Test del módulo · Semana 2

Test: Datos para modelos fundacionales, embeddings y almacenes vectoriales

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

35 preguntasComprobadas: 0/35

1. Una empresa de seguros vuelca cada noche en S3 un CSV con 2 millones de fichas de pólizas que luego se convierten en texto para una base de conocimiento. A veces llegan ficheros con identificadores duplicados, campos de descripción vacíos o muchas menos filas de lo habitual, y eso degrada las respuestas del asistente. Quieren reglas declarativas, detección de anomalías frente a días anteriores y alertas, con el MENOR esfuerzo operativo. ¿Qué solución deben usar?

A. AWS Glue Data Quality con reglas DQDL y alertas vía EventBridge y CloudWatchB. Una función Lambda que cargue el CSV completo en memoria, compruebe cada regla con código propio y publique métricas personalizadas en CloudWatchC. Amazon Macie sobre el bucket para que detecte los ficheros con datos incompletos y genere hallazgos en Security HubD. Amazon SageMaker Clarify con un trabajo de procesamiento que calcule métricas de calidad y sesgo del conjunto de datos cada noche

2. Un pipeline de Step Functions procesa documentos de distintas filiales antes de indexarlos. El equipo de operaciones quiere saber en minutos si una filial empieza a enviar documentos defectuosos (PDF escaneados sin texto, textos en idiomas no soportados, ficheros vacíos) para cortar esa fuente antes de que contamine el índice. ¿Qué diseño lo consigue?

A. Revisar cada semana una muestra aleatoria de documentos indexados y comparar manualmente la calidad de las respuestasB. Configurar AWS CloudTrail con eventos de datos de S3 para registrar cada escritura en el bucket de entradaC. Lambda de validación con cuarentena, métricas por filial y motivo, y alarma de CloudWatchD. Activar S3 Intelligent-Tiering en el bucket de entrada para que los documentos que nadie consulta se muevan a un nivel más barato

3. Un analista de negocio sin experiencia en programación debe explorar un conjunto de datos tabular de reclamaciones, detectar valores ausentes, atípicos y duplicados, y aplicar transformaciones antes de usarlo en un proyecto de IA generativa. ¿Qué herramienta de AWS encaja MEJOR?

A. SageMaker Data Wrangler (desde SageMaker Canvas)B. Amazon EMR con un clúster de Spark y cuadernos de PySpark para escribir las transformacionesC. AWS Glue ETL con un script en Python programado cada hora con un disparadorD. Amazon Athena con consultas SQL federadas sobre el bucket de S3 donde está el conjunto de datos

4. Un banco recibe cada día miles de solicitudes de hipoteca escaneadas en PDF de entre 20 y 80 páginas, con formularios y tablas. Necesita extraer pares clave-valor y tablas con su estructura para alimentar un proceso de revisión con un FM. ¿Qué operación de Amazon Textract debe usar?

A. DetectDocumentText síncrono, página a página, y reconstruir las tablas a partir del texto plano con expresiones regularesB. StartDocumentAnalysis con FORMS y TABLES y aviso por SNSC. AnalyzeDocument síncrono con FeatureTypes FORMS y TABLES enviando el PDF completo en una sola llamadaD. AnalyzeID, porque las solicitudes de hipoteca incluyen datos de identificación del solicitante

5. Una aseguradora quiere una única solución gestionada que extraiga campos de negocio definidos por ella (número de póliza, fecha del siniestro, importe reclamado) de documentos PDF, fotos de daños y grabaciones de llamadas, sin encadenar varios servicios ni entrenar modelos. ¿Qué servicio encaja MEJOR?

A. Amazon Textract con consultas QUERIES para los PDF, Amazon Rekognition para las fotos y Amazon Transcribe para las llamadasB. Un modelo multimodal de Bedrock invocado con la Converse API, adjuntando cada fichero y pidiendo un JSONC. Amazon Comprehend con reconocimiento de entidades personalizadas entrenado con documentos históricosD. Amazon Bedrock Data Automation con blueprints de salida personalizada agrupados en un proyecto

6. Un centro de atención al cliente en Madrid graba las llamadas (en español de España) y quiere transcribirlas en lotes cada noche, distinguiendo al agente del cliente, para que un FM genere resúmenes. El departamento legal exige que ningún dato personal llegue al FM. ¿Qué diseño cumple los requisitos?

