Test del módulo · Semana 1

Test: Fundamentos de IA generativa y selección de modelos en Amazon Bedrock

Preguntas al estilo del examen. Contesta, pulsa «Comprobar» y lee siempre la explicación, también cuando aciertes: ahí está lo que de verdad se aprende.

31 preguntasComprobadas: 0/31

1. Una aseguradora usa un modelo de Amazon Bedrock para extraer de cada parte de siniestro un JSON con fecha, matrícula e importe. Los auditores detectan que, con el mismo documento, el modelo devuelve a veces valores distintos y otras veces campos con redacción creativa. El prompt es correcto y el modelo cumple en calidad media. ¿Qué cambio aborda MEJOR el problema con el menor esfuerzo?

A. Subir topP a 1,0 para que el modelo tenga en cuenta todos los candidatos posibles y pueda escoger siempre el valor más preciso del documentoB. Aumentar maxTokens para que el modelo disponga de espacio suficiente para razonar internamente antes de emitir el JSON finalC. Cambiar a un perfil de inferencia global para que las peticiones se procesen siempre con la misma capacidad y el mismo comportamientoD. Bajar temperature a un valor cercano a 0 y validar la salida contra un esquema JSON

2. Un equipo usa la Converse API con Claude Haiku 4.5 y quiere limitar el muestreo a los 50 tokens más probables además de fijar temperature y maxTokens. El desarrollador añade "topK": 50 dentro de inferenceConfig y la llamada falla con ValidationException. ¿Cómo debe enviarse el parámetro?

A. En inferenceConfig, pero con el nombre topk en minúsculas, que es como lo espera el esquema de InferenceConfiguration de ConverseB. Como variable en promptVariables, porque los parámetros de muestreo adicionales solo se admiten con prompts de Prompt ManagementC. En additionalModelRequestFields, con el nombre nativo: {"top_k": 50}D. No es posible con Converse: hay que migrar a InvokeModel y construir el cuerpo JSON nativo de Anthropic para enviar top_k

3. Una aplicación genera informes en JSON con Nova Lite. En producción, un 8 % de las respuestas no se pueden parsear. Los logs muestran que en esas respuestas el campo stopReason vale max_tokens. ¿Cuál es la causa MÁS probable y la corrección adecuada?

A. El guardrail asociado ha bloqueado parte del contenido generado; hay que revisar y relajar los umbrales de los filtros de contenidoB. Respuesta truncada al llegar al límite de salida: subir maxTokens o pedir un JSON más compactoC. La ventana de contexto del modelo es insuficiente para el informe; hay que migrar a un modelo con ventana de 1M de tokensD. El modelo alucina el formato de salida; hay que subir la temperature para que explore estructuras alternativas más válidas

4. Un chatbot interno con Nova Micro (ventana de 128K tokens) funciona bien al principio de cada conversación, pero en sesiones de varias horas empieza a fallar y el coste por turno no deja de crecer. La aplicación envía en cada petición el historial completo. ¿Qué combinación resuelve AMBOS síntomas con el menor impacto en la calidad? (Elige dos)

A. Mantener solo los últimos turnos y sustituir los antiguos por un resumen generado por un modelo baratoB. Cambiar el perfil eu. por global. para disponer de más capacidad de contextoC. Guardar el historial completo en DynamoDB y enviar al modelo solo el contexto relevante para el turno actualD. Subir maxTokens al máximo permitido para que el modelo tenga más ventanaE. Pasar a Provisioned Throughput para que el modelo admita conversaciones más largas

5. Un operador de telecomunicaciones debe clasificar 3 millones de mensajes de clientes al mes en 12 categorías. Cada petición tiene unos 350 tokens de entrada y 5 de salida. Los datos deben procesarse dentro de la UE. Una evaluación con 1.000 mensajes etiquetados da un 94 % de acierto con Nova Micro y un 95 % con Claude Sonnet 5; el requisito de negocio es un 92 %. ¿Qué solución es la MOST cost-effective?

