Saltar al contenido
aprendeaws.dev

Certificaciones · Asociado · MLA-C02

Badge de AWS Certified Machine Learning Engineer – Associate

AWS Certified Machine Learning Engineer – Associate

Mide si sabes preparar datos, construir y ajustar modelos de machine learning e IA generativa, desplegarlos y operarlos de forma segura y eficiente en AWS.

Para quién: Al menos un año usando SageMaker AI y Bedrock, y un año en un rol relacionado.

El MLA-C02 está en beta en inglés. El MLA-C01 en inglés terminó el 28 de septiembre de 2026 y sigue en coreano, japonés y chino simplificado hasta que el C02 salga de beta. Revisa el estado en la página oficial antes de agendar.

50 + 15

preguntas con y sin puntaje en la versión final (la beta tiene más)

720

puntaje mínimo para aprobar (no aplica durante la beta)

2 tipos

de pregunta: opción única y respuesta múltiple

Global

se aprueba por el total

Fuente: guía oficial del examen MLA-C02, versión MLA-C02 (beta en inglés desde el 29 de septiembre de 2026). Revisado en noviembre de 2026.

Dominios del examen

  • 28 % · Preparación de datos para ML e IA
  • 24 % · Desarrollo de modelos de ML y modelos fundacionales
  • 24 % · Despliegue y orquestación de flujos de ML e IA
  • 24 % · Operar, monitorear y proteger soluciones de ML e IA

12 tareas en la guía oficial. El curso cubre todas.

Dominio 1 · 28 % del examen

Preparación de datos para ML e IA

  1. 1.1

    Recolectar y almacenar datos

    • Extraer de S3, EBS, EFS, RDS, DynamoDB y OpenSearch
    • Streaming con Kinesis, Flink y Kafka
    • Formatos Parquet, ORC, JSON y CSV
    • Bases vectoriales y SageMaker Feature Store

    Lecciones del curso

  2. 1.2

    Transformar datos, crear características y preprocesar

    • Glue, Glue DataBrew, Spark en EMR y Data Wrangler
    • Ingeniería de características: escalar, normalizar, dividir
    • Embeddings, tokenización y fragmentación para RAG
    • Enmascarar y anonimizar; preparar datos para ajustar modelos

    Lecciones del curso

  3. 1.3

    Validar la calidad de los datos y manejar el sesgo

    • Calidad con DataBrew y Glue Data Quality
    • Etiquetado y anotación
    • Métricas de sesgo y clases desbalanceadas
    • Limpieza: atípicos, faltantes y duplicados

    Lecciones del curso

Dominio 2 · 24 % del examen

Desarrollo de modelos de ML y modelos fundacionales

  1. 2.1

    Elegir el enfoque de modelado

    • Modelos fundacionales en Bedrock y estrategias de ajuste
    • Modelo propio, administrado o preentrenado
    • Patrones de RAG
    • Balance entre rendimiento, latencia, tiempo y costo

    Lecciones del curso

  2. 2.2

    Entrenar, ajustar y personalizar modelos

    • Algoritmos integrados y script mode en SageMaker AI
    • Ajuste de hiperparámetros, parada temprana y entrenamiento distribuido
    • Evitar sobreajuste y olvido catastrófico
    • Ajustar recuperación y modelos de embeddings

    Lecciones del curso

  3. 2.3

    Analizar y evaluar el rendimiento

    • Experimentos reproducibles con MLflow y evaluaciones de Bedrock
    • Líneas base, deriva y variantes en sombra
    • BLEU, ROUGE, BERTScore y LLM como juez
    • Evaluación humana y monitoreo de RAG

    Lecciones del curso

Dominio 3 · 24 % del examen

Despliegue y orquestación de flujos de ML e IA

  1. 3.1

    Administrar la infraestructura de despliegue

    • Entornos de cómputo y destinos de despliegue
    • Inferencia en tiempo real o por lotes; varios modelos por endpoint
    • Despliegue de modelos fundacionales y modelos importados
    • Agentes, integraciones y configuraciones de RAG

    Lecciones del curso

  2. 3.2

    Aprovisionar y configurar recursos para cargas de ML e IA

    • Bajo demanda o aprovisionado
    • Contenedores y endpoints dentro de una VPC
    • Escalado automático y cargas con GPU
    • Knowledge Bases, pipelines de recuperación y estado de agentes

    Lecciones del curso

  3. 3.3

    Automatizar la orquestación y CI/CD para MLOps

    • Despliegues automatizados con reversión
    • CodePipeline, CodeBuild y CodeDeploy
    • Reentrenamiento y versionado con Model Registry y MLflow
    • Gestión de prompts, versiones de agentes y actualización de bases de conocimiento

    Lecciones del curso

Dominio 4 · 24 % del examen

Operar, monitorear y proteger soluciones de ML e IA

  1. 4.1

    Monitorear la inferencia y el rendimiento

    • Observabilidad de IA generativa en CloudWatch
    • Deriva de datos y anomalías
    • Pruebas A/B
    • Rendimiento de agentes y modelos fundacionales

    Lecciones del curso

  2. 4.2

    Optimizar costos y rendimiento de la infraestructura

    • Familias de instancias para inferencia
    • Diagnóstico con CloudWatch, AgentCore Observability y X-Ray
    • Opciones de compra y cuotas
    • Costos de tokens, embeddings y almacenamiento vectorial

    Lecciones del curso

  3. 4.3

    Proteger cargas de ML e IA y sus endpoints

    • Escaneo de código e imágenes en CI/CD
    • Menor privilegio para artefactos y roles
    • Auditoría con CloudTrail y Config
    • Aislamiento con VPC; credenciales para modelos y Guardrails

    Lecciones del curso

Cómo estudiar con este curso

  1. Sigue las lecciones de cada tarea; usa el buscador para repasar un servicio puntual.
  2. Responde el quiz de cada lección y lee la explicación de las que falles.
  3. Practica con los diagramas y simuladores: el examen pregunta por escenarios, no por definiciones sueltas.
  4. 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.