

4.2 Puntuación compensatoria

Compensatoria significa una sola cosa: solo el resultado global debe superar 700. No necesitas alcanzar 700 dentro de cada dominio individual. Un candidato que puntúa el equivalente a 650 en el Dominio 4 pero el equivalente a 800 en los Dominios 1 to 3 aún puede aprobar, y a la inversa: dominar el Dominio 3 no rescata una puntuación global por debajo del corte.

4.3 Ejemplo E2: escalada, no un porcentaje bruto

700 sobre 1.000 parece un 70%, y la conversión ingenua $0.70 \times 50 = 35$ respuestas correctas es aritméticamente limpia, y falsa como hecho del examen. AWS escala las puntuaciones «en múltiples formas de examen que pueden tener niveles de dificultad ligeramente diferentes», así que el número bruto de respuestas correctas necesario para 700 no está fijado en 35 y no se publica. La única regla determinística en la que puedes confiar es de comportamiento: los ítems sin respuesta se puntúan como incorrectos, así que debes responder las 65.

---

5. Inteligencia artificial, machine learning, aprendizaje profundo e IA generativa

5.1 El mapa de cuatro capas, con las propias palabras de AWS

5.2 Cuando IA/ML es la respuesta equivocada

El Dominio 1 prueba explícitamente el análisis coste-beneficio y la decisión de no usar IA. Las dos razones canónicas para rechazar un proyecto de IA:

1. Necesitas un resultado específico y determinista: si el requisito es «aplicar exactamente estas 12 reglas de negocio», un motor de reglas da la misma respuesta cada vez, es auditable línea a línea y no cuesta nada entrenarlo.
2. El coste-beneficio no cuadra: la recogida, el etiquetado, la evaluación y la monitorización de datos pueden superar el valor de la predicción, especialmente donde una hoja de cálculo o una revisión humana ya alcanzan la exactitud objetivo.

• 📚 ¿Sabías que…? La propia página «qué es el sobreajuste» de AWS usa una definición que sorprende a la gente: «Los modelos infraajustados presentan un sesgo alto: dan resultados inexactos tanto para los datos de entrenamiento como para el conjunto de prueba.» El sesgo en el Dominio 1 es un término estadístico (sesgo alto = demasiado simple) y el Dominio 4 usa el sesgo como término de equidad (sesgo demográfico). El examen prueba ambos sentidos: normalmente en dominios distintos.

---

6. Paradigmas de aprendizaje: supervisado, no supervisado, por refuerzo, semisupervisado

6.1 La tabla de decisión

AWS documenta los tres paradigmas con precisión: el aprendizaje supervisado usa atributos más valores objetivo conocidos (objetivo categórico → clasificación; objetivo continuo → regresión); el aprendizaje no supervisado no tiene etiquetas y descubre agrupaciones (PCA, clustering); el aprendizaje por refuerzo hace que un agente aprenda por ensayo y error para maximizar la recompensa a largo plazo, equilibrando exploración frente a explotación.

6.2 Elegir el paradigma a partir del enunciado

---

7. Terminología central: el vocabulario del Dominio 1

7.1 Términos con definiciones de origen AWS

7.2 Ejemplo E6: una época, un lote, 1.000 filas

Toma 1.000 filas con un tamaño de lote de 100: una época = 10 iteraciones de entrenamiento, cada una consumiendo 100 muestras. Diez épocas = 100 iteraciones en total, y el modelo ya ha visto cada fila diez veces. Más épocas no son automáticamente mejores: reducen el sesgo hasta cierto punto y luego empiezan a elevar la varianza (memorización). La guía de AWS sobre el tamaño de lote es inusualmente práctica: empieza en 1 e incrementa hasta que aparezca un error de falta de memoria, porque los lotes mayores elevan el riesgo de OOM en la instancia de entrenamiento.

7.3 Modos de inferencia

7.4 Tipos de datos que debes reconocer

• Etiquetados vs no etiquetados: determinan el paradigma antes que cualquier otra cosa;
• Estructurados/tabulares: filas y columnas; territorio del ML clásico (XGBoost en SageMaker);
• Series temporales: observaciones ordenadas; tareas de previsión;
• Imágenes: píxeles; visión por computadora (Rekognition);
• Texto: tokens no estructurados; NLP (Comprehend) e IA generativa;
• Estructurados vs no estructurados: el examen usa este par para decidir entre jobs tabulares de SageMaker y Bedrock/Comprehend/Rekognition.

---

8. Ajuste del modelo: infraajuste, sobreajuste, sesgo y varianza

8.1 La tabla de diagnóstico

8.2 Ejemplo E3: una división de 1.000 filas

División heredada por defecto: 700 filas de entrenamiento / 300 de evaluación.

