Conceptos clave de IA y ML
Qué son la IA y el ML en realidad, cómo se relacionan el deep learning y la IA generativa, los tipos de datos que consumen los modelos, y cómo aprenden y sirven predicciones.
Este tema pone los cimientos de todo el examen AWS Certified AI Practitioner. Antes de comparar servicios o razonar sobre casos de uso, necesitas un vocabulario firme: qué separa el machine learning de la programación por reglas, cómo se anidan la IA, el ML, el deep learning y la IA generativa, qué forma tienen los datos que consumen los modelos, y qué pasa cuando un modelo aprende y luego sirve predicciones. Cada lección aquí es una palabra que las preguntas posteriores dan por sabida.
Qué cubre este tema
- La definición de IA y machine learning y por qué el ML reemplaza las reglas escritas a mano con patrones aprendidos de datos
- Las redes neuronales y qué hace que el deep learning sea "profundo", frente al ML tradicional
- La IA generativa, los modelos fundacionales y los LLMs, y cómo la IA agéntica los extiende para planificar y actuar
- Los dos ejes independientes de los datos, estructura y etiquetado, más los formatos tabular, de series temporales, de imagen y de texto
- Las tres familias de aprendizaje: supervisado, no supervisado y por refuerzo
- Los cuatro modos de inferencia, tiempo real, por lotes, asíncrona y serverless, y cómo elegir entre ellos
Por qué es importante
El Dominio 1 pesa el 20% del examen, y este tema es su núcleo conceptual. Las preguntas rara vez piden una definición seca; te dan un escenario y te piden distinguir términos que se parecen: predictivo frente a generativo frente a agéntico, estructurado frente a etiquetado, regresión frente a clasificación, tiempo real frente a lotes. Ahí es donde vive el examen, en las fronteras. Si tienes claros estos conceptos, gran parte de la certificación se convierte en razonamiento en vez de memoria, porque cada dominio posterior, de la IA generativa a la seguridad, se apoya en este idioma común.