Aplicaciones de modelos fundacionales

Saber qué es un modelo fundacional no te dice cómo construir algo útil con él. Aquí el curso pasa de los conceptos a la construcción: tienes un modelo, un problema de negocio y un conjunto de decisiones sobre cómo conectar ambas cosas. Si te equivocas en esas decisiones, pagas de más, filtras datos privados dentro de un prompt o lanzas un sistema en el que nadie confía.

Este es el dominio más pesado del examen, y premia el criterio por encima de la memorización. Recorre el camino completo de una aplicación: elegir el modelo correcto, anclarlo en tus propios datos con RAG, moldear su comportamiento con prompts, adaptarlo con ajuste fino cuando los prompts no bastan, y luego medir si el resultado realmente funciona.

Qué cubre este dominio

• elegir un modelo fundacional y ajustar parámetros de inferencia como temperature y top-p
• Retrieval Augmented Generation (RAG) y las bases de datos vectoriales en AWS que lo hacen posible
• el espectro de personalización, del prompting al ajuste fino, y las concesiones en cada paso
• los agentes de IA dentro de las aplicaciones, y dónde encajan junto a RAG
• ingeniería de prompts: anatomía, técnicas, buenas prácticas y ataques como la inyección de prompts
• cómo se entrenan los modelos fundacionales, los principales métodos de ajuste fino y la preparación de datos para ellos
• evaluar los modelos con las métricas adecuadas, y cómo medir las aplicaciones de RAG y de agentes frente a los objetivos de negocio

Por qué importa

Con el 28 por ciento del examen, este dominio pesa más que cualquier otro, y sus preguntas se basan en escenarios, no en definiciones. Te van a dar una situación, una restricción y cuatro opciones plausibles, y luego te preguntan qué enfoque encaja. Esa es justo la habilidad que construye este dominio: cuándo recurrir a RAG en lugar de al ajuste fino, cuándo un mejor prompt le gana a un modelo más grande, y cómo saber si lo que lanzaste es lo bastante bueno.

La ganancia va más allá del examen. Estas son las mismas decisiones que toman los equipos reales cuando ponen un modelo fundacional en producción, y acertar en ellas es la diferencia entre una demo y un producto en el que la gente puede confiar.