AWS AI Practitioner (AIF-C01) — Preguntas de práctica y simulacro de examen

Amazon EMR (Elastic MapReduce) es la respuesta correcta porque es la plataforma administrada de big data de AWS, diseñada específicamente para ejecutar frameworks de procesamiento distribuido como Apache Spark. Como indica la documentación, Amazon EMR ofrece características y funcionalidades para el "procesamiento y análisis de big data en AWS". EMR es compatible de forma nativa con Apache Spark y su biblioteca MLlib, y se encarga del aprovisionamiento, la configuración y el escalado del clúster, de modo que los equipos de ciencia de datos pueden concentrarse en construir y entrenar modelos de ML distribuidos.

Por qué cada opción incorrecta está mal:

• A. AWS Glue — Si bien AWS Glue usa Apache Spark internamente para trabajos de ETL (Extract, Transform, Load), está pensado principalmente para integración de datos y cargas de trabajo de ETL, no para ejecutar flujos completos de entrenamiento distribuido con Spark MLlib. No expone el mismo nivel de control del clúster ni la misma flexibilidad de configuración de Spark que EMR ofrece para el entrenamiento de ML.

• C. Amazon ECS — Amazon Elastic Container Service (ECS) es un servicio de orquestación de contenedores para ejecutar contenedores Docker. En teoría podrías contenerizar Spark, pero ECS no ofrece aprovisionamiento administrado y nativo de clústeres de Spark ni soporte integrado para Spark MLlib. No está diseñado para cargas de trabajo distribuidas de Spark.

• D. AWS Batch — AWS Batch está diseñado para ejecutar trabajos de cómputo por lotes a gran escala, normalmente para HPC o cargas de trabajo paralelas sencillas. No es compatible de forma nativa con los frameworks de Apache Spark ni ofrece el aprovisionamiento administrado de clústeres de Spark que necesita el entrenamiento distribuido con Spark MLlib.

(Fuente: https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-what-is-emr.html)

Sensitive information filters es la respuesta correcta. Amazon Bedrock Guardrails proporciona sensitive information filters que pueden detectar y redactar información de identificación personal (PII), como números de Social Security, números de tarjetas de crédito y direcciones de email, tanto en entradas de usuarios como en respuestas del modelo. Esta capacidad es esencial para cumplir con regulaciones de privacidad al crear aplicaciones de generative AI de cara al cliente.

Según la documentación de AWS, Amazon Bedrock Guardrails te permite "detect and filter harmful content" y uno de los tipos de filtro clave es sensitive information filters, que específicamente apunta a la detección y redacción de PII para proteger a los usuarios finales de la exposición a datos sensibles.

Por qué cada opción incorrecta está mal:

• A. Content filters — Content filters están diseñados para detectar y bloquear contenido dañino en categorías como discurso de odio, insultos, contenido sexual, violencia y mala conducta. No apuntan específicamente a PII como números de Social Security o números de tarjetas de crédito.

• B. Denied topics — Denied topics te permite definir temas específicos con los que el modelo no debería interactuar (por ejemplo, asesoría de inversión, conversaciones sobre competidores). Esta es una restricción a nivel de tema, no un mecanismo para detectar o redactar patrones específicos de datos PII.

• D. Contextual grounding checks — Contextual grounding checks se usan para detectar hallucinations verificando si las respuestas del modelo están fundamentadas en el material fuente proporcionado y son relevantes para la consulta del usuario. No tienen nada que ver con la detección o redacción de PII.

(Source: https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html)

Aumento de datos es la respuesta correcta. El aumento de datos es una técnica que crea versiones modificadas de las imágenes de entrenamiento existentes —como rotaciones, volteos, ajustes de color y recortes— para aumentar de forma artificial el tamaño efectivo y la diversidad del conjunto de datos de entrenamiento. Esto resulta especialmente valioso cuando hay pocos datos de entrenamiento adicionales disponibles, ya que ayuda al modelo a generalizar mejor al exponerlo a variaciones realistas de las muestras existentes. Una imagen rotada o volteada de un gato sigue siendo un gato, así que el modelo aprende a reconocer objetos sin importar la orientación, la escala o las condiciones de iluminación.

Por qué las otras opciones son incorrectas:

• A. Regularización — La regularización es una técnica que se usa para evitar el sobreajuste agregando un término de penalización a la función de pérdida del modelo (por ejemplo, regularización L1/L2) o usando métodos como dropout. No consiste en crear versiones modificadas de las imágenes de entrenamiento, sino que limita la complejidad del modelo.

• C. Ingeniería de características — La ingeniería de características consiste en seleccionar, transformar o crear características de entrada para mejorar el desempeño del modelo. Aunque manipula la representación de los datos, no consiste en crear copias modificadas de las imágenes de entrenamiento mediante transformaciones geométricas o de color.

• D. Aprendizaje por transferencia — El aprendizaje por transferencia consiste en tomar un modelo preentrenado con un conjunto de datos grande (por ejemplo, ImageNet) y ajustarlo con un conjunto de datos más pequeño y específico para la tarea. Aunque es útil cuando los datos de entrenamiento son limitados, no consiste en crear versiones modificadas de las imágenes de entrenamiento existentes.

El aumento de datos es una técnica estándar y muy utilizada en visión por computadora que aborda directamente el problema de los datos de entrenamiento limitados generando variaciones realistas de las muestras existentes.

(Fuente: https://docs.aws.amazon.com/prescriptive-guidance/latest/image-classification/examples.html)

El prompting de cadena de pensamiento (CoT) es la técnica correcta para indicarle a un modelo que razone paso a paso los problemas complejos antes de llegar a una respuesta final. Como señala la documentación de AWS, el razonamiento de cadena de pensamiento se usa para 'descomponer tareas complejas en pasos más simples' y 'mejorar la precisión y la transparencia de los modelos fundacionales'. Esta técnica consiste en indicarle explícitamente al modelo que 'piense paso a paso' o en darle ejemplos que muestren pasos intermedios de razonamiento, lo que mejora de forma significativa el desempeño en tareas que requieren razonamiento de varios pasos, como matemáticas, lógica y análisis.

Por qué cada opción incorrecta está mal:

• A. Prompting negativo — El prompting negativo es una técnica en la que le dices al modelo lo que NO debe hacer o generar (por ejemplo, 'No incluyas opiniones personales'). Restringe las salidas, pero no fomenta el razonamiento paso a paso.

• B. Prompting zero-shot — El prompting zero-shot da una instrucción de la tarea sin ningún ejemplo y se apoya por completo en el conocimiento preentrenado del modelo. Aunque se puede combinar con CoT (zero-shot CoT), por sí solo no impulsa específicamente al modelo a mostrar pasos intermedios de razonamiento.

• D. Almacenamiento en caché de prompts — El almacenamiento en caché de prompts es una técnica de optimización de infraestructura que guarda y reutiliza prefijos de prompts para reducir la latencia y el costo. No tiene ningún efecto sobre la calidad ni la profundidad del razonamiento de las respuestas del modelo.

(Fuente: https://docs.aws.amazon.com/bedrock/latest/userguide/inference-reasoning.html)