Generative AI Leader — Preguntas de práctica y simulacro de examen

El Secure AI Framework (SAIF) de Google es un marco conceptual que ofrece estándares para toda la industria con los que abordar las preocupaciones de seguridad y riesgo de los sistemas de IA (docs.cloud.google.com/architecture/framework/security/use-ai-securely-and-responsibly). Sus seis elementos centrales cubren cómo ampliar los cimientos de seguridad al ecosistema de IA, cómo contextualizar los riesgos de los sistemas de IA y cómo adaptar los controles para lograr ciclos de retroalimentación más rápidos. SAIF no define especificaciones técnicas de los LLM: eso corresponde a la documentación del modelo. No es un marco de precios: eso es Cloud Billing. No certifica benchmarks de rendimiento de modelos: para eso están las herramientas de evaluación como ML.EVALUATE. SAIF trata sobre la gobernanza responsable de la seguridad de la IA.

Document AI es la plataforma de Google Cloud para extraer información estructurada de documentos, incluidos PDFs, imágenes escaneadas y formularios manuscritos (docs.cloud.google.com/document-ai/docs/overview). Ofrece procesadores para OCR, extracción de entidades, clasificación y análisis de layout: ideal para procesar expedientes médicos. La Speech-to-Text API convierte audio en texto, no documentos. La Cloud Vision API se encarga del análisis general de imágenes, pero carece del análisis específico de documentos, como la extracción de pares clave-valor. La Natural Language API analiza el sentimiento y las entidades de un texto, pero no puede procesar PDFs ni documentos escaneados. Document AI está creada específicamente para flujos de trabajo de comprensión de documentos.

El human-in-the-loop (HITL) implica supervisión humana para revisar, validar y corregir las salidas de la IA, garantizando precisión y seguridad en las decisiones críticas (developers.google.com/machine-learning/glossary/generative). El glosario de ML de Google define HITL como una estrategia para asegurar que las personas moldeen, evalúen y refinen el comportamiento del modelo. HITL no se limita al entrenamiento inicial: sigue siendo esencial durante el despliegue para el aseguramiento continuo de la calidad. No sustituye al procesamiento automatizado; lo complementa con criterio humano en los puntos de decisión críticos. HITL no significa escribir manualmente cada respuesta: usa flujos de revisión eficientes con umbrales de confianza para derivar las salidas dudosas a revisión humana.

Al seleccionar un modelo fundacional para un chatbot que maneja entradas de texto, imagen y audio, el factor más crítico es si el modelo soporta esas modalidades (docs.cloud.google.com/docs/ai-ml/generative-ai/develop-generative-ai-application). Los modelos multimodales como Gemini procesan texto, imágenes, video y audio de forma nativa. El tamaño de los datos de entrenamiento en terabytes es una métrica interna que no se expone para la selección. El número de parámetros indica el tamaño del modelo, pero no su capacidad entre modalidades. La arquitectura de difusión sirve para la generación de imágenes, no para chatbots multimodales. El soporte de modalidades determina directamente si el modelo puede aceptar los tipos de entrada requeridos.