¡Bienvenido a nuestra academia de AWS! El visor no ejecuta interacciones avanzadas, pero puedes abrir y leer las 36 lecciones tocando cada título. Para navegar por los mundos animados, abre el HTML como web HTTPS en Safari.
📖 Las lecciones y el glosario pueden leerse sin JavaScript. Los miniretos con corrección funcionan abriendo Nubilandia en Safari mediante HTTPS. Los simulacros completos se hacen en ChatGPT.
No es lo mismo decirle al modelo «contesta en JSON» que exigir un JSON validado contra un esquema. Amazon Bedrock admite Structured Outputs en combinaciones de API y modelo compatibles, por ejemplo `outputConfig.textFormat` en Converse, y `strict: true` para ciertas definiciones de tools. El contrato limita la estructura, no garantiza el contenido semántico de cada campo.
Prompt + JSON Schema → Bedrock validación de esquema → FM → objeto conforme → validación de reglas de negocio → API del cliente.
Para contratos JSON rígidos usa Structured Outputs compatibles y comprueba modelo/API/región. Para verificar «importe <= saldo» sigue siendo necesaria lógica determinista en el backend.
Prompt-only JSON = indicación frágil; esquema estructurado = conformidad de sintaxis; tool use strict = parámetros de herramienta validados; AWS Lambda = reglas y efectos reales.
Las diapositivas del curso tratan el schema en el prompt y tool-use como atajos; la documentación actual ofrece Structured Outputs nativo. Compilar un esquema nuevo puede añadir latencia inicial y no todos los JSON Schema keywords están soportados.
Una API Spring Boot espera `customerId`, `riskCode` y `recommendation` de tipos correctos. El modelo genera JSON, pero el servidor sigue validando permisos y reglas hipotecarias.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A courier platform receives informal incident notes with mixed date formats and proprietary abbreviations. Three products need consistent structured summaries from one FM. Which pattern reduces variance?
A. Ignore malformed output and let downstream SQL queries guess the field names.
B. Send raw inconsistent notes and rely on top_p alone for schema consistency.
C. Create separate unversioned prompt strings in every client.
D. Normalize notes in the ingestion Lambda, use a versioned shared prompt, and validate the output contract before publishing.
A conversational application calls three providers using Bedrock Converse. It sends a provider-only sampling field inside inferenceConfig and receives ValidationException. How should the request be changed?
A. Change the endpoint to the Knowledge Bases retrieve API.
B. Rename the user role to system for every message.
C. Send top_k as a fake maxTokens value.
D. Move the provider-only value to additionalModelRequestFields and keep shared settings in inferenceConfig.
A state machine builds a model-native request from validated inputs. A recent deployment broke because quotes inside Lambda tool observations produced invalid JSON strings. What change avoids fragile string concatenation?
A. Concatenate every prompt field into a raw JSON string with no escaping.
B. Build a structured request object and serialize it safely, such as with Step Functions intrinsic JSON functions, before passing the model Body.
C. Convert the payload to YAML and pass it as an InvokeModel JSON body unchanged.
D. Make the client send a larger payload and hope it parses.
TTFT (Time To First Token) mide cuánto tarda en llegar el primer token en streaming. TPOT mide tiempo por token de salida, según convención. Throughput puede medirse en requests/s o tokens/s; throttling rechaza o retrasa solicitudes por límites. p95 significa que el 95 % de observaciones no supera ese tiempo, no «la media del 95 %».
Total = red + autenticación + retrieval + rerank + modelo (cola, TTFT, generación) + postproceso.
Si el usuario percibe espera antes de ver texto, analiza TTFT; si el texto sale lento, tokens/s; si fallan picos, cuotas, colas y backpressure.
TTFT mide hasta primer token; TPOT la cadencia tras comenzar; tokens/segundo mide rendimiento; p95/p99 caracterizan colas de latencia; CloudWatch/X-Ray ayudan a separar red, recuperación, orquestación e inferencia.
p95 != p99; modelo token latency != end-to-end RAG latency; streaming mejora percepción, no necesariamente tiempo total.
Una interfaz parece bloqueada 8 s aunque la generación posterior sea rápida: traza los pasos previos al primer token.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A utilities assistant becomes slow at shift handover. Prompt content cannot be logged, but the platform suspects unusually large inputs are exhausting token capacity. Which telemetry best tests this hypothesis?
A. Use S3 object storage costs as the sole signal of model saturation.
B. Only count successful HTTP 200 responses and ignore tokens.
C. Record every unredacted prompt in the application access log.
D. Monitor Bedrock CloudWatch token-usage, throttling and invocation-latency metrics segmented by model and permitted dimensions, without enabling payload logging.
A virtual teacher over-allocates 5000 output tokens to every brief response and includes many redundant passages. During peak demand, requests throttle. The model exposes a token counting endpoint. What is the first optimization?
A. Increase output token limits further to prevent truncation.
B. Raise temperature to make responses shorter by definition.
C. Disable throttling by ignoring HTTP 429 responses.
D. Count expected tokens, reduce unnecessary context and set realistic per-request maxTokens with monitoring.
A tax review copilot generates unique long answers. Users see a blank screen until all tokens arrive; urgent review sessions can justify a higher-cost service tier if the chosen model supports it. Which TWO changes help?
A. Increase maximum output tokens without monitoring time to first token.
B. Wait for InvokeModel completion before sending any text in every UI flow.
C. Select the supported lower-latency/priority inference option for urgent requests while retaining a standard tier for routine sessions.
D. Switch eligible chat requests to ConverseStream and forward safe chunks progressively.
E. Use an exact prompt-response cache even though requests are nearly all unique.
CloudWatch observa métricas, logs y alarmas; X-Ray ayuda a seguir una petición distribuida; CloudTrail audita acciones de API sobre recursos AWS. Una trace agrupa segments y subsegments para localizar cuánto tarda cada salto. OpenTelemetry (OTel) es el estándar abierto para instrumentar y exportar telemetría; no es otro nombre de CloudTrail.
Cliente → API Gateway → Lambda → KB Retrieve → Bedrock Converse; una traceId correlaciona los spans. Logs detallan eventos, métricas agregan cifras, CloudTrail registra operaciones de control.
Si un chatbot pasa de p95 2 s a 9 s, usa trazas para identificar el tramo lento; métricas para saber cuánto se ha degradado; logs para hallar excepciones; CloudTrail para investigar quién cambió configuración. Para instrumentación nueva o modernización, AWS recomienda OpenTelemetry; X-Ray sigue siendo el servicio de trazas.
CloudWatch Metrics = números a lo largo del tiempo; Logs = eventos; X-Ray = ruta y latencia por llamada; CloudTrail = auditoría de actividad AWS; OTel = instrumentación portátil.
Una traza no demuestra que la respuesta sea correcta ni que el usuario estuviera autorizado; tampoco se debe guardar PII sin controles. Un aumento de InvocationLatency del FM no implica que Retrieve sea lento, y viceversa. AWS X-Ray SDK y Daemon entraron en mantenimiento el 25/02/2026 y el soporte termina el 25/02/2027. Eso NO significa que el servicio X-Ray vaya a desaparecer.
En una aseguradora el 90 % del tiempo se consume en Retrieve después de aumentar top-K de 8 a 80. Instrumenta los dos pasos y optimiza retrieval antes de cambiar de modelo.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A campus planning API already uses API Gateway, Lambda and a synchronous Bedrock invoke. A burst causes occasional 429/503, while the team cannot distinguish API time from model time. Clients cannot be upgraded. Which TWO actions are appropriate?
A. Make every client poll a new batch API with a new response schema.
B. Enable tracing/structured latency metrics across API Gateway, Lambda and Bedrock to locate the bottleneck.
C. Retry indefinitely without respecting API timeouts or idempotency.
D. Use bounded SDK retries with exponential backoff/jitter for retryable downstream failures.
E. Disable quota monitoring so retry logs are shorter.
A SaaS chatbot streams replies to browsers while a background process makes non-streaming calls. Privacy forbids retaining prompt bodies. Which TWO measures cover experience and operational health?
A. Measure client time to first content for streams and end-to-end latency for non-streaming requests.
B. Use CloudWatch token/error/throttle metrics and privacy-safe application telemetry.
C. Monitor only network bytes and ignore model token consumption.
D. Persist full transcripts in access logs by default.
E. Record private user messages in a public dashboard.
A purchasing assistant writes one JSON log event for each QA failure in CloudWatch Logs. New failures must trigger an alarm immediately; historical conversion is unnecessary. What requires least code?
A. Increase Lambda memory to reduce the number of errors observed.
B. Copy the entire log group to S3 each hour and count strings manually.
C. Create a CloudWatch Logs metric filter for the failure field and a CloudWatch alarm on the resulting metric.
D. Only create a dashboard of log text with no alarm metric.
Una trace de agente debe permitir reconstruir decisiones observables: invocaciones, tools elegidas, latencias, errores y resultados permitidos. AgentCore Evaluations añade evaluación especializada de comportamiento cuando esté soportado; Bedrock Agents tiene trazas de orquestación propias. Correlaciona cada etapa sin publicar secretos ni razonamientos confidenciales.
Usuario → agent session → plan/tool requests → Gateway/tools → FM → evaluación offline/online → métricas por versión.
Diagnostica tool selection con trazas de orquestación; diagnose backend slowness con X-Ray/OTel; examina calidad con evaluadores y datasets.
Agent tracing muestra pasos de orquestación y tool calls; X-Ray/OTel aportan trazas distribuidas de infraestructura; CloudWatch Logs inspecciona errores y payloads permitidos; las métricas de