A. Transcribe es-ES con diarización y después Comprehend para enmascarar la PIIB. Transcribe en lotes con es-ES y redacción automática de PII activada en el propio trabajo de transcripciónC. Transcribe en lotes con un modelo de lenguaje personalizado para es-ES entrenado para omitir nombres y teléfonosD. Enviar el audio directamente a Nova Micro con la Converse API y pedir en el prompt que no incluya datos personales

7. Un equipo debe limpiar, deduplicar y convertir a texto 30 millones de documentos históricos con librerías de Python específicas que tardan varios minutos por lote y necesitan más de 10 GB de memoria. El trabajo se repite una vez al trimestre. ¿Qué servicio es el MÁS adecuado para ejecutar este procesamiento?

A. AWS Lambda con la memoria al máximo, invocada una vez por documento desde una cola de SQSB. Un endpoint real-time de SageMaker AI que reciba los documentos por HTTPC. Trabajos de SageMaker Processing con un contenedor propio que lee de S3 y escribe en S3D. Amazon Kinesis Data Streams con consumidores que procesen los documentos en tiempo real

8. Una empresa de retail quiere que un asistente responda sobre su catálogo a partir de fotos de productos, fichas técnicas en PDF y vídeos de demostración. Está diseñando el pipeline de ingesta. ¿Qué afirmaciones son correctas? (Elige dos)

A. Los PDF escaneados sin capa de texto deben pasar por OCR (Textract o BDA) antes del chunking, o producirán chunks vacíosB. Amazon Transcribe puede extraer tanto el audio como el contenido visual de los vídeos de demostraciónC. Bedrock Data Automation puede usarse como parser de Knowledge Bases para convertir contenido complejo en texto antes del chunkingD. Titan Text Embeddings V2 puede vectorizar directamente fotos y vídeos si se envían en base64E. Los modelos multimodales de Bedrock solo aceptan imágenes subidas previamente a S3; no admiten bytes en la petición

9. Un desarrollador envía con la Converse API un contrato en PDF para que Claude extraiga cláusulas. La llamada falla con ValidationException. El mensaje tiene rol user y un único bloque de contenido de tipo document con format pdf, name y source con los bytes del fichero de 3 MB. ¿Cuál es la causa MÁS probable?

A. Falta un bloque de texto junto al documento en el mismo mensajeB. Los documentos solo pueden enviarse en mensajes con rol assistantC. El tamaño máximo de un documento en Converse es de 1 MBD. El formato pdf no está admitido en los bloques document; hay que convertirlo a txt

10. Una aplicación de chat guarda el historial en DynamoDB y lo envía a Bedrock con la Converse API. Tras varios turnos, algunas llamadas fallan con ValidationException. Al revisar los logs, ven que en esas conversaciones hay dos mensajes seguidos con rol user porque el usuario envió dos preguntas antes de recibir respuesta. ¿Qué corrección aplica el formato conversacional correcto?

A. Mover el historial completo al campo system para que no cuente como mensajesB. Enviar cada pregunta en una llamada independiente sin historialC. Insertar un mensaje vacío con rol assistant entre las dos preguntasD. Fusionar las preguntas seguidas en un solo mensaje user para mantener la alternancia

11. Un equipo debe clasificar 500.000 correos históricos con un modelo de Bedrock mediante inferencia por lotes para reducir costes. ¿Cómo deben preparar los datos de entrada?

A. JSONL en S3 con recordId y modelInput por líneaB. Un fichero CSV en S3 con una columna de texto por correo y el modelId en la cabeceraC. Una cola de Amazon SQS con un mensaje por correo, que el trabajo de lotes consume automáticamenteD. Una tabla de DynamoDB con un elemento por correo, indicada como origen en CreateModelInvocationJob

12. Una consultora indexa informes de proyectos para un asistente interno. Los usuarios suelen preguntar por cliente, ciudad y fecha («proyectos con Iberdrola en Bilbao en 2025»), pero los informes no tienen esos datos estructurados y las búsquedas semánticas mezclan resultados. ¿Qué mejora de la entrada resuelve MEJOR el problema?

