Test del módulo · Semana 3

Test: Recuperación aumentada (RAG) a fondo

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

29 preguntasComprobadas: 0/29

1. Una empresa de logística quiere un asistente interno que responda preguntas sobre sus procedimientos operativos. Los procedimientos están en unos 4.000 documentos PDF y Word en Amazon S3 y se actualizan varias veces por semana. Las respuestas deben indicar el documento de origen para que los supervisores puedan verificarlas. El equipo es pequeño y busca la solución con LEAST operational overhead. ¿Qué debe hacer un desarrollador de IA generativa?

A. Ajustar (fine-tuning) cada mes un modelo de Amazon Bedrock con los documentos actualizados y desplegar el modelo personalizado con Provisioned Throughput para servir las consultas de los supervisoresB. Crear una Amazon Bedrock Knowledge Base con el bucket de S3 como fuente de datos, sincronizarla de forma programada y usar RetrieveAndGenerate para obtener respuestas con citasC. Concatenar todos los documentos en el system prompt de cada llamada a la API Converse para que el modelo tenga siempre el contenido completoD. Entrenar desde cero un modelo propio en Amazon SageMaker AI con los 4.000 documentos y exponerlo con un endpoint en tiempo real

2. Un fabricante indexa manuales de mantenimiento de 300 páginas con capítulos y subapartados en una Customer-managed Knowledge Base con Amazon OpenSearch Serverless. Las pruebas muestran que las búsquedas encuentran el párrafo correcto, pero el modelo responde de forma incompleta porque le falta el contexto del procedimiento completo. Con chunks más grandes, en cambio, la recuperación pierde precisión. ¿Qué estrategia de chunking resuelve ambos problemas?

A. Chunking semántico con un umbral de percentil de ruptura más bajo, de forma que el texto se divida en más fragmentos y cada uno trate un único temaB. Sin chunking (NONE), de forma que cada manual completo sea un único chunkC. Chunking jerárquico, que busca con chunks hijo pequeños y los sustituye por su chunk padre más amplio al recuperarD. Chunking de tamaño fijo con un solapamiento del 0 % para evitar contenido duplicado

3. Para reducir costes, un equipo crea una Customer-managed Knowledge Base sobre Amazon S3 Vectors. Configura chunking jerárquico con chunks padre de muchos miles de tokens y metadatos personalizados con 40 atributos por documento. El ingestion job falla al escribir en el índice vectorial. ¿Cuál es la corrección MÁS adecuada manteniendo S3 Vectors?

A. Cambiar a chunking de tamaño fijo y reducir los metadatos personalizados por debajo de 35 claves y 1 KB por vectorB. Cambiar el tipo de dato del índice a binario para que los vectores ocupen menos y quede espacio para los metadatosC. Aumentar la dimensión del índice de 1.024 a 4.096 y usar un modelo de embeddings compatible, para que cada vector tenga más capacidad de almacenar los metadatos del documentoD. Activar la búsqueda híbrida en la configuración de la fuente de datos para que el texto se guarde fuera del vector

4. Un despacho de abogados quiere un RAG sobre contratos. Cada respuesta debe apoyarse en cláusulas completas, que tienen numeración como 4.2 o 7.1.b y longitudes muy variables. Ninguna estrategia nativa de chunking de Amazon Bedrock Knowledge Bases respeta esos límites. El equipo quiere seguir usando Knowledge Bases para el resto del pipeline. ¿Qué debe hacer?

A. Configurar chunking semántico con un buffer size alto para que agrupe en el mismo chunk las frases consecutivas que pertenecen a la misma cláusulaB. Preprocesar los contratos con Amazon Comprehend para detectar entidades y usar esas entidades como chunksC. Aumentar maxTokens del chunking de tamaño fijo hasta que ninguna cláusula quede cortadaD. Estrategia NONE más una Lambda de transformación personalizada (POST_CHUNKING) que trocee por cláusula

5. Una plataforma de comercio electrónico almacena 60 millones de embeddings de descripciones de productos para búsqueda semántica y quiere reducir significativamente el almacenamiento y la memoria del índice. Acepta una pequeña pérdida de precisión que validará con pruebas. El índice debe seguir integrado con Amazon Bedrock Knowledge Bases. ¿Qué combinación cumple los requisitos?

