Revisiones
Las guías de examen de AWS se revisan y actualizan periódicamente para garantizar que nuestros exámenes de certificación evalúen las habilidades, los servicios y las características de AWS que son relevantes para los roles a los que se dirige una certificación. Las actualizaciones de la guía de examen se publicarán aproximadamente un mes antes de que las actualizaciones se reflejen en su examen.
Temas
Historial de cambios
| Versión | Fecha de publicación |
|---|---|
| 1.0 | 26 de marzo de 2026 |
| 1.1 | 30 de abril de 2026 |
Cambios en los objetivos
| Versión 1.0 | Versión 1.1 |
|---|---|
| Objetivo 1.1.1: Definir los términos básicos de la IA (por ejemplo, IA, ML, aprendizaje profundo, redes neuronales, visión artificial, procesamiento de lenguaje natural [NLP], modelo, algoritmo, entrenamiento e inferencia, sesgo, equidad, adecuación y modelos de lenguaje de gran tamaño [LLM]). | Objetivo 1.1.1: Definir los términos básicos de la IA (por ejemplo, IA, ML, aprendizaje profundo, redes neuronales, visión artificial, procesamiento de lenguaje natural [NLP], modelo, algoritmo, entrenamiento e inferencia, sesgo, equidad, adecuación, modelo de lenguaje de gran tamaño [LLM]), IA generativa [GenAI] y IA agéntica). |
| Objetivo 1.1.2: Describir las similitudes y diferencias entre la IA, el ML, la IA generativa y el aprendizaje profundo. | Objetivo 1.1.2: Describir las similitudes y diferencias entre la IA, el ML, la IA generativa, el aprendizaje profundo y la IA agéntica. |
| Objetivo 1.1.3: Describir varios tipos de inferencias (por ejemplo, por lotes o en tiempo real). | Objetivo 1.1.3: Describa varios tipos de inferencias (por ejemplo, por lotes, en tiempo real, asincrónicas o sin servidor). |
| Objetivo 1.1.5: Describir el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo. | Objetivo 1.1.5: Describa los diferentes tipos de aprendizaje de IA/ML (por ejemplo, aprendizaje supervisado, aprendizaje no supervisado, métodos de aprendizaje por refuerzo). |
| Objetivo 1.2.4: Identificar ejemplos de aplicaciones de IA del mundo real (por ejemplo, visión artificial, NLP, reconocimiento de voz, sistemas de recomendación, detección de fraude y pronósticos). | Objetivo 1.2.4: Identificar ejemplos de aplicaciones de IA del mundo real (por ejemplo, visión artificial, NLP, reconocimiento de voz, sistemas de recomendación, detección de fraude, pronósticos, base de conocimientos y IA agéntica). |
| Objetivo 1.3.1: Describir los componentes de una canalización de ML (por ejemplo, la recopilación de datos, el análisis exploratorio de datos [EDA], el preprocesamiento de datos, la ingeniería de características, el entrenamiento de modelos, el ajuste de hiperparámetros, la evaluación, la implementación y la supervisión). | Objetivo 1.3.1: Describa y diferencie los componentes de una canalización de AI/ML. |
| Objetivo 1.3.4: Identificar los servicios y las características de AWS relevantes para cada etapa de una canalización de ML (por ejemplo, SageMaker AI, Amazon SageMaker Data Wrangler, el Almacén de características de SageMaker y SageMaker Model Monitor). | Objetivo 1.3.4: Identifique AWS los servicios y las funciones relevantes para cada etapa de una canalización de IA y aprendizaje automático (por ejemplo, Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker (IA). |
| Objetivo 1.3.6: Describir las métricas de rendimiento del modelo (por ejemplo, la exactitud, el área bajo la curva [AUC] y la puntuación F1) y las métricas empresariales (por ejemplo, el costo por usuario, los costos de desarrollo, la opinión de los clientes y el retorno de la inversión [ROI]) para evaluar los modelos de ML. | Objetivo 1.3.6: Describir las métricas de rendimiento del modelo (por ejemplo, la exactitud, precisión, exhaustividad y la puntuación F1) y las métricas empresariales (por ejemplo, el costo por usuario, los costos de desarrollo, la opinión de los clientes y el retorno de la inversión [ROI]) para evaluar los modelos de ML. |