A. Claude Sonnet 5 con el perfil global., que es aproximadamente un 10 % más barato que el perfil geográfico y ofrece más calidadB. Claude Sonnet 5 con el perfil eu. y prompt caching de las instrucciones de clasificación, que se repiten en todas las peticionesC. Fine-tuning de Nova Micro para superar el 95 % de acierto y desplegar el modelo personalizado con Provisioned ThroughputD. Nova Micro con el perfil eu.amazon.nova-micro-v1:0

6. Una empresa de logística quiere un asistente que lea fotos de albaranes y vídeos cortos de la carga en el muelle para detectar incidencias, y que responda en texto. Necesita un modelo en Amazon Bedrock accesible desde eu-central-1 con procesamiento dentro de la UE y el menor coste posible. ¿Qué modelo encaja MEJOR?

A. Amazon Nova Micro con el perfil eu., porque es el modelo más barato y rápido de la familia Nova y admite el volumen previstoB. Amazon Nova Lite con el perfil eu.C. Amazon Titan Multimodal Embeddings G1, porque acepta texto e imágenes de entrada y está disponible In-Region en FráncfortD. Meta Llama 4 Maverick, porque su ventana de contexto de 1M de tokens permite incluir vídeos largos y muchas fotografías

7. Un banco evalúa modelos para resumir expedientes de hipotecas en español. Antes de elegir, el arquitecto quiere un análisis sistemático de capacidades y limitaciones del modelo candidato, no solo su posición en rankings públicos. ¿Qué acciones forman parte de ese análisis? (Elige tres)

A. Construir un conjunto de referencia con expedientes reales anonimizados y respuestas esperadas, y medir la calidad de cada modelo sobre élB. Comprobar en la ficha del modelo la ventana de contexto, el máximo de salida, los idiomas y la disponibilidad en la región o geografía exigidaC. Elegir el modelo con más parámetros, ya que siempre generaliza mejor en cualquier idiomaD. Probar casos límite (expedientes muy largos, datos contradictorios, intentos de prompt injection) y medir la tasa de formato válidoE. Descartar la evaluación propia si el proveedor publica benchmarks en inglés con buenos resultados

8. Una empresa ofrece a sus clientes una API de resumen de documentos. Negocia contratos con varios proveedores de modelos y quiere poder cambiar el modelo y sus parámetros (temperature, maxTokens) en minutos, con despliegue gradual y marcha atrás automática, SIN modificar ni redesplegar el código de la aplicación. ¿Qué arquitectura cumple los requisitos con el MENOR esfuerzo operativo?

A. Una función Lambda por proveedor detrás de API Gateway, cambiando la integración de la ruta de API Gateway cada vez que se decide cambiar de modeloB. Guardar el modelId y los parámetros en variables de entorno de Lambda y actualizarlas con la AWS CLI cada vez que haya que cambiar de modeloC. API Gateway + Lambda con la Converse API, leyendo modelo y parámetros de AWS AppConfig con despliegue gradual y alarmasD. Un endpoint de SageMaker AI con varias variantes de producción, una por proveedor, y repartir el tráfico entre ellas ajustando los pesos

9. Un equipo usa InvokeModel con cuerpos JSON específicos de Anthropic. Ahora quiere probar Amazon Nova y un modelo de Mistral sin reescribir la lógica que construye las peticiones ni la que interpreta las respuestas. ¿Qué cambio es el MÁS adecuado?

A. Mantener InvokeModel y añadir una librería interna de plantillas JSON por proveedor que construya y lea los cuerpos de cada modeloB. Migrar a la Converse APIC. Usar Amazon Bedrock Marketplace para desplegar los tres modelos en endpoints propios con una interfaz de invocación comúnD. Crear un application inference profile que agrupe los tres modelos detrás de un único ARN y normalice sus respuestas

10. Una aplicación de atención al cliente en eu-central-1 usa un modelo de Bedrock bajo demanda con el ID de una sola región. En las campañas de rebajas recibe ThrottlingException aunque la media de tráfico está muy por debajo de la cuota. Los datos deben quedarse en la UE y el equipo quiere la solución con el LEAST operational overhead y sin compromisos de capacidad. ¿Qué debe hacer?

