Fundamentos de la IA generativa

La mayoría conoce la IA generativa por una ventana de chat y nunca ve lo que ocurre detrás. Ese vacío se vuelve un problema apenas tienes que elegir un modelo, estimar la factura del mes o explicarle a un equipo por qué la misma pregunta a veces recibe una respuesta distinta. Este dominio cierra ese vacío.

Empieza por la mecánica: qué es un modelo fundacional, cómo el texto se convierte en tokens y embeddings, y en qué se diferencian los modelos de difusión y multimodales de los modelos de lenguaje. Después pasa a lo que la IA generativa hace bien, dónde falla y cómo un equipo decide si el valor justifica el gasto. Cierra en terreno AWS, con los servicios que convierten un modelo en un producto que funciona.

Qué cubre este dominio

• los modelos fundacionales y los LLM, y en qué se diferencian de los modelos de ML tradicionales
• tokens, chunking y embeddings, junto con el precio por token que se deriva de ellos
• los modelos multimodales y de difusión, y los casos de uso que atiende cada uno
• el ciclo de vida de un modelo fundacional, el context engineering y la IA agéntica con MCP
• lo que la IA generativa hace bien, sus límites y riesgos, y cómo seleccionar un modelo
• cómo medir el valor de negocio frente a los costos reales
• el stack de AWS: Amazon Bedrock, SageMaker AI y JumpStart, Amazon Q, Kiro y las herramientas agénticas alrededor

Por qué es importante

Es el segundo dominio con mayor peso en el examen y alimenta directamente al más grande. Cada pregunta sobre RAG, ingeniería de prompts o ajuste fino da por sentado que ya sabes qué es un token, por qué el contexto tiene un límite y qué ofrece Bedrock en concreto.

La ganancia práctica es el criterio. Cuando puedes seguir una petición desde el prompt hasta los tokens, la inferencia y la factura, puedes responder las preguntas que importan en el trabajo: si esta tarea encaja con un modelo fundacional, con qué modelo conviene empezar y cuánto costará a escala.