La brecha te dice el diagnóstico; el nivel absoluto te dice en qué dirección moverte. El escenario B es el que los estudiantes pasan por alto: una brecha pequeña no es automáticamente buena noticia cuando ambos números son malos.

8.3 Sesgo y varianza en dos sentidos distintos

La Tarea 4.1 de la guía del examen lista «efectos del sesgo y la varianza (p. ej., efectos sobre los grupos demográficos, imprecisión, sobreajuste, infraajuste)»: uniendo deliberadamente los dos sentidos:

• Sentido estadístico (Dominios 1 y 3): sesgo alto = infraajuste, varianza alta = sobreajuste; más entrenamiento reduce el sesgo pero puede aumentar la varianza.
• Sentido de equidad (Dominio 4): el sesgo como desviación contra grupos demográficos, abordada mediante análisis de calidad de etiquetas, auditorías humanas y análisis de subgrupos, con SageMaker Model Cards documentando el uso previsto y las limitaciones del modelo.

---

9. Métricas de evaluación: exactitud, precisión, recall y F1

9.1 El conjunto de métricas

$$F1 = 2 \cdot \frac{P \times R}{P + R}$$

9.2 Ejemplo E4: por qué F1 es una media armónica

Con precisión $P = 0.80$ y recall $R = 0.50$:

$$F1 = \frac{2 \times 0.80 \times 0.50}{0.80 + 0.50} = \frac{0.80}{1.30} \approx 0.615$$

La media aritmética sería $(0.80 + 0.50)/2 = 0.650$. F1 cae más abajo (0,615) precisamente porque la media armónica se arrastra hacia la métrica más débil: ese es el punto de la métrica. Un modelo que solo encuentra la mitad de los ítems relevantes no debería calificarse como «mayormente bien».

9.3 Métricas del modelo frente a métricas de negocio

El Dominio 1 exige que mantengas separados dos libros de cuentas:

Un modelo de fraude con un 99% de exactitud que bloquea el 5% de los pagos legítimos puede destruir más valor del que ahorra: el examen espera que lo digas.

• 📚 ¿Sabías que…? F1 es una media armónica y no aritmética por una razón que aparece en las opciones del examen: con P = 0,95 y R = 0,30 la media aritmética dice 0,625 (aprobable) mientras que F1 dice 0,456 (suspenso). La media armónica se niega a dejar que un número excelente oculte uno roto: AWS documenta el rango como 0 (lo peor) a 1 (lo más alto).

---

10. El ciclo de vida de desarrollo de IA/ML

10.1 Las seis fases (AWS Well-Architected ML Lens)

El ML Lens define seis fases, y advierte que «no son necesariamente secuenciales», con bucles de retroalimentación que corren en ambas direcciones:

10.2 Mapa fase → servicio

10.3 Ejemplo E7: del objetivo de negocio al endpoint monitorado

Un equipo de retail quiere reducir el gasto de soporte un 15%. Mapeando eso al ciclo de vida:

1. Objetivo de negocio: reducir el coste de soporte un 15%: medido en dólares, no en exactitud.
2. Enfoque del problema: predecir la auto-resolución de tickets (clasificación binaria), o decidir que un resumidor de Bedrock es más barato que un clasificador.
3. Datos: 2 años de tickets en S3, limpiados con Glue DataBrew, etiquetados por 3 anotadores en Ground Truth (objetivo: ≥90% de acuerdo entre anotadores).
4. Desarrollo: entrenar en SageMaker AI, evaluar F1 = 0,74 en una división reservada del 30%.
5. Despliegue: endpoint en tiempo real de SageMaker para la consola del agente; API de Bedrock para resúmenes.
6. Monitorización: alarmas de CloudWatch sobre latencia y alertas de Model Monitor sobre deriva de atributos; la Model Card registra el uso previsto y los límites conocidos.

---

11. Hoja de ruta de preparación, recursos y reservas

11.1 Recursos oficiales de Skill Builder

11.2 El plan oficial de cuatro pasos

AWS publica un plan de preparación de cuatro pasos, y el orden importa: es diagnóstico antes que instructivo:

1. Conoce el examen: lee la guía del examen y esta lección; entiende tipos, pesos y puntuación.
2. Refresca conocimientos y habilidades de AWS: EC2, S3, Lambda, IAM, Bedrock, SageMaker AI, responsabilidad compartida, precios.
3. Repasa y practica: bancos de preguntas, vídeos de revisión por dominio, tarjetas.
4. Evalúa tu preparación: pretest oficial cronometrado o examen de práctica de 65 preguntas / 90 minutos.

11.3 Recertificación, repeticiones y afirmaciones no verificadas

• Validez: 3 años. Recertifica volviendo a aprobar AIF-C01 o consiguiendo AWS Certified Machine Learning Engineer: Associate, que recertifica automáticamente.
• Repetición: fallo → espera de 14 días calendario, intentos ilimitados, 100 USD completos cada vez; un examen aprobado no se puede repetir durante 2 años.
• Siguientes certificaciones: Solutions Architect: Associate (ruta de nube) o Data Engineer: Associate / ML Engineer: Associate (ruta de datos e IA).