A. Amazon Titan Text Embeddings V2 con vectores binarios en Amazon S3 VectorsB. Amazon Titan Text Embeddings V2 con vectores binarios en Amazon OpenSearch ServerlessC. Amazon Titan Embeddings G1 - Text con 1.536 dimensiones en Amazon Aurora PostgreSQL con pgvectorD. Cualquier modelo de embeddings con la métrica de distancia cambiada de coseno a euclídea en el índice existente

6. Un equipo evalúa Amazon S3 Vectors como almacén de una Customer-managed Knowledge Base para un asistente de uso esporádico con un presupuesto muy ajustado. ¿Qué DOS afirmaciones son correctas sobre esta combinación? (Elige dos)

A. Solo admite embeddings de tipo float32; los vectores binarios no son compatiblesB. Permite búsqueda híbrida (semántica y por palabras clave) indicando overrideSearchType HYBRIDC. Los filtros de metadatos startsWith y stringContains no están disponiblesD. La dimensión y la métrica de distancia del índice se pueden cambiar después sin reindexarE. Requiere aprovisionar una capacidad mínima de unidades de cómputo facturadas por hora

7. Un servicio técnico usa una Customer-managed Knowledge Base con Amazon S3 Vectors. Los técnicos buscan sobre todo por referencias exactas de piezas como XR-2200-B y códigos de error como E-417, y la recuperación devuelve con frecuencia documentos de piezas parecidas pero no la exacta. Las preguntas en lenguaje natural funcionan bien. El equipo quiere mantener una Customer-managed Knowledge Base. ¿Qué cambio mejora MÁS la relevancia?

A. Migrar el índice a Amazon OpenSearch Serverless con un campo de texto filtrable y usar overrideSearchType HYBRID en las consultasB. Configurar overrideSearchType HYBRID en las consultas contra el índice actual de S3 VectorsC. Aumentar numberOfResults de 5 a 100 para que la referencia exacta de la pieza tenga más probabilidades de aparecer entre los resultados que recibe el modeloD. Cambiar a un modelo de generación más grande para que interprete mejor las referencias

8. Una aseguradora opera en eu-central-1 una Customer-managed Knowledge Base. Al analizar las trazas, observa que el chunk que contiene la respuesta correcta suele aparecer entre las posiciones 6 y 12 de los resultados, pero la aplicación solo envía los 4 primeros al modelo. La latencia adicional de unos cientos de milisegundos es aceptable. ¿Qué configuración resuelve el problema con el menor cambio de arquitectura?

A. Aumentar a 12 los chunks enviados al modelo y subir maxTokens de la respuestaB. Sustituir Titan Text Embeddings V2 por un modelo de embeddings con más dimensiones, reindexar todos los documentos y volver a medir la posición del chunk correctoC. Añadir un guardrail con contextual grounding check para descartar las respuestas poco sustentadasD. Recuperar 20 candidatos y reordenarlos con Amazon Rerank 1.0, quedándose con 4

9. Un desarrollador configura una llamada Retrieve con numberOfResults igual a 5 y un reranker de Amazon Bedrock con numberOfRerankedResults igual a 10, sin descomposición de consultas. Esperaba recibir 10 resultados reordenados, pero siempre recibe como máximo 5. ¿Qué explica el comportamiento y cómo debe corregirlo?