| Objetivo 2.2.1: Describir las ventajas de la IA generativa (por ejemplo, la adaptabilidad, la capacidad de respuesta y la simplicidad). | Objetivo 2.2.1: Describa las ventajas de GenAI (por ejemplo, la adaptabilidad, la capacidad de respuesta, las capacidades de conversación y la capacidad de generar contenido). |
| Objetivo 2.2.3: Identificar los factores a tener en cuenta cuando se seleccionan los modelos de IA generativa (por ejemplo, los tipos de modelos, los requisitos de desempeño, las capacidades, las restricciones y el cumplimiento). | Objetivo 2.2.3: Identificar los factores a tener en cuenta cuando se seleccionan los modelos de IA generativa (por ejemplo, los tipos de modelos, los requisitos de desempeño, las capacidades, las restricciones, el cumplimiento, el coste, la latencia y la complejidad del modelo). |
| Objetivo 2.2.4: Determinar el valor empresarial y las métricas de las aplicaciones de IA generativa (por ejemplo, el desempeño entre dominios, la eficiencia, la tasa de conversión, los ingresos promedio por usuario, la exactitud y el valor del ciclo de vida del cliente). | Objetivo 2.2.4: Determinar el valor empresarial y las métricas de las aplicaciones de IA generativa (por ejemplo, el desempeño entre dominios, el retorno de la inversión, la eficiencia, la tasa de conversión, los ingresos promedio por usuario, la exactitud y el valor del ciclo de vida del cliente). |
| Objetivo 2.3.1: Identificar los servicios y las características de AWS que permiten desarrollar aplicaciones de IA generativa (por ejemplo, Amazon SageMaker JumpStart, Amazon Bedrock PartyRock, Amazon Q, Amazon Bedrock Data Automation). | Objetivo 2.3.1: Identifique AWS los servicios y las funciones para desarrollar aplicaciones GenAI (por ejemplo, Amazon Bedrock, Amazon SageMaker AI, SageMaker JumpStart, Amazon Quick, Kiro, Strands Agents, Amazon Bedrock AgentCore). |
| Objetivo 3.1.5: Explicar las compensaciones de costos de los diversos enfoques para la personalización de modelos fundacionales (por ejemplo, el entrenamiento previo, el refinamiento, el aprendizaje en contexto y la RAG). | Objetivo 3.1.5: Explicar las compensaciones de costos de los diversos enfoques para la personalización de modelos fundacionales (por ejemplo, el entrenamiento previo, el refinamiento, el aprendizaje en contexto, la RAG y la destilación de modelos). |
| Objetivo 3.1.6: Describir el rol de los agentes en las tareas de varios pasos (por ejemplo, los Agentes para Amazon Bedrock, la IA agéntica y el protocolo de contexto para modelos). | Objetivo 3.1.6: Defina la función de los agentes de IA y describa las aplicaciones empresariales de los agentes de IA. |
| Objetivo 3.4.1: Determinar enfoques para evaluar el rendimiento de FM (por ejemplo, la evaluación humana, los conjuntos de datos de referencia o la evaluación del modelo de Amazon Bedrock). | Objetivo 3.4.1: Determinar enfoques para evaluar el rendimiento de FM (por ejemplo, la evaluación humana en el modelo, los conjuntos de datos de referencia o la evaluación del modelo de Amazon Bedrock). |
| Objetivo 3.4.2: Identificar las métricas relevantes para evaluar el rendimiento de FM (por ejemplo, Recall-Oriented Understudy for Gisting Evaluation [ROUGE], métrica utilizada para la evaluación de resúmenes; Bilingual Evaluation Understudy [BLEU], métrica utilizada para la evaluación de traducciones automáticas y BERTScore). | Objetivo 3.4.2: Identificar las métricas relevantes para evaluar el rendimiento de FM (por ejemplo, Recall-Oriented Understudy for Gisting Evaluation [ROUGE], métrica utilizada para la evaluación de resúmenes; Bilingual Evaluation Understudy [BLEU], métrica utilizada para la evaluación de traducciones automáticas, BERTScore y LLM como juez). |