A. Invocar el modelo con su perfil geográfico de la UE y reintentos con backoff exponencial y jitter en el SDKB. Comprar Provisioned Throughput con compromiso de 6 meses dimensionado para el pico de las campañas y usarlo solo en esas fechasC. Usar el perfil de inferencia global para aprovechar la capacidad de todas las regiones comerciales y su descuento aproximado del 10 %D. Desplegar el mismo modelo en un endpoint de SageMaker AI en eu-west-1 y balancear el tráfico entre ambas regiones con Route 53

11. Una fintech orquesta con AWS Step Functions un flujo que llama a un modelo de Bedrock. Cuando el proveedor sufre una degradación, cada ejecución agota sus reintentos, tarda minutos y satura el servicio aún más. Quieren dejar de llamar al modelo durante un tiempo tras varios fallos seguidos, responder con una alternativa mientras tanto y volver a intentarlo automáticamente después. ¿Qué patrón deben implementar?

A. Aumentar MaxAttempts y BackoffRate en el bloque Retry del estado Task para insistir durante más tiempo hasta que el proveedor se recupereB. Un circuit breaker con el estado del circuito en DynamoDB (con TTL) y una rama alternativaC. Mover la llamada al modelo a una cola de Amazon SQS con un tiempo de visibilidad largo para procesar los mensajes cuando se recupere el servicioD. Activar el nivel de servicio Priority en las invocaciones para que sus peticiones pasen por delante de las del resto de clientes

12. Un asistente de reservas debe seguir siendo útil aunque el modelo principal falle o supere su latencia objetivo. ¿Qué medidas forman parte de una estrategia de degradación elegante (graceful degradation)? (Elige dos)

A. Devolver HTTP 500 inmediatamente para que el cliente reintente cuando quieraB. Pasar a un modelo más pequeño y rápido configurado como alternativa cuando el principal falla o supera un timeoutC. Responder con respuestas cacheadas o plantillas predefinidas para las preguntas más frecuentes y ofrecer derivar a un agente humanoD. Desactivar temporalmente los guardrails para reducir la latenciaE. Aumentar maxTokens para que las respuestas del modelo alternativo sean tan completas como las del principal

13. Una empresa con sede en Irlanda quiere usar un modelo reciente de Anthropic que, según su ficha, no admite invocación on-demand con el ID del modelo en eu-west-1 dentro de bedrock-runtime. Su política exige que los datos se procesen en la UE. ¿Cómo debe invocarlo?

A. Con el ID del modelo sin prefijo, porque Bedrock redirige automáticamente la petición a la región más cercana que tenga el modeloB. Con el perfil eu. desde eu-west-1C. Con el perfil global., que es el único tipo de perfil que ofrece los modelos más recientes de Anthropic en regiones europeasD. Solicitando en Service Quotas un aumento de cuota del modelo en eu-west-1 para habilitar su invocación on-demand en esa región

14. Un administrador aplica una SCP que solo permite las regiones eu-central-1 y eu-west-1 mediante la condición aws:RequestedRegion. Tras el cambio, las llamadas de una aplicación con el perfil eu.amazon.nova-micro-v1:0 empiezan a fallar con AccessDeniedException de forma intermitente. ¿Cuál es la causa MÁS probable?

A. El perfil geográfico puede enrutar a otras regiones de la UE que la SCP no permite; hay que permitir todas las regiones destino del perfil o crear una excepción con bedrock:InferenceProfileArnB. Nova Micro requiere el formulario de primer uso de Anthropic en cada regiónC. Los perfiles geográficos solo funcionan con Provisioned ThroughputD. La SCP bloquea CloudTrail y Bedrock deniega las llamadas que no puede registrar

15. Un equipo observa ThrottlingException en un modelo de Claude aunque la suma real de tokens de entrada y salida por minuto está muy por debajo de su cuota de TPM. Todas sus peticiones envían maxTokens = 32000, aunque las respuestas medias tienen 300 tokens. ¿Qué explica el comportamiento y cómo se corrige?