A. El reranker solo funciona con RetrieveAndGenerate; debe cambiar de APIB. numberOfRerankedResults no puede superar el número de candidatos recuperados; debe subir numberOfResults (por ejemplo a 20) y dejar numberOfRerankedResults en 10C. Los modelos de reranking están limitados a 5 resultados por petición; debe hacer dos llamadasD. El almacén vectorial trunca los resultados a 5 cuando hay reranking, así que hay que cambiar la métrica de distancia del índice de coseno a euclídea

10. Una empresa SaaS de recursos humanos da servicio a 400 clientes con un único índice vectorial en una Customer-managed Knowledge Base, por coste. Cada documento lleva el metadato tenant_id. Los usuarios se autentican con Amazon Cognito y llaman a una API de Amazon API Gateway con AWS Lambda. Un requisito de seguridad exige que ningún usuario pueda recuperar documentos de otro cliente. ¿Qué diseño cumple el requisito?

A. Incluir en el system prompt una instrucción explícita para que el modelo responda únicamente con documentos que pertenezcan al cliente del usuario autenticadoB. Permitir que la aplicación cliente envíe el filtro de metadatos con su tenant_id en cada peticiónC. Configurar un denied topic de Amazon Bedrock Guardrails con los nombres de los demás clientesD. La Lambda toma el tenant_id del token validado y añade siempre un filtro equals en Retrieve

11. Un equipo usa una Customer-managed Knowledge Base con Amazon S3 Vectors. Quiere recuperar solo documentos cuyo metadato codigo_proyecto empiece por VENT-, y añade un filtro startsWith en la llamada Retrieve. La llamada falla con un error de validación. ¿Cuál es la solución MÁS sencilla sin cambiar de almacén?

A. Añadir durante la ingesta un metadato adicional, por ejemplo area con valor ventas, y filtrar con equals o in sobre élB. Cambiar el filtro a stringContains con el valor VENT-C. Activar la búsqueda híbrida para que el filtro se aplique sobre el textoD. Marcar codigo_proyecto como clave no filtrable al crear el índice

12. Los analistas de una gestora de fondos preguntan en lenguaje natural cosas como informes de 2025 de empresas tecnológicas estadounidenses con PER bajo. Los documentos ya tienen metadatos company, is_us_company, pe_ratio y year. El equipo no quiere escribir reglas para convertir cada pregunta en un filtro. ¿Qué capacidad de Amazon Bedrock Knowledge Bases debe usar?

A. Descomposición de consultas con QUERY_DECOMPOSITIONB. Reranking con Cohere Rerank 3.5 pasando los metadatos de cada documento como parte del texto, para que el reranker priorice los que coinciden con la preguntaC. Implicit metadata filtering con implicitFilterConfiguration, describiendo el esquema de metadatos y un modelo compatibleD. Chunking semántico para que los metadatos se incluyan en cada chunk

13. En un asistente de producto, las preguntas del tipo cuál de los dos modelos, el A200 o el B300, consume menos y cuál tiene más garantía obtienen respuestas incompletas: la recuperación solo trae fragmentos de uno de los productos. La aplicación usa RetrieveAndGenerate sobre una Customer-managed Knowledge Base y el equipo quiere la solución con menos código. ¿Qué debe activar?

A. Aumentar la temperatura del modelo de generación para que explore más informaciónB. La transformación de consultas QUERY_DECOMPOSITION en orchestrationConfiguration de RetrieveAndGenerateC. Chunking jerárquico para que cada chunk padre contenga ambos productosD. Un guardrail de contextual grounding que obligue a citar ambos productos

14. Un equipo construye un RAG a medida con Retrieve (no RetrieveAndGenerate) sobre varias Knowledge Bases. Quiere reformular las preguntas ambiguas usando el historial, generar variantes de la pregunta para mejorar la cobertura y ejecutar las recuperaciones de las subconsultas en paralelo con reintentos y trazabilidad de cada paso. ¿Qué DOS componentes son los más adecuados? (Elige dos)

A. Amazon Comprehend para generar las variantes de la pregunta mediante detección de sintaxisB. Amazon Kendra como capa de reformulación de consultas delante de las Knowledge BasesC. Un modelo de Amazon Bedrock invocado con Converse que reformula la pregunta y genera variantes o subpreguntasD. Aumentar numberOfResults al máximo para compensar la falta de reformulaciónE. AWS Step Functions con un estado Map que ejecuta una llamada Retrieve por subconsulta y fusiona los resultados

15. Un equipo necesita un RAG que combine resultados de dos Knowledge Bases distintas, aplique una caché semántica propia antes de invocar el modelo, filtre chunks con una regla de negocio en Lambda y genere la respuesta con un prompt propio. ¿Qué API de Knowledge Bases debe usar para la recuperación?

