AWS Machine Learning Engineer - Associate (MLA-C01) — Preguntas de práctica y simulacro de examen

La certificación AWS Certified Machine Learning Engineer – Associate valida la capacidad de construir, entrenar, desplegar y mantener modelos de machine learning en producción sobre AWS. Abarca la preparación de datos para ML, el desarrollo y ajuste de modelos, el despliegue y la orquestación de flujos de trabajo de ML, y el monitoreo y la protección de soluciones de ML mediante servicios como SageMaker.

Esta certificación está dirigida a ingenieros de ML, científicos de datos y profesionales de MLOps con al menos un año de experiencia usando servicios de ML de AWS. Demuestra competencia para operacionalizar modelos de ML, construir pipelines de entrenamiento automatizados e implementar prácticas de IA responsable en entornos de producción.

Data Preparation for Machine Learning es el dominio con más peso, un 28%, y cubre la ingesta de datos y la elección del formato de almacenamiento, la creación de nuevas features y la codificación de valores crudos en algo que un modelo pueda digerir, además del trabajo de detección de sesgos y cumplimiento que debe hacerse antes de que un modelo vea siquiera los datos de entrenamiento. Le sigue ML Model Development con un 26%, que evalúa si sabes elegir la forma correcta de construir un modelo (un servicio de AI de AWS, un algoritmo integrado de SageMaker o un foundation model) y luego entrenarlo, ajustarlo y evaluarlo.

ML Solution Monitoring, Maintenance, and Security se lleva un 24%, muy cerca del desarrollo del modelo en sí: aquí caben la detección de drift, la optimización de costos de infraestructura y la seguridad a nivel de IAM para sistemas de ML. Deployment and Orchestration of ML Workflows cierra el blueprint con un 22% y cubre las decisiones de infraestructura y CI/CD que llevan un modelo entrenado a producción. Entre los dos dominios se reparten casi la mitad del examen en lo que pasa después del entrenamiento.

El examen presenta 65 preguntas (50 puntuadas y 15 sin puntuar) que mezclan opción múltiple, respuesta múltiple, ordenamiento y emparejamiento, todo en una ventana de 130 minutos. Las preguntas giran en torno a flujos de trabajo de SageMaker: configuración de training jobs, ajuste de hyperparameters, elección del destino de deployment y automatización de pipelines, planteados como escenarios y no como definiciones. A unos 2 minutos por pregunta, los escenarios más largos merecen más tiempo del que les tocaría en un reparto parejo.

Cada dominio del examen MLA-C01 tiene suficientes preguntas en el banco para practicarlo a fondo. El simulacro te plantea 65 preguntas seguidas, con el mismo cronómetro de 130 minutos que el día del examen.

Cuánto tiempo necesitas depende de la experiencia práctica que ya tienes. El resto lo define el proveedor: cómo se hace el examen, cuándo puedes repetirlo y cuánto dura la certificación.

El examen se rinde a través de Pearson VUE, ya sea en un centro de evaluación o en línea con un proctor remoto, y está disponible en inglés, japonés, coreano y chino simplificado. La certificación tiene una vigencia de 3 años; para renovarla necesitas aprobar un examen de recertificación antes de que venza, u obtener una certificación de AWS de nivel superior, lo que la renueva de forma automática.

Este examen mide ingeniería de ML, no teoría de data science: los training jobs, processing jobs, real-time endpoints, batch transform y serverless inference de SageMaker sirven cada uno para un escenario distinto, y confundirlos es una de las formas más comunes de reprobar. SageMaker Feature Store y el diseño de pipelines de data wrangling aparecen en las preguntas de preparación de datos, y las capacidades de detección de drift y sesgo de SageMaker Model Monitor aparecen en las de monitoreo. Elegir un real-time endpoint costoso cuando batch transform o serverless inference cumplirían el mismo requisito de latencia y throughput a menor costo es un error frecuente en los escenarios de optimización de costos.