A. El modelo ha pasado a estado Legacy y AWS reduce sus cuotas automáticamente; la solución es migrar a otro modelo en estado ActiveB. Las cuotas de TPM solo cuentan tokens de entrada, así que el problema es otro y hay que revisar la cuota de peticiones por minutoC. Bedrock limita por caracteres, no por tokens, y los prompts en español son largos; hay que comprimir el prompt de sistemaD. La reserva inicial de cuota incluye maxTokens (y la salida puede consumir varias veces): ajustar maxTokens al tamaño real

16. El departamento legal de una multinacional exige que ninguna cuenta de la organización pueda invocar un determinado modelo de terceros hasta revisar su EULA. Las cuentas tienen permisos amplios de Bedrock. ¿Qué control lo garantiza desde la primera invocación?

A. Una SCP que deniegue bedrock:InvokeModel y bedrock:InvokeModelWithResponseStream sobre ese modeloB. Una SCP que deniegue aws-marketplace:Subscribe en todas las cuentas para que nadie pueda suscribirse al producto del modeloC. Eliminar el acuerdo del modelo con DeleteFoundationModelAgreement en cada cuenta y región donde se haya aceptadoD. Desactivar el modelo en la página Model access de la consola de Bedrock en cada cuenta y en cada región de la organización

17. Cada noche, una editorial genera resúmenes de 40.000 artículos nuevos. Los resultados se necesitan antes de las 8:00 y no hay usuarios esperando la respuesta. Quieren reducir el coste de inferencia al máximo sin cambiar de modelo. ¿Qué opción es la MÁS adecuada?

A. Invocación on-demand con el nivel Priority para que el trabajo nocturno termine lo antes posible y quede margen hasta las 8:00B. Provisioned Throughput sin compromiso contratado solo durante la ventana nocturna y eliminado al terminar cada nocheC. Invocar el modelo en paralelo desde miles de funciones Lambda con el nivel Standard para acabar en pocos minutosD. Batch inference con los artículos en JSONL en S3

18. Una empresa ejecuta dos cargas con el mismo modelo de Bedrock: un chat de soporte donde la latencia es crítica en horas punta, y evaluaciones automáticas de calidad que pueden tardar horas. Quiere optimizar coste y rendimiento de ambas sin compromisos de capacidad. ¿Qué configuración de service tiers encaja? (Elige dos)

A. Chat de soporte con el nivel Priority indicado por petición en serviceTierB. Chat de soporte con Reserved, que no requiere intervención del equipo de cuentaC. Evaluaciones con el nivel Flex, que ofrece descuento a cambio de tiempos de proceso más largosD. Evaluaciones con Priority para que no interfieran con el chatE. Ambas cargas con Standard y un application inference profile, que prioriza automáticamente la carga crítica

19. Una aseguradora usa desde hace un año un modelo de Bedrock que acaba de pasar a estado Legacy con fecha de End-of-Life dentro de cinco meses. La aplicación tiene el modelId escrito en el código de varias funciones Lambda. ¿Qué plan reduce el riesgo de interrupción de forma MÁS completa?

A. No hacer nada hasta la fecha de EOL, porque Bedrock migra automáticamente las peticiones de un modelo retirado a su sucesorB. Comprar Provisioned Throughput del modelo Legacy para garantizar que siga disponible para la aplicación después del EOLC. Cambiar a un perfil global., que mantiene disponibles los modelos retirados en las regiones que aún no han completado el EOLD. Evaluar sustitutos, sacar el modelId a AppConfig y desplegar el cambio de forma gradual antes del EOL

20. Una empresa de software legal ha ajustado con LoRA un modelo abierto para 40 despachos, uno por cliente, sobre el mismo modelo base. Quiere servir los 40 adaptadores en SageMaker AI minimizando el número de instancias GPU y permitiendo invocar el adaptador de cada cliente. ¿Qué enfoque es el MÁS eficiente?

