Databricks Generative AI Engineer Associate — Preguntas de práctica y simulacro de examen

Las pruebas A/B de agentes de GenAI en Databricks usan la traffic_config de un serving endpoint para repartir las solicitudes entre served entities. Cada versión del agente se despliega como una served_entity distinta en el mismo endpoint, y traffic_percentage controla el reparto (debe sumar 100). Las respuestas de cada versión se registran por separado en la inference table, lo que permite comparar calidad, latencia y feedback de los usuarios. Análisis de distractores: la opción “Usar Feature Serving para etiquetar cada solicitud y enrutarla…” es incorrecta: Feature Serving sirve para consultar features, no para enrutar prompts. La opción “Desplegar un único endpoint con un hook de preprocesamiento…” es incorrecta: los hooks de preprocesamiento no ofrecen una gestión de tráfico adecuada ni un registro independiente. La opción “Registrar cada versión del prompt en MLflow Model Registry…” es incorrecta: los notebooks de enrutamiento propios se saltan la gestión de tráfico y el registro de inferencias integrados de Databricks. Ref: docs.databricks.com/en/machine-learning/model-serving/serve-multiple-models-to-serving-endpoint.html

El conocimiento de un LLM queda congelado en el momento del entrenamiento, así que no puede responder preguntas sobre la actualidad. Un pipeline RAG con Delta Live Tables (la opción “Un agente de recuperación que consulta un pipeline de Delta…”) solo recupera documentos indexados, no datos web en vivo. Ampliar la ventana de contexto con instantáneas en caché (la opción “Ampliar la ventana de contexto para incluir una instantánea en caché de…”) sigue usando datos desactualizados. El fine-tuning semanal (la opción “Hacer fine-tuning semanal del modelo base…”) introduce un retraso de varios días. Un agente con llamada a herramientas que cuenta con búsqueda web o herramientas de API en tiempo real (la opción “Un agente con llamada a herramientas que dispone de una herramienta de búsqueda web o de API en tiempo real”) invoca fuentes de datos externas bajo demanda y devuelve resultados al minuto. Databricks lo permite mediante servidores MCP, herramientas propias y la integración de búsqueda web incorporada con modelos de Gemini/OpenAI/Anthropic. Ref: docs.databricks.com/en/machine-learning/model-serving/web-search; docs.databricks.com/en/generative-ai/agent-framework/agent-tool.

Al crear un índice de vector search Delta Sync con embeddings gestionados, el parámetro embedding_source_column identifica la columna de texto que Databricks va a embeber automáticamente. La plataforma llama al endpoint del modelo de embeddings indicado, procesa el texto por lotes y guarda los vectores resultantes en el índice. Las opciones “auto_embedding_column”, “vector_embedding_source” y “text_vectorization_col” son nombres de parámetros inventados: ninguno aparece en el SDK ni en la REST API de Databricks. Para embeddings autogestionados, en cambio, especificas una embedding_vector_column con los vectores precalculados. Ref: docs.databricks.com/en/generative-ai/vector-search/create-index; docs.databricks.com/en/vector-search/query-vector-search.