A. Subir la temperatura del modelo generador para que infiera mejor el cliente y la ciudad de cada fragmentoB. Aumentar el tamaño de los chunks para que cada uno contenga el informe completoC. Extraer entidades con Comprehend en la ingesta y guardarlas como metadatos filtrablesD. Traducir todos los informes al inglés con Amazon Translate antes de vectorizarlos

13. Las transcripciones automáticas de reuniones llegan sin puntuación, con muletillas y nombres de productos mal escritos, y el FM genera resúmenes pobres. El equipo quiere mejorar la calidad y consistencia de la entrada sin reentrenar modelos. ¿Qué combinación es adecuada? (Elige dos)

A. Una Lambda que normalice el texto (espacios, caracteres, formato de fechas) y corrija nombres de productos con un diccionario propioB. Un paso previo con un modelo barato de Bedrock que reformatee la transcripción en párrafos limpios antes del resumenC. Aumentar maxTokens del modelo de resumen para compensar la mala calidad de la entradaD. Hacer fine-tuning del modelo de resumen con transcripciones sin limpiarE. Activar el nivel de servicio Priority para que el modelo dedique más capacidad a cada transcripción

14. Un fabricante indexa manuales técnicos de 300 páginas. Los técnicos preguntan por códigos de error muy concretos, pero para responder bien el modelo necesita el procedimiento completo de la sección. Con chunks fijos de 300 tokens la búsqueda acierta, pero las respuestas quedan incompletas; con chunks de 2.000 tokens las respuestas son completas, pero la búsqueda empeora. Usan Bedrock Knowledge Bases con OpenSearch Serverless. ¿Qué estrategia de chunking resuelve el dilema?

A. Chunking semántico con un umbral de percentil de ruptura muy bajo para generar muchos chunks pequeñosB. Sin chunking, con cada manual como un único chunkC. Tamaño fijo de 1.000 tokens con un 50 % de solapamientoD. Chunking jerárquico: hijos pequeños para la búsqueda y padres grandes que se devuelven como contexto

15. Un equipo configura una base de conocimiento de Bedrock con S3 Vectors como almacén y chunking jerárquico con padres de 6.000 tokens e hijos de 3.000. La ingesta falla en muchos documentos. Además, observan que al pedir 10 resultados reciben menos. ¿Qué explica ambos comportamientos? (Elige dos)

A. La relación padre-hijo se guarda como metadatos no filtrables y, con tamaños grandes, se supera el límite de metadatos de S3 Vectors en Knowledge BasesB. S3 Vectors no admite la métrica coseno, necesaria para el chunking jerárquicoC. Al sustituir hijos por sus padres, varios hijos pueden compartir el mismo padre y se devuelven menos resultados de los pedidosD. El chunking jerárquico solo funciona con modelos de embeddings binariosE. Knowledge Bases limita a 5 los resultados de cualquier consulta con chunking jerárquico

16. Una plataforma de noticias tiene 80 millones de chunks vectorizados con Titan Text Embeddings V2 a 1.024 dimensiones en OpenSearch. El coste de memoria del clúster se ha disparado. Las pruebas de recuperación con 500 preguntas reales muestran que a 256 dimensiones el recall apenas baja. ¿Qué deben hacer para reducir el coste?

A. Configurar las consultas para que usen solo las primeras 256 componentes de los vectores ya almacenados a 1.024 dimensionesB. Cambiar la métrica del índice de coseno a producto escalar, que ocupa menos memoria por vectorC. Mantener 1.024 dimensiones y reducir el número de réplicas a cero para ahorrar memoriaD. Índice nuevo de 256 dimensiones y re-vectorizar todo el corpus

17. Una empresa española tiene su documentación en español, pero una parte de los empleados pregunta en inglés. Con su modelo de embeddings actual, optimizado para inglés, las búsquedas en español dan resultados pobres. Necesita procesar los datos en la UE desde eu-central-1. ¿Qué opción es la MÁS adecuada?

