Conceptos clave de la IA generativa
Los modelos fundacionales por dentro: tokens, embeddings, difusión, el ciclo de vida del FM, el precio por tokens, la ingeniería de contexto y la IA agéntica con MCP.
La mayoría de la gente usa IA generativa sin haber visto nunca lo que pasa por debajo. Este tema abre esa caja. Empieza por la arquitectura transformer que hace posible todo lo demás y termina en agentes que deciden por su cuenta qué buscar y qué hacer, pasando por las unidades que el modelo realmente consume, cómo se factura y por qué enviarle más información puede empeorar sus respuestas.
Es el tema más denso del Dominio 2 y el que sostiene al dominio más grande del examen. Cada pregunta posterior sobre RAG, prompts o ajuste fino da por sentado el vocabulario que se construye aquí.
Qué cubre este tema
- Los modelos fundacionales y la arquitectura transformer: self-attention, positional encoding, encoder y decoder, y qué guardan los parámetros
- Tokens, chunking y embeddings, y el pipeline que convierte un documento en un índice vectorial consultable
- Los modelos multimodales y de difusión, con el contraste frente a las GAN y frente a los modelos de lenguaje
- Los casos de uso de IA generativa que nombra el examen, ordenados por la capacidad detrás de cada uno
- El ciclo de vida del modelo fundacional, de la selección de datos a la retroalimentación, y el par pre-entrenamiento contra ajuste fino
- El precio basado en tokens, con los modos on-demand, batch, Provisioned Throughput y prompt caching
- La ingeniería de contexto: la ventana de contexto como presupuesto, sus dos modos de falla y las estrategias para no salirse
- La IA agéntica: el ciclo de razonar, actuar y observar, los patrones multi-agente y el Model Context Protocol
Por qué es importante
Sin estos conceptos, las decisiones prácticas se vuelven adivinanzas. Elegir entre dos modelos, estimar la factura del próximo mes o explicar por qué el asistente responde mal con más documentos son preguntas que solo se responden bien cuando entiendes qué consume el modelo y qué le cuesta.
El examen lo evalúa por límites: modelo fundacional contra LLM, difusión contra GAN, pre-entrenamiento contra ajuste fino, RAG contra ajuste fino, ingeniería de contexto contra ingeniería de prompts. Cada lección trabaja esos bordes de forma explícita, porque ahí es donde vive la mayoría de las preguntas.