Certificaciones · Fundamentos · AIF-C01
AWS Certified AI Practitioner
Mide si entiendes los conceptos de IA, machine learning e IA generativa, sus casos de uso en AWS y cómo usarlos de forma responsable y segura. No pide construir modelos.
Para quién: Hasta seis meses de contacto con IA y machine learning en AWS; usa soluciones de IA, no las construye.
65
preguntas: 50 con puntaje y 15 sin puntaje
90 min
de duración
700
puntaje mínimo para aprobar, en una escala de 100 a 1.000
4 tipos
de pregunta: opción única, respuesta múltiple, ordenar y emparejar
Fuente: guía oficial del examen AIF-C01, versión AIF-C01, guía oficial vigente. Revisado en noviembre de 2026.
Dominios del examen
- 20 % · Fundamentos de IA y machine learning
- 24 % · Fundamentos de IA generativa
- 28 % · Aplicaciones de modelos fundacionales
- 14 % · Lineamientos de IA responsable
- 14 % · Seguridad, cumplimiento y gobierno de soluciones de IA
14 tareas en la guía oficial. El curso cubre todas.
Dominio 1 · 20 % del examen
Fundamentos de IA y machine learning
- 1.1
Explicar los conceptos y la terminología básica de IA
- IA, machine learning, deep learning, IA generativa e IA agéntica
- Inferencia por lotes, en tiempo real, asíncrona y serverless
- Tipos de datos y de aprendizaje: supervisado, no supervisado y por refuerzo
Lecciones del curso
- 1.2
Identificar casos de uso prácticos de la IA
- Dónde agrega valor y cuándo no conviene
- Regresión, clasificación o agrupamiento
- Servicios listos: SageMaker AI, Transcribe, Translate, Comprehend, Lex, Polly
- Machine learning clásico o modelos fundacionales
Lecciones del curso
- 1.3
Describir el ciclo de vida de desarrollo de IA y ML
- Componentes de un pipeline de ML
- Modelos de código abierto o propios; API administrada o autoalojada
- Servicios por etapa: Bedrock, SageMaker AI, Amazon Quick, Kiro
- MLOps y métricas de modelo y de negocio
Lecciones del curso
Dominio 2 · 24 % del examen
Fundamentos de IA generativa
- 2.1
Explicar los conceptos básicos de la IA generativa
- Tokens, fragmentos, embeddings y vectores
- Transformers, modelos fundacionales, multimodales y de difusión
- Ciclo de vida de un modelo fundacional y precio por tokens
- Ingeniería de contexto e IA agéntica: MCP, memoria, herramientas
Lecciones del curso
- 2.2
Entender capacidades y límites de la IA generativa para el negocio
- Ventajas: adaptabilidad, conversación, generación de contenido
- Límites: alucinaciones, interpretabilidad, no determinismo
- Criterios para elegir modelo y métricas de valor de negocio
Lecciones del curso
- 2.3
Describir la infraestructura de AWS para aplicaciones de IA generativa
- Bedrock, SageMaker AI, JumpStart, Amazon Quick, Kiro, Strands Agents, AgentCore
- Beneficios de seguridad, cumplimiento y velocidad
- Costos: tokens, capacidad aprovisionada, modelos propios
Lecciones del curso
Dominio 3 · 28 % del examen
Aplicaciones de modelos fundacionales
- 3.1
Describir consideraciones de diseño para aplicaciones con modelos fundacionales
- Criterios de selección de modelo y parámetros de inferencia
- RAG y Bedrock Knowledge Bases; bases vectoriales
- Costos de personalizar: preentrenar, ajustar, RAG, destilar
- Agentes y sus aplicaciones
Lecciones del curso
- 3.2
Elegir técnicas efectivas de ingeniería de prompts
- Contexto, instrucciones y prompts negativos
- Zero-shot, few-shot, cadena de pensamiento y plantillas
- Riesgos: exposición, envenenamiento, secuestro y jailbreak
- Versiones de prompts con Prompt Management
Lecciones del curso
- 3.3
Describir el entrenamiento y el ajuste de modelos fundacionales
- Preentrenamiento, ajuste fino, preentrenamiento continuo y destilación
- Ajuste por instrucciones, adaptación de dominio y transferencia
- Preparación de datos y RLHF
Lecciones del curso
- 3.4
Describir métodos para evaluar modelos fundacionales
- Evaluación humana, conjuntos de referencia y Bedrock Model Evaluation
- ROUGE, BLEU, BERTScore y LLM como juez
- Evaluar RAG, agentes y flujos; alinear con métricas de negocio
Lecciones del curso
Dominio 4 · 14 % del examen
Lineamientos de IA responsable
- 4.1
Explicar el desarrollo de sistemas de IA responsables
- Sesgo, equidad, inclusión, robustez, seguridad y veracidad
- Bedrock Guardrails
- Riesgos legales y sostenibilidad
- Detectar sesgo y vigilar la confiabilidad
Lecciones del curso
- 4.2
Reconocer la importancia de modelos transparentes y explicables
- Modelos transparentes u opacos
- SageMaker Model Cards y evaluaciones
- Explicabilidad centrada en las personas
Lecciones del curso
Dominio 5 · 14 % del examen
Seguridad, cumplimiento y gobierno de soluciones de IA
- 5.1
Explicar métodos para proteger sistemas de IA
- IAM, cifrado, Macie, PrivateLink y responsabilidad compartida
- AgentCore Identity y Guardrails
- Inyección de prompts, fuga de datos y filtrado de salidas
- Detección de alucinaciones y anclaje con RAG
Lecciones del curso
- 5.2
Reconocer regulaciones de gobierno y cumplimiento para la IA
- Config, Inspector, Artifact, CloudTrail y Trusted Advisor
- Gobierno de datos: ciclo de vida, residencia y retención
- Procesos y marcos como la Generative AI Security Scoping Matrix
Lecciones del curso
Cómo estudiar con este curso
- Sigue las lecciones de cada tarea; usa el buscador para repasar un servicio puntual.
- Responde el quiz de cada lección y lee la explicación de las que falles.
- Practica con los diagramas y simuladores: el examen pregunta por escenarios, no por definiciones sueltas.
- Antes del examen, lee la guía oficial: AWS la actualiza y publica los cambios cerca de un mes antes de aplicarlos.
AprendeAWS es un proyecto educativo independiente, sin afiliación con Amazon Web Services. Ni este curso ni sus preguntas son material oficial del examen. El badge que ves arriba es el de AWS y solo identifica la certificación: AWS lo entrega a quien aprueba el examen.