A. Amazon Nova Multimodal Embeddings, porque su dimensión por defecto de 3.072 captura mejor cualquier idiomaB. Un modelo de embeddings multilingüe disponible en la UE, validado con preguntas realesC. Titan Multimodal Embeddings G1, porque al admitir imágenes también mejora el rendimiento multilingüeD. Mantener el modelo actual y traducir las preguntas en inglés al español con el propio FM generador

18. Un equipo usa Cohere Embed v3 y observa que la recuperación es peor de lo esperado. Revisando el código, ven que usan input_type search_query tanto al indexar los documentos como al consultar. Además, algunos chunks de 1.500 tokens se vectorizan sin error. ¿Qué dos problemas deben corregir? (Elige dos)

A. Usar input_type search_document al indexar y search_query al consultarB. Cambiar la métrica a Hamming, que es la recomendada para CohereC. Reducir el tamaño de los chunks, porque Cohere Embed v3 solo procesa 512 tokens por texto y trunca el restoD. Normalizar los vectores con una Lambda, porque Cohere no admite el tipo floatE. Pasar los chunks por Amazon Comprehend antes de vectorizar para que Cohere acepte textos largos

19. Un sistema de recomendación semántica en OpenSearch Service debe responder en menos de 50 ms con un recall muy alto sobre 20 millones de vectores. El presupuesto de memoria no es el factor limitante y los datos se insertan continuamente. ¿Qué método de índice k-NN es el MÁS adecuado?

A. HNSW con Faiss, ajustando ef_searchB. IVF con product quantization para minimizar la memoriaC. Búsqueda exacta (fuerza bruta) sobre todos los vectores en cada consultaD. Modo on_disk con compresión 32x para reducir el coste de las instancias

20. Un equipo usa embeddings de Titan Text Embeddings V2 con normalize a true y está eligiendo métrica para su índice. Un compañero afirma que cambiar entre coseno y producto escalar dará resultados muy distintos. ¿Qué es correcto?

A. Con vectores normalizados, el producto escalar siempre devuelve el orden inverso al cosenoB. Con vectores normalizados, coseno y producto escalar producen el mismo orden de resultadosC. El producto escalar solo funciona con vectores binarios y no es aplicable a TitanD. La distancia euclídea es la única métrica válida para embeddings de texto normalizados

21. Una startup lanza un asistente RAG sobre 3 millones de chunks de documentación pública. Las consultas son esporádicas (unos pocos miles al día), una latencia de unos cientos de milisegundos es aceptable, no necesitan búsqueda por palabras clave y el requisito principal es el MENOR coste y cero administración. ¿Qué almacén vectorial deben elegir?

A. Amazon OpenSearch Service con un dominio de tres nodos de datos y réplicasB. Amazon ElastiCache for Valkey con búsqueda vectorial en un clúster de nodosC. Amazon S3 VectorsD. Amazon Aurora PostgreSQL con pgvector en un clúster aprovisionado

22. Un marketplace necesita que los usuarios busquen productos tanto por significado («zapatillas cómodas para correr en montaña») como por referencias exactas («TRX-4410»), con filtros complejos por precio, marca y talla y miles de consultas por segundo. ¿Qué almacén vectorial es el MÁS adecuado?

A. OpenSearch Service con k-NN y búsqueda híbridaB. Amazon Neptune Analytics con un índice vectorial por grafoC. Amazon S3 Vectors con metadatos filtrables para precio, marca y tallaD. Amazon DynamoDB con búsqueda vectorial nativa y filtros de coincidencia exacta

23. Una empresa de software ya gestiona sus pedidos, clientes y permisos en Amazon Aurora PostgreSQL. Quiere añadir búsqueda semántica sobre las incidencias de soporte y combinarla en la misma consulta con filtros relacionales (cliente, plan contratado, permisos del usuario) y transacciones, minimizando la duplicación de datos. ¿Qué solución es la MÁS adecuada?

A. Exportar las incidencias a S3 Vectors y cruzar los resultados con Aurora en la aplicaciónB. Activar pgvector en Aurora y crear un índice HNSWC. Crear un dominio de OpenSearch Service y sincronizar las tablas con un proceso ETL nocturnoD. Usar Amazon DocumentDB con búsqueda vectorial y migrar allí las incidencias

24. Un equipo ha creado una colección de búsqueda vectorial en OpenSearch Serverless para un piloto que solo se usa en horario laboral unos días al mes. La factura muestra cientos de dólares mensuales aunque apenas hay consultas. ¿Qué cambio reduce el coste manteniendo OpenSearch Serverless?

