Método
Cómo estudiar y practicar
El método de esta web (teoría, lab, test, tarjetas y repaso), cómo aprender IA generativa sin base de machine learning, cómo leer la documentación de Bedrock, qué recursos oficiales gratuitos usar, cómo razonar preguntas de nivel Professional y cómo compaginarlo todo con el trabajo.
El método: cinco pasos por módulo
Cada semana sigue el mismo ciclo. No te saltes pasos: cada uno fija lo anterior.
- Teoría (4 h). Lee el módulo con la documentación enlazada abierta. Detente en las tablas «cuándo usar qué» y en los avisos de examen: son lo que más puntúa.
- Lab (4-5 h). Haz los labs en AWS CloudShell con la AWS CLI y Python (
boto3, y Strands Agents cuando toque). Escribe tú los comandos en lugar de copiarlos a ciegas y limpia siempre al terminar. - Test (2 h). Haz el test del módulo en modo examen. Lee todas las explicaciones, también las de las acertadas: explican por qué fallan los distractores.
- Tarjetas (2 h). Repasa las tarjetas del módulo y las pendientes de semanas anteriores. El sistema de repaso espaciado las vuelve a mostrar cuando toca.
- Repaso (3 h). El domingo: vuelve a lo que fallaste, repite el test en modo repaso y responde a las «Preguntas para pensar como arquitecto» de los labs sin mirar la solución.
Marca cada módulo y lab como completado para ver tu avance en la página de inicio.
Aprender IA generativa sin base de machine learning
Buena noticia: el examen no exige saber entrenar modelos ni matemáticas de ML (la guía lo deja fuera del alcance). Exige saber usar modelos fundacionales con criterio de ingeniero. Tú ya sabes de APIs, IAM, redes, eventos y costes; te falta el vocabulario y el modelo mental de la IA generativa.
Los conceptos que lo sostienen todo
Aprende estos diez en la semana 1 y todo lo demás encajará:
| Concepto | En una frase | Por qué importa |
|---|---|---|
| Token | Trozo de texto (una palabra corta o parte de una larga) con el que el modelo lee y escribe | Todo se cobra y se limita en tokens |
| Ventana de contexto (context window) | Máximo de tokens que el modelo puede leer en una llamada (entrada + salida) | Decide cuánto contexto de RAG o de historial cabe |
| Inferencia | Usar un modelo ya entrenado para generar una respuesta | Es lo único que harás: no entrenas |
| Parámetros de inferencia | Temperatura, top-p, top-k, maxTokens |
Controlan creatividad, consistencia y longitud |
| Embedding | Vector de números que representa el significado de un texto | Permite buscar por significado (búsqueda semántica) |
| RAG | Recuperar fragmentos relevantes y dárselos al modelo en el prompt | Conocimiento privado y actualizado sin reentrenar |
| Alucinación | Respuesta plausible pero falsa | Se combate con RAG, grounding y evaluación |
| Fine-tuning | Ajustar un modelo con tus ejemplos | Cambia el comportamiento (estilo, formato), no es la vía para conocimiento que cambia |
| Agente | Modelo que decide en bucle qué herramientas usar para cumplir un objetivo | Base del dominio 2 (AgentCore, Strands, MCP) |
| Guardrail | Filtro de seguridad sobre la entrada y la salida del modelo | Base del dominio 3 |
Traduce a lo que ya sabes
Tu SAA-C03 es una gran ventaja si relacionas lo nuevo con lo conocido:
- Un modelo de Bedrock es una API serverless más: IAM decide quién la invoca, CloudTrail la audita, CloudWatch la mide, hay cuotas y throttling como en cualquier servicio.
- RAG es un patrón de datos: ingesta (como un ETL), un índice (como una base de datos) y una consulta. Los almacenes vectoriales son bases de datos con un tipo de índice especial.
- Un agente es un bucle con llamadas a APIs en el que un modelo decide la siguiente llamada. Step Functions, Lambda e IAM siguen siendo los guardianes.
- Provisioned Throughput se parece a las instancias reservadas; batch inference, a un trabajo por lotes; prompt caching, a una caché de lectura.
Aprende haciendo, y en pequeño
- Antes de leer sobre un parámetro, pruébalo: cambia la temperatura en el playground de Bedrock y lanza la misma pregunta cinco veces.
- Cuenta tokens de tus prompts (API CountTokens) para interiorizar qué cuesta cada cosa.
- Cuando un concepto no encaje, explícalo en voz alta en dos frases. Si no puedes, vuelve al módulo.
Cómo leer la documentación de Bedrock
La documentación de IA generativa de AWS cambia casi cada semana. Aprende a moverte por ella:
- Amazon Bedrock User Guide (docs.aws.amazon.com/bedrock). Lee primero How it works de cada función (Knowledge Bases, Guardrails, Flows, evaluaciones) y después las páginas de conceptos; los tutoriales, solo cuando hagas el lab.
- Historial de documentación (Document history): qué ha cambiado y cuándo. Útil para saber si algo es nuevo (y quizá no esté aún en el examen).
- Modelos por región (Model support by Region): consulta siempre si un modelo está in-Region, por perfil geográfico (
eu.) o solo global. - AgentCore Developer Guide (docs.aws.amazon.com/bedrock-agentcore): empieza por la visión general y la página de regiones.