A. RetrieveAndGenerate con una plantilla de prompt personalizadaB. RetrieveAndGenerateStream, para reducir la latencia percibidaC. GenerateQuery, para convertir la pregunta en una consulta estructuradaD. Retrieve en cada Knowledge Base y generar después con la API Converse

16. Un desarrollador personaliza la plantilla de generación de RetrieveAndGenerate para imponer el tono de la empresa. La plantilla incluye las instrucciones, el marcador $search_results$ y el marcador $query$. Desde el cambio, las respuestas llegan sin citas. ¿Cuál es la causa MÁS probable?

A. La plantilla no incluye el marcador $output_format_instructions$, necesario para que la respuesta contenga citasB. Las citas solo se devuelven cuando se usa RetrieveAndGenerateStreamC. El marcador $search_results$ solo funciona con modelos Anthropic ClaudeD. Las citas solo se generan si la Knowledge Base tiene activada la búsqueda híbrida, por lo que hay que cambiar el tipo de búsqueda en la configuración de la consulta

17. Una aerolínea tiene una Customer-managed Knowledge Base con fuente S3 que se sincroniza cada noche. Cuando se publica un aviso operativo urgente, debe estar disponible para el asistente de los agentes en pocos minutos, sin esperar a la sincronización nocturna. ¿Qué solución cumple el requisito con el menor cambio?

A. Crear una Knowledge Base nueva cada vez que se publique un aviso urgenteB. Lanzar en paralelo IngestKnowledgeBaseDocuments y StartIngestionJob sobre todos los documentos del bucket cada vez que se publique un aviso, para asegurar que el índice queda completoC. Indexar el aviso con IngestKnowledgeBaseDocuments (ingesta directa) y subirlo también al bucket de S3 para que la siguiente sincronización no lo sobrescribaD. Reducir el chunking a 50 tokens para que la sincronización nocturna tarde menos

18. Un equipo mantiene una Customer-managed Knowledge Base sobre un bucket de S3 al que distintos departamentos suben y borran documentos a lo largo del día. Quiere que la KB refleje los cambios automáticamente, con LEAST operational overhead y sin reprocesar documentos que no han cambiado. ¿Qué DOS acciones forman parte de una buena solución? (Elige dos)

A. Borrar y recrear el índice vectorial cada noche para garantizar que no quedan vectores huérfanosB. Programar con Amazon EventBridge Scheduler una llamada periódica a StartIngestionJob, aprovechando que la sincronización es incrementalC. Recrear la fuente de datos cada vez que un departamento sube un documentoD. Enviar los eventos de creación y borrado de objetos de S3 a Amazon EventBridge y lanzar con AWS Lambda un StartIngestionJob, agrupando los cambios para no lanzar un job por ficheroE. Cambiar la política de borrado de datos de la fuente a RETAIN para que los documentos borrados se eliminen del índice

19. Una entidad financiera indexa informes trimestrales en PDF con muchas tablas y gráficos en una Customer-managed Knowledge Base con el parser por defecto. Las preguntas sobre cifras que solo aparecen en tablas y gráficos se responden mal. El equipo acepta un coste adicional durante la ingesta. ¿Qué cambio es el más adecuado?