• 📚 ¿Sabías que…? El historial de cambios de la guía del examen y la lista de idiomas de la página de certificación son objetivos móviles: la serie actual de la guía muestra v1.0 el 26 de marzo de 2026 y v1.1 el 30 de abril de 2026, mientras que el italiano y el alemán se retiran después del 15 de octubre de 2026, dejando el examen en 12 idiomas. Comprueba la fecha de versión de la guía en cualquier PDF que descargues: circulan ampliamente PDFs sin fecha o con fecha de 2024.

11.4 Actualizaciones de 2025 to 2026

La guía del examen es un documento vivo, y los últimos dos años la cambiaron dos veces en un solo mes: v1.1 se publicó el 30 de abril de 2026 y v1.0 el 26 de marzo de 2026. AWS declara que las actualizaciones de la guía aparecen en el examen aproximadamente un mes después de su publicación, así que cada objetivo de v1.1 listado abajo ha sido elegible para el examen desde finales de mayo de 2026. Todo lo marcado en este subapartado como verificado se comprobó contra el historial de cambios de la guía del examen de AWS (docs v1.1) el 6 de octubre de 2026; lo que no está así marcado se etiqueta como no verificado.

Los siete objetivos nuevos de v1.1 (verificados):

Otros cambios verificados de v1.1:

• Lista de servicios: se añadieron Amazon Aurora, Bedrock AgentCore, Kiro, Strands Agents, Amazon Q, SageMaker JumpStart, AWS Transform; se eliminó Amazon MemoryDB;
• Ejemplos modificados: 1.1.3 añade inferencia asincrónica y serverless; 1.1.1 dice «agentic AI»; 1.3.4 nombra Bedrock, Amazon Quick, Kiro, SageMaker AI; 1.3.6 mantiene exactitud/precisión/recall/F1 y elimina AUC; 3.1.5 añade destilación; 3.4.2 añade LLM-as-a-judge; 4.2.2 nombra Clarify + Bedrock Model Evaluations; 5.1.4 añade prevención de fugas de datos, validación de salidas, pistas de auditoría y toxicidad;
• Sin cambios: 65 preguntas (50 puntuadas + 15 no puntuadas), 90 minutos, 100 USD, nota de corte 700/1.000, validez de 3 años, nivel Foundational, los cuatro tipos de pregunta y los pesos 20 / 24 / 28 / 14 / 14;
• Estado de servicios que pueden aparecer como distractor: SageMaker Model Monitor y SageMaker Clarify cerraron a nuevos clientes el 30 de julio de 2026: el estado es mantenimiento, no un apagado ni un cambio de marca, así que los clientes existentes los conservan sin nuevas funcionalidades; Amazon Kendra entró en mantenimiento el 30 de junio de 2026 y cerró a nuevos clientes el 30 de julio de 2026, con Bedrock Managed Knowledge Base como reemplazo indicado por AWS; el vocabulario de ciclo de vida es Maintenance → Sunset → Full Shutdown.

No verificado, no lo memorices como hecho de examen: fechas de lanzamiento de la serie Claude 5 en circulación (catálogo de terceros, no una entrada de AWS); la fecha de cierre de Q Business (la documentación de AWS solo dice «ya no está abierto a nuevos clientes»); las fechas de lanzamiento de primera generación de Nova Sonic y Bedrock Managed Knowledge Base; precios contradictorios de Claude Opus 4.6 ($5.00/$25.00 frente a $15.00/$75.00); la afirmación de que los ahorros de batch y de prompt caching se multiplican (la redacción de AWS dice que el caching no es compatible con batch); el día exacto de fin de soporte de Mechanical Turk (General Reference 30 sep 2026 frente a What's New 29 sep 2026); y cualquier sucesor AIF-C02, ninguno se ha anunciado.

• 📚 ¿Sabías que…? Bedrock Guardrails incorpora ahora seis políticas, moderación de contenido, detección de ataques a prompts, temas denegados, filtros de PII/información sensible, contextual grounding y Automated Reasoning checks (vista previa el 3 de diciembre de 2024), y AWS publica hasta un 88% de bloqueo de contenido dañino más hasta un 99% de exactitud para Automated Reasoning, cuya función es validar, corregir y explicar respuestas con lógica formal en lugar de limitarse a bloquearlas.

11.5 Esenciales de estrategia de examen

La logística solo suma notas cuando se convierte en comportamiento. Estas son las tácticas de mayor rendimiento de la propia guía de preparación de AWS más las familias de trampas que se repiten en los cuatro tipos de pregunta.