- Referencia de la API: para los nombres exactos de operaciones (
Converse,ApplyGuardrail,RetrieveAndGenerate) y sus parámetros. - Precios: aws.amazon.com/bedrock/pricing. Fíjate en la unidad: por millón de tokens, por 1.000 text units, por hora de Model Unit.
Consejo para el examen: al leer cada función, apunta tres cosas: qué problema resuelve, qué no hace (su límite) y con qué se confunde. Es exactamente lo que miden los distractores.
Recursos oficiales gratuitos
Plan de preparación del examen (inglés)
En el plan oficial de Skill Builder son gratuitos: el Official Practice Question Set (20 preguntas), el Exam Prep Overview y Summary y los vídeos Domain 1-5 Review (~1 h cada uno). Úsalos en las semanas 10-11.
Cursos digitales en español de España
Skill Builder ofrece en español de España cursos cortos sobre Bedrock y AgentCore (existencia e idioma verificados el 01/10/2026; que sean gratuitos es probable pero no está confirmado: las tarjetas no muestran la etiqueta de suscripción). Los más útiles, por módulo:
| Curso (título original) | Módulo | Enlace |
|---|---|---|
| Introduction to Amazon Bedrock: Foundation Models and AI Applications | 01 | Skill Builder |
| Amazon Bedrock Getting Started | 01 | Skill Builder |
| Exploring Amazon Nova models using Amazon Bedrock | 01 | Skill Builder |
| Evaluate and Enhance RAG Performance with Amazon Bedrock | 03, 10 | Skill Builder |
| Prompt Engineering Best Practices for Amazon Bedrock Models | 04 | Skill Builder |
| Automate Generative AI workflows using Amazon Bedrock Flows | 04 | Skill Builder |
| Building Generative AI Applications Using Amazon Bedrock | 04, 06 | Skill Builder |
| Amazon Bedrock AgentCore Getting Started | 05 | Skill Builder |
| Building Production-Ready AI Agents with Amazon Bedrock AgentCore | 05 | Skill Builder |
| Integrating Amazon Bedrock powered Agents with MCP Servers using the Strands Agents SDK | 05 | Skill Builder |
| AgentCore Policy on Amazon Bedrock | 05, 07 | Skill Builder |
| Building Safe and Responsible Generative AI Applications with Amazon Bedrock Guardrails | 07 | Skill Builder |
| Batch Processing at Scale With Amazon Bedrock | 09 | Skill Builder |
| AgentCore Evaluation on Amazon Bedrock | 10 | Skill Builder |
Workshops y ejemplos
- Workshops de AWS (workshops.aws), como Building with Amazon Bedrock y el Amazon Bedrock Workshop. El contenido es gratis; los recursos que despliegues se pagan. Muchos asumen
us-east-1y algunos, Agents Classic. - Repositorios oficiales en GitHub: amazon-bedrock-samples, agentcore-samples, servidores MCP de AWS. Léelos para ver código real; ejecútalos solo si entiendes qué despliegan.
La lista completa, con cuándo usar cada recurso, está en Recursos.
Cómo razonar una pregunta de nivel Professional
Las preguntas del AIP-C01 son largas y mezclan requisitos. Un método en cinco pasos:
- Lee la última frase: ¿qué pide y con qué criterio? (LEAST operational overhead, MOST cost-effective, MOST secure…).
- Lista los requisitos duros del escenario: residencia de datos, permisos, latencia, volumen, «sin reentrenar», «sin cambiar el código».
- Identifica el patrón: ¿es un problema de conocimiento (RAG), de comportamiento (fine-tuning), de acción (agente), de seguridad (Guardrails, IAM), de coste (modelo, caché, batch) o de calidad (evaluación)?
- Descarta las opciones que incumplen un requisito duro o usan un servicio en el sitio equivocado.
- Desempata con el criterio de la última frase.
Ejemplo de razonamiento: «Un banco quiere un chatbot que responda sobre su normativa interna, que cambia cada semana; las respuestas deben citar la fuente; LEAST operational overhead». Patrón: conocimiento que cambia → RAG. Citas → Knowledge Bases devuelve las fuentes. Mínimo esfuerzo → Knowledge Base gestionada frente a un pipeline propio con OpenSearch. Descartado: fine-tuning (conocimiento cambiante), agente con herramientas (no hay acciones).
El módulo 11 desarrolla estas técnicas con tablas de palabras clave y pares de servicios que se confunden.
Compaginarlo con el trabajo
- Bloques fijos en el calendario: 2 horas cuatro días entre semana (mejor a primera hora, antes del trabajo, si puedes) y 3 horas sábado y domingo. Trátalos como reuniones.
- Aprovecha los huecos cortos (transporte, esperas) para las tarjetas desde el móvil: 10-15 minutos al día suman.
- Los labs, en bloques largos: no empieces un lab si no tienes al menos 90 minutos; dejarlo a medias significa recursos encendidos.
- Una semana mala no rompe el plan: aplica la lista de recortes del plan y recupera en la siguiente. Lo que no debes saltarte son los tests y los simulacros.
- Usa tu trabajo: si en tu empresa hay un caso de uso de IA generativa, diséñalo con lo que aprendas. Es práctica real y material para tu LinkedIn.
- Descansa: un día a la semana con menos carga (por ejemplo, el viernes solo tarjetas) evita quemarse en 11 semanas.