| Objetivo 4.2.2: Describir las herramientas para identificar modelos transparentes y explicables (por ejemplo, tarjetas del modelo de Amazon SageMaker, modelos de código abierto, datos y licencias). | Objetivo 4.2.2: Describa las herramientas para identificar modelos transparentes y explicables (por ejemplo, las tarjetas modelo de Amazon SageMaker, SageMaker Clarify, las evaluaciones de modelos de Amazon Bedrock, los modelos de código abierto, los datos y las licencias). |
| Objetivo 4.2.4: Describir los principios del diseño centrado en el ser humano para una IA explicable. | Objetivo 4.2.4: Describa los principios del diseño centrado en el ser humano para la IA explicable (por ejemplo, los mecanismos de retroalimentación de los usuarios, la transparencia de las decisiones de la IA). |
| Objetivo 5.1.1: Identificar los servicios y las características de AWS para proteger los sistemas de IA (por ejemplo, los roles, las políticas y los permisos de IAM; el cifrado; Amazon Macie; AWS PrivateLink y el modelo de responsabilidad compartida de AWS). | Objetivo 5.1.1: Identifique AWS los servicios y las funciones para proteger los sistemas de IA (por ejemplo, funciones, políticas y permisos de IAM; cifrado; Amazon Macie; AWS PrivateLink; modelo de responsabilidad AWS compartida; identidad de Amazon Bedrock AgentCore; política en AgentCore; Amazon Bedrock Guardrails). |
| Objetivo 5.1.4: Describir las consideraciones de seguridad y privacidad de los sistemas de IA (por ejemplo, la seguridad de la aplicación, la detección de amenazas, la administración de vulnerabilidades, la protección de la infraestructura, la inyección de peticiones, el cifrado en reposo y en tránsito). | Objetivo 5.1.4: Describa las consideraciones de seguridad y privacidad de los sistemas de IA (por ejemplo, la seguridad de las aplicaciones, la detección de amenazas, la gestión de vulnerabilidades, la protección de la infraestructura, la inyección rápida, el cifrado en reposo y en tránsito, la prevención de fugas de datos, el filtrado y la validación de los resultados, los requisitos de registro y seguimiento de auditoría para las interacciones de la IA, la toxicidad). |
Objetivos añadidos
Objetivo 1.2.6: Identifique cuándo los modelos de aprendizaje automático tradicionales frente a los modelos básicos (FM) son apropiados para un caso de uso determinado (por ejemplo, debido a problemas normativos, explicabilidad o restricciones operativas).
Objetivo 2.1.4: Describa el modelo de precios basado en fichas y su efecto en el costo y el rendimiento para obtener una inferencia.
Objetivo 2.1.5: Describa el papel de la ingeniería de contexto en las aplicaciones de FM.
Objetivo 2.1.6: Defina los conceptos fundamentales de la IA entre agencias (por ejemplo, los patrones de sistemas de múltiples agentes para aplicaciones de IA complejas, el Protocolo de contexto modelo [MCP] y su función en la conexión de los agentes con sistemas externos, los patrones de comunicación entre varios agentes, la administración de la memoria, el uso de herramientas y la orquestación del flujo de trabajo).
Objetivo 3.2.5: Describa las estrategias rápidas de control de versiones y administración que utilizan Amazon Bedrock Prompt Management.
Objetivo 3.4.5: Identifique las métricas de alineación de los objetivos empresariales para las aplicaciones de IA (por ejemplo, la tasa de finalización de las tareas, la satisfacción del usuario y el costo por interacción).
Objetivo 5.1.5: Describa los métodos de detección de alucinaciones y las técnicas de conexión a tierra para mejorar la precisión de los resultados (por ejemplo, la conexión a tierra de la generación aumentada de recuperación [RAG], la validación de los resultados y la puntuación de confianza).
Cambios en los servicios dentro y fuera del alcance
Servicios agregados a la lista dentro del alcance
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
Servicios eliminados de la lista dentro del alcance
Amazon MemoryDB
Servicios eliminados de la lista de servicios fuera del alcance
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
AWS IAM Identity Center
AWS Marketplace
AWS Organizations
Amazon WorkDocs