A. Un endpoint independiente por cliente, cada uno con el modelo base fusionado con el adaptador LoRA de ese despachoB. Un endpoint serverless de SageMaker AI por cliente, porque escala a cero y asigna GPU bajo demanda en cada invocaciónC. Un inference component con el modelo base y un adapter inference component por clienteD. Reentrenar un único modelo con los datos de los 40 despachos para no tener que gestionar ni servir adaptadores separados

21. Un equipo de MLOps ajusta periódicamente un LLM de dominio y lo sirve en un endpoint de SageMaker AI. Necesitan: versionar cada modelo, exigir aprobación antes de producción, desplegar automáticamente al aprobar y volver atrás si aumentan los errores. ¿Qué combinación cumple TODOS los requisitos? (Elige tres)

A. Registrar cada modelo como una nueva versión en un model package group de SageMaker Model Registry con estado PendingManualApprovalB. Una regla de Amazon EventBridge que detecte el cambio de estado a Approved y lance el pipeline de despliegueC. Guardar los artefactos en S3 con nombres que incluyan la fecha y actualizar el endpoint a manoD. Actualizar el endpoint con despliegue blue/green con desplazamiento canary y rollback automático ante alarmas de CloudWatchE. Usar Amazon Bedrock Prompt Management para versionar los pesos del modelo

22. Una startup ha ajustado fuera de AWS un modelo Llama con pesos en formato Hugging Face (safetensors). Quiere servirlo en eu-central-1 sin gestionar instancias, pagando solo cuando se usa y con escalado a cero en las horas sin tráfico. ¿Qué opción es la MÁS adecuada?

A. Un endpoint real-time de SageMaker AI con una instancia GPU dedicada encendida permanentemente para evitar arranques en fríoB. Provisioned Throughput de Llama 3.3 70B en Bedrock, cargando los pesos ajustados como modelo personalizado sobre esa capacidadC. Amazon Bedrock Knowledge Bases, registrando el modelo ajustado como fuente de datos para que Bedrock lo sirva bajo demandaD. Amazon Bedrock Custom Model Import con los pesos en S3

23. Una cadena hotelera quiere un asistente que responda sobre sus políticas de cancelación, tarifas y servicios. Esa información cambia varias veces por semana, las respuestas deben citar el documento de origen y el equipo es pequeño. ¿Qué enfoque de diseño es el MÁS adecuado?

A. Fine-tuning semanal de un modelo con los documentos actualizados para que el conocimiento quede incorporado en sus pesosB. RAG con Bedrock Knowledge Bases y sincronización de las fuentesC. Incluir todos los documentos de políticas en el prompt de sistema de cada petición para que el modelo siempre los tenga delanteD. Destilación de un modelo grande en uno pequeño entrenado específicamente con las políticas, tarifas y servicios de la cadena

24. Una aseguradora quiere automatizar la revisión de siniestros: extraer datos de formularios, comprobar la póliza en un sistema interno mediante API, decidir si faltan documentos y, según el caso, pedirlos al cliente o preparar una propuesta de pago que revisará un tramitador. El orden de los pasos depende de cada siniestro. ¿Qué patrón de integración encaja MEJOR con estos requisitos?

A. Una única llamada a un modelo grande con un prompt muy detallado que incluya todas las reglas de tramitación y los casos posiblesB. Inferencia por lotes nocturna sobre todos los siniestros recibidos durante el día y revisión posterior de los resultadosC. Un modelo ajustado con fine-tuning a partir del histórico de siniestros resueltos para que aprenda a tramitarlos soloD. Un agente con herramientas y aprobación humana antes del pago

25. Un arquitecto debe diseñar un asistente de IA generativa para un hospital. Antes de elegir servicios, recopila requisitos. ¿Qué información determina DIRECTAMENTE la elección de la región y del tipo de perfil de inferencia?

A. El lenguaje de programación del equipo de backend, porque condiciona qué SDK de AWS puede invocar los perfiles de inferenciaB. La normativa que obliga a procesar en la UE, junto con la disponibilidad del modelo In-Region o con perfil eu.C. El número de usuarios concurrentes previstos, porque los perfiles globales son los únicos que admiten más de mil usuarios a la vezD. El tamaño medio de los documentos clínicos, porque los perfiles geográficos no admiten ventanas de contexto superiores a 128K tokens

26. La dirección de una empresa de seguros quiere saber, en tres semanas y con un presupuesto mínimo, si la IA generativa puede reducir a la mitad el tiempo de redacción de cartas de respuesta a reclamaciones. ¿Qué enfoque de prueba de concepto es el MÁS adecuado?