A. Mantener el parser por defecto y aumentar el tamaño de los chunks para capturar las tablas completasB. Usar como parser un foundation model con capacidad de visión o Amazon Bedrock Data Automation, que extraen tablas, gráficos e imágenesC. Convertir los PDF a texto plano con un script y eliminar las tablas para evitar ruidoD. Activar el reranking con Amazon Rerank 1.0 para que los chunks procedentes de páginas con tablas y gráficos suban a las primeras posiciones de los resultados

20. Una empresa farmacéutica quiere responder preguntas como qué ensayos clínicos dirigidos por investigadores de la unidad de Barcelona usan proveedores cuyos contratos vencen este año. La información está repartida entre actas de proyectos, fichas de personal y contratos, todos en Amazon S3. Un RAG vectorial clásico falla porque ningún fragmento contiene toda la cadena de relaciones. ¿Qué solución gestionada es la más adecuada?

A. Una Customer-managed Knowledge Base con Amazon Aurora PostgreSQL y búsqueda híbrida, combinando términos exactos de nombres de proveedores con la búsqueda semánticaB. Aumentar numberOfResults a 100 en la Knowledge Base actual para cubrir todos los documentos relacionadosC. Fine-tuning de un modelo con los documentos para que aprenda las relacionesD. Knowledge Bases con GraphRAG sobre Amazon Neptune Analytics

21. Tras un piloto, un equipo borra una Amazon Bedrock Knowledge Base configurada con GraphRAG. Semanas después, la factura sigue mostrando cargos relacionados con Amazon Neptune. ¿Qué ha ocurrido y qué deben hacer?

A. Borrar la KB no borra el grafo de Neptune Analytics asociado; deben borrarlo explícitamenteB. Los cargos corresponden a la transferencia de datos pendiente; desaparecerán solos al final del mesC. Neptune Analytics factura un compromiso mínimo de un año; no pueden evitarloD. El grafo sigue activo porque la política de borrado de la fuente era DELETE; deben cambiarla a RETAIN

22. Una consultora con sede en Fráncfort quiere un RAG sobre documentos repartidos entre Microsoft SharePoint, Confluence y Amazon S3. Cada usuario solo debe obtener respuestas basadas en documentos que tiene permiso para ver en el sistema de origen. El equipo no quiere gestionar almacenes vectoriales ni modelos de reranking y busca la mayor precisión de recuperación con LEAST operational overhead. ¿Qué debe implementar?

A. Una Customer-managed Knowledge Base con Amazon OpenSearch Serverless y un filtro de metadatos por grupo de usuario mantenido a manoB. Amazon Kendra con los conectores de SharePoint y Confluence y un índice GenAI de Kendra configurado como recuperador de una Knowledge Base de Amazon BedrockC. Una Amazon Bedrock Managed Knowledge Base en eu-central-1 con los conectores de SharePoint, Confluence y S3 y el filtrado por ACL activadoD. Un pipeline propio con AWS Glue que copie los documentos a S3 y una Customer-managed Knowledge Base con S3 Vectors

23. En octubre de 2026, un arquitecto propone para una cuenta de AWS recién creada usar un índice GenAI de Amazon Kendra como recuperador de una Amazon Bedrock Knowledge Base, porque así lo vio en un curso de 2025. ¿Cuál es la mejor recomendación?

A. Seguir el diseño propuesto, porque Kendra continúa disponible para cualquier cuenta nueva y sigue siendo la opción recomendada por AWS para búsqueda empresarial con conectoresB. Sustituir Kendra por Amazon Q Business como recuperador de la Knowledge BaseC. Usar Amazon Comprehend para indexar los documentos y recuperarlos por entidadesD. Usar una Bedrock Managed Knowledge Base: Kendra no admite clientes nuevos

24. Una empresa de 2.000 empleados, sin equipo de desarrollo propio, quiere en 2026 un asistente de IA generativa listo para usar que responda preguntas sobre sus documentos internos y permita crear pequeños flujos y paneles sin programar. La cuenta de AWS es nueva. ¿Qué servicio debe evaluar en primer lugar?