A. Reducir el número de dimensiones de los vectores, porque OpenSearch Serverless factura por dimensión almacenadaB. Cambiar el motor del índice de Faiss a NMSLIB, que no consume OCU en reposoC. Pasar la colección a un tipo de colección de series temporales, que es más baratoD. Asignar la colección a un grupo de colecciones con capacidad mínima de 0 OCU para indexación y búsqueda

25. Un asistente jurídico debe responder preguntas como «¿qué empresas filiales de nuestros proveedores tienen litigios abiertos con clientes del sector energético?», que requieren conectar entidades a través de varias relaciones además de buscar por significado. ¿Qué almacén encaja MEJOR con una base de conocimiento de Bedrock?

A. Amazon Neptune Analytics para GraphRAGB. Amazon S3 Vectors con metadatos de sector y proveedorC. Amazon ElastiCache for Valkey con índices HNSWD. Amazon Aurora PostgreSQL con pgvector y un índice IVFFlat

26. Un chatbot de soporte recibe muchas preguntas casi idénticas formuladas de forma distinta. El equipo quiere reutilizar respuestas anteriores para preguntas semánticamente muy parecidas y evitar invocar el FM, con una latencia de búsqueda de microsegundos y expiración automática de entradas. ¿Qué servicio es el MÁS adecuado para esta caché semántica?

A. Amazon S3 Vectors, porque es el almacén vectorial más baratoB. Amazon ElastiCache for Valkey con búsqueda vectorial y TTL en las entradasC. Amazon OpenSearch Serverless con una colección de búsqueda vectorialD. Amazon Neptune Analytics, porque puede relacionar preguntas similares entre sí

27. Una multinacional indexa sus políticas internas en una base de conocimiento de Bedrock con fuente de datos S3. Los empleados reciben a veces respuestas basadas en políticas de otros países o en versiones derogadas. Quieren que cada consulta filtre por país del empleado y solo use documentos vigentes. ¿Qué deben hacer?

A. Añadir el país y la vigencia como etiquetas de objeto de S3, que Knowledge Bases usa automáticamente como filtrosB. Crear una base de conocimiento distinta por país y por año, y elegirla en cada consultaC. Ficheros .metadata.json con pais y vigente, y filtros por metadatos al recuperarD. Incluir en el prompt de sistema la instrucción de ignorar las políticas de otros países y las derogadas

28. Un equipo diseña un índice en Amazon S3 Vectors para 50 millones de chunks. Cada vector llevará el texto del chunk (unos 1.500 caracteres), la URL del documento, el departamento, el año y el nivel de confidencialidad. Las consultas siempre filtran por departamento, año y confidencialidad. ¿Cómo deben configurar los metadatos?

A. Todos los campos como metadatos filtrables, porque S3 Vectors no distingue entre tipos de metadatosB. Todos los campos como no filtrables, y filtrar después en la aplicación para ahorrar espacioC. Guardar el texto y la URL en DynamoDB y no usar metadatos en S3 VectorsD. Texto y URL como claves no filtrables; departamento, año y confidencialidad filtrables

29. Un grupo hospitalario tiene documentación clínica, legal y de recursos humanos con vocabularios muy distintos. Las consultas de cada área deben buscar solo en su dominio, el corpus clínico crece mucho más rápido que los demás y quieren optimizar el rendimiento de búsqueda a escala en OpenSearch Service. ¿Qué diseño cumple MEJOR estos requisitos?

A. Un único índice con todos los documentos y un campo de metadatos de dominio, con un solo shard para simplificarB. Un índice por dominio con shards y réplicas propios y un enrutador de consultasC. Un índice por documento para aislar completamente los datos de cada ficheroD. Mover el corpus clínico a S3 Vectors y mantener los demás dominios en OpenSearch para reducir costes

30. Una empresa quiere que su asistente de IA generativa responda con el contenido de SharePoint Online, Confluence y su wiki interna, que tiene una API REST propia. Quieren el MENOR esfuerzo operativo y respetar los permisos de acceso por documento de SharePoint y Confluence. La cuenta crea las bases de conocimiento en octubre de 2026. ¿Qué enfoque es el MÁS adecuado?