A. PoC en Bedrock con varios modelos, datos reales anonimizados y criterios de éxito previosB. Entrenar un modelo propio en SageMaker AI con el histórico completo de cartas para medir con precisión la mejora conseguidaC. Comprar Provisioned Throughput de un modelo grande para garantizar un rendimiento estable y comparable durante toda la pruebaD. Lanzar la solución a todos los clientes desde el primer día y medir la satisfacción y el tiempo de respuesta durante el trimestre

27. Tras una PoC con buenos resultados de calidad, el comité pide datos para decidir si pasar a producción. ¿Qué información debe incluir el informe de la PoC para demostrar rendimiento y valor de negocio? (Elige tres)

A. Latencia medida (media y p95) y tokens de entrada y salida por petición a partir de usage y metricsB. Coste mensual proyectado con el volumen real de peticiones y las cuotas que habría que solicitarC. Capturas de pantalla del Playground de Bedrock con las mejores respuestasD. Resultado frente a los criterios de éxito acordados (por ejemplo, porcentaje de respuestas aceptadas por los usuarios y tiempo ahorrado)E. El número de parámetros de cada modelo evaluado

28. Una empresa tiene seis equipos construyendo aplicaciones de IA generativa en distintas cuentas. El CTO quiere que todas se revisen con los mismos criterios de buenas prácticas específicos de IA generativa, registrar los riesgos detectados, seguir un plan de mejora y guardar el estado en cada hito. ¿Qué solución cumple mejor el objetivo?

A. Activar AWS Trusted Advisor en todas las cuentas y revisar periódicamente sus recomendaciones de coste, seguridad y límites de servicioB. Crear un documento compartido con una lista de comprobación de buenas prácticas y pedir a cada equipo que la rellene antes de cada entregaC. Configurar AWS Config con reglas administradas y personalizadas sobre los recursos de Amazon Bedrock en cada una de las cuentasD. AWS Well-Architected Tool con la Generative AI Lens (y lentes personalizadas compartidas) y milestones

29. En una revisión con la Generative AI Lens, un agente de compras puede aprobar pedidos de cualquier importe sin intervención humana y con permisos de IAM amplios. ¿Qué principio de diseño de la lente se está incumpliendo MÁS claramente y cuál sería la corrección?

A. Optimize resource efficiency: cambiar a un modelo más pequeño y barato para que cada aprobación cueste menos y se revise más rápidoB. Implement comprehensive observability: activar métricas y trazas de CloudWatch del agente para poder revisar las aprobaciones despuésC. Establish distributed resilience: desplegar el agente en dos regiones para que las aprobaciones no se interrumpan ante un fallo regionalD. Design for controlled autonomy: mínimo privilegio, límites de importe y aprobación humana

30. Una organización quiere que todos sus equipos implementen de la misma forma las aplicaciones de IA generativa en distintos escenarios (interno, clientes, lotes), reduciendo el trabajo repetido y los errores de configuración. ¿Qué enfoque crea componentes técnicos estandarizados?

A. Permitir que cada equipo elija libremente región, modelo y formato de API para maximizar su autonomía y velocidad de entregaB. Copiar el código de la primera aplicación en producción a cada nuevo proyecto y adaptarlo a mano según las necesidades de cada equipoC. Plantillas de IaC revisadas con la Generative AI Lens, publicadas como productos aprobados y una capa común de acceso a modelosD. Evitar documentar las decisiones de arquitectura para no frenar a los equipos y revisar solo cuando haya incidentes en producción

31. Un hospital evalúa Amazon Bedrock. El responsable de protección de datos pregunta si los prompts con información clínica que se envían al modelo se almacenan en Bedrock o se usan para entrenar los modelos, y cómo podría conservarse un registro auditable de esas interacciones si fuera necesario. ¿Qué respuesta es correcta?

A. Bedrock conserva los prompts durante 30 días para mejorar los modelos del proveedor, salvo que la cuenta solicite expresamente la exclusiónB. Los prompts se registran de forma automática en CloudTrail con su contenido completo, por lo que ya existe un registro auditableC. No se almacenan ni entrenan modelos; para un registro, activar model invocation loggingD. Solo los modelos de Amazon garantizan que no se almacena el contenido; los de terceros lo conservan en la infraestructura de su proveedor