A. Amazon Q Business con Q Business AppsB. Amazon Quick, que puede asociar una Bedrock Managed Knowledge Base de forma nativaC. Amazon Bedrock Flows con una interfaz web desarrollada y alojada en AWS Amplify, conectada a una Knowledge Base con los documentos internosD. Amazon Lex con respuestas generativas

25. Una organización tiene varios equipos que construyen agentes con distintos frameworks (Strands Agents, LangGraph y otros). Todos deben consultar la misma base de conocimiento corporativa como herramienta, mediante un protocolo estándar y sin escribir integraciones a medida para cada framework. La base de conocimiento es una Amazon Bedrock Managed Knowledge Base. ¿Qué enfoque es el MÁS adecuado?

A. Exponerla como herramienta MCP con su integración nativa con AgentCore GatewayB. Pedir a cada equipo que copie los documentos en su propio almacén vectorialC. Crear una función de AWS Lambda distinta para cada framework de agentes, cada una con su propio formato de petición y de respuesta adaptado a ese frameworkD. Incluir los documentos más consultados en el system prompt de cada agente

26. Un asistente conversacional recibe preguntas mixtas: algunas requieren la documentación interna y otras son de conocimiento general o de cálculo. Hoy la aplicación llama a Retrieve en todas las preguntas, lo que añade latencia y coste innecesarios. ¿Qué DOS técnicas permiten que sea el modelo quien decida cuándo buscar y con qué parámetros? (Elige dos)

A. Declarar una herramienta de búsqueda documental en toolConfig de la API Converse, cuya ejecución llama a RetrieveB. Usar RetrieveAndGenerate en todas las preguntas con numberOfResults más bajoC. Exponer la búsqueda como herramienta de un servidor MCP, por ejemplo el servidor oficial de awslabs para Knowledge Bases, y consumirla desde un cliente MCPD. Hacer fine-tuning del modelo para que memorice la documentación y no necesite buscarE. Activar prompt caching para que las búsquedas repetidas no se ejecuten

27. El equipo comercial quiere preguntar en lenguaje natural por cifras de ventas por región y trimestre. Los datos están en tablas con esquema definido y los resultados deben ser exactos y reproducibles, no aproximados por similitud semántica. ¿Qué solución de Amazon Bedrock es la más adecuada?

A. Exportar las tablas a ficheros CSV en Amazon S3, indexarlos en una Knowledge Base vectorial con chunking fijo y responder mediante búsqueda semántica sobre las filas recuperadasB. Una Knowledge Base sobre el almacén estructurado que traduce la pregunta a SQL (o GenerateQuery para obtener solo el SQL)C. Incluir las tablas completas en el prompt y pedir al modelo que calcule los totalesD. Una Knowledge Base con GraphRAG para relacionar regiones y trimestres

28. Una aplicación permite a un abogado subir un único contrato en PDF y hacerle preguntas durante una sesión. No se necesita conservar el documento ni compartirlo entre usuarios, y el equipo quiere evitar crear y mantener almacenes vectoriales para este caso. ¿Qué capacidad de Amazon Bedrock encaja mejor?

A. Crear para cada usuario una Knowledge Base con Amazon OpenSearch Serverless al iniciar la sesión, sincronizar el contrato y borrar todos los recursos al cerrar la sesiónB. Hacer fine-tuning de un modelo con el contrato antes de cada sesiónC. Chat with your document: RetrieveAndGenerate con externalSourcesConfigurationD. Convertir el PDF en embeddings con Titan y guardarlos en Amazon DynamoDB para buscarlos con una consulta Scan

29. Un RAG en producción sobre una Customer-managed Knowledge Base presenta dos síntomas: responde con la política de viajes de 2024 aunque la de 2026 ya está en el bucket de S3, y a veces mezcla en la respuesta la política de otro país. Los documentos tienen metadatos year y country. ¿Qué DOS acciones corrigen los síntomas? (Elige dos)

A. Subir la temperatura del modelo para que elija la versión más recienteB. Comprobar con GetIngestionJob que la última sincronización terminó sin fallos y automatizar la sincronización tras cada cambioC. Cambiar la estrategia de chunking de la fuente existente a semánticaD. Añadir un guardrail con un denied topic sobre políticas antiguasE. Aplicar en la llamada Retrieve un filtro que combine country igual al país del usuario y year mayor o igual que el año vigente