A. Managed Knowledge Base con conectores nativos y una fuente Custom para la wikiB. Amazon Kendra como índice intermedio con sus conectores, conectado después a BedrockC. Copiar a mano cada semana los documentos a S3 y sincronizar una base de conocimiento con fuente S3D. Una base de conocimiento gestionada por el cliente con conectores nuevos de SharePoint y Confluence, y un crawler web para la wiki

31. Una empresa industrial guarda miles de procedimientos en un servidor de ficheros NFS en su centro de datos y recibe fichas técnicas de proveedores por SFTP. Quiere que ambas fuentes lleguen a S3 para alimentar una base de conocimiento, con transferencias incrementales programadas y sin gestionar servidores. ¿Qué servicios debe usar? (Elige dos)

A. AWS DataSync con una tarea programada en modo de transferencia de solo cambios desde el NFS hacia S3B. AWS Transfer Family con un servidor SFTP gestionado que escriba directamente en S3C. Amazon AppFlow con un conector NFS para el servidor de ficherosD. Amazon Kinesis Data Streams para leer los ficheros del NFS en tiempo realE. Una instancia EC2 con un servidor SFTP autogestionado y un cron que copie a S3

32. Una base de conocimiento de Bedrock con fuente S3 indexa 200.000 documentos. Cada día cambian unos cientos y algunos deben estar disponibles para el asistente en pocos minutos. Actualmente se borra y recrea el índice completo cada noche, lo que tarda horas y cuesta mucho en embeddings. ¿Qué diseño resuelve ambos problemas?

A. Mantener la reindexación completa nocturna y añadir más capacidad al almacén vectorial para que termine antesB. Usar un perfil de inferencia global para que la generación de embeddings sea más rápida y barataC. Ingesta dirigida por eventos de S3 más una sincronización incremental programadaD. Pasar a chunking semántico para reducir el número de chunks que se vectorizan cada noche

33. Tras retirar varias políticas de la intranet, los empleados siguen recibiendo respuestas basadas en ellas. El pipeline propio de ingesta (Step Functions + Lambda + OpenSearch) solo procesa eventos de creación y modificación de objetos en S3. ¿Qué cambios corrigen el problema y evitan que se repita? (Elige dos)

A. Procesar también los eventos de borrado de objetos de S3 para eliminar los vectores asociados del índiceB. Guardar en DynamoDB el estado de cada documento (hash, versión, fecha de indexación) y ejecutar una reconciliación programada que borre del índice lo que ya no existe en origenC. Aumentar la temperatura del modelo generador para que dé menos peso a documentos antiguosD. Activar S3 Intelligent-Tiering para que los documentos retirados pasen a un nivel de archivoE. Reducir el top-K de la búsqueda de 10 a 3 para que aparezcan menos documentos antiguos

34. Una empresa guarda en S3 el corpus original de su base de conocimiento (4 TB). Algunos documentos se consultan a diario y otros pasan meses sin abrirse, sin un patrón predecible. Además, el pipeline genera ficheros intermedios de procesamiento que ya no sirven a los 7 días, y necesitan una copia del corpus en otra región para recuperación ante desastres. ¿Qué combinación de funciones de S3 aplica? (Elige tres)

A. S3 Intelligent-Tiering para el corpus originalB. Una regla de S3 Lifecycle que expire los objetos del prefijo de ficheros intermedios a los 7 díasC. S3 Cross-Region Replication con el versionado activado en los buckets de origen y destinoD. S3 Glacier Deep Archive para todo el corpus, para minimizar el costeE. S3 Transfer Acceleration para replicar el corpus a la otra región

35. Un equipo comercial quiere que el asistente de ventas conozca las oportunidades y los casos de soporte de Salesforce y ServiceNow, actualizados cada día, sin desarrollar integraciones propias. ¿Qué servicio deben usar para llevar esos datos a S3?

A. AWS DataSync con agentes instalados en los servidores de Salesforce y ServiceNowB. AWS Transfer Family, pidiendo a Salesforce y ServiceNow que envíen exportaciones por SFTPC. Amazon Data Firehose leyendo directamente de las APIs de ambos SaaSD. Amazon AppFlow con flujos programados desde Salesforce y ServiceNow hacia S3