Plan de ritmo (90 minutos, 65 ítems):

Familias de trampas y el hábito defensivo:

Tres reglas más que vale la pena memorizar: nunca arrastres dos opciones empatadas más allá de 90 segundos, marca, repasa, comprométete; la respuesta múltiple, la ordenación y la asociación son todo-o-nada, así que una pareja mal anulada el ítem entero; y el examen quiere la mejor respuesta, no la respuesta tramposa, AWS recompensa la opción gestionada, práctica y consciente del coste. Con unos 83 segundos por ítem, tres minutos atascado en una pregunta son dos preguntas perdidas.

• 📚 ¿Sabías que…? Detalles administrativos que merecen un hueco en tu calendario: tu informe de resultados se publica en la cuenta de AWS Certification en un plazo de 5 días laborables, puedes reprogramar hasta 24 horas antes de la cita con un máximo de 2 reprogramaciones, y una ausencia o un cambio dentro de las 24 horas hace perder la tarifa: mientras que el proctor en inglés para la entrega en línea funciona 24×7.

---

12. Casos Reales

Los Dominios 1 y 3 se enseñan con abstracciones, pero AWS publica cómo se ven esos mismos patrones en producción. Cada cifra de abajo es afirmada por el cliente o por AWS y no auditada, y se nombra la fuente para que puedas comprobarla: el punto examinable es el patrón (qué nivel de IA se eligió, qué servicio hizo el trabajo, qué cifra se movió), no el marketing.

12.1 Caso × servicios × resultado

12.2 Tres casos que vale la pena conocer en detalle

Caso A: Sun Finance: el prototipo solo con LLM que fracasó. Una entidad de préstamo en 9 países revisaba a mano el 60% de las solicitudes de microcrédito, con 10 minutos a 20 horas por expediente. El primer intento enviaba fotos de documentos de identidad directamente a Claude Sonnet 4 para extraer JSON: en un conjunto de prueba de 585 imágenes obtuvo 61,8% global y solo un 43% en el número de documento, y AWS lo rechazó porque las protecciones de privacidad del modelo bloquean la extracción directa de PII. El pipeline funcional separa el OCR del razonamiento: Textract para el OCR, Rekognition como alternativa y para enmascarar rostros, el LLM solo para estructurar, y luego reglas de validación más Titan Multimodal Embeddings en S3 Vectors para similitud de fraude. Resultado: exactitud 79,73% → 90,80% (número de documento 74,32% → 89,40%), −91% de coste por documento, 20 h → <5 s. Lección de examen: la extracción de documentos es un trabajo de servicio preconstruido primero; un LLM general es la capa de estructuración, no la capa de OCR.

Caso B: Nippon India: ingeniería de recuperación, no un modelo más grande. El RAG ingenuo se degradaba a medida que crecía el volumen de documentos y producía alucinaciones. La corrección añadió análisis con FM como parser, reformulación de consultas, RAG multi-consulta, modelos reranker, GraphRAG y filtrado por metadatos sobre Bedrock Knowledge Bases, más Guardrails y citas. Resultado: exactitud +>95%, alucinación −90 to 95%, generación de informes 2 días → ~10 minutos. AWS señala esto como funciones de producto generalmente disponibles, no como código exclusivo del cliente. Lección de examen: cuando el problema es la calidad del RAG, ajusta la recuperación antes de cambiar el modelo.

Caso C, Chronomics: el AutoML gestionado gana a cuatro meses de proyecto casero. Un equipo de health-tech pasó 4 meses construyendo un modelo de visión por computadora a medida para leer resultados de pruebas de COVID y nunca alcanzó el objetivo. Rekognition Custom Labels se entregó en 3 to 4 semanas con 96,5% de exactitud / 97,9% de F1. Subir el umbral de confianza a 0,99 elevó la exactitud al 99,6% pero descartó el 5% de las predicciones (0,999 → 99,87% con 27% descartado), así que el equipo tuvo que decidir qué ocurre con la cola descartada, la vía de revisión humana que AWS documenta justo para este caso. Lección de examen: elige el nivel deliberadamente y responde siempre «¿quién revisa la salida de baja confianza?» (Amazon A2I).

12.3 Qué tienen en común las cifras

• 📚 ¿Sabías que…? Los casos de fallo documentados son la parte más examinable de esta investigación: el intento de OCR solo con LLM de Sun Finance (61,8%), la construcción de visión casera de cuatro meses de Chronomics (3 to 4 semanas con Rekognition Custom Labels en su lugar) y la inferencia en Kubernetes autogestionada de Forethought (trasladada a SageMaker por −66%). AWS también publica la regla de preproducción que hay detrás: primero el valor, salvaguardas antes del lanzamiento, aplicada a través del Well-Architected Framework y del AWS Cloud Adoption Framework para IA/ML/IA generativa.

---

Preguntas de Práctica (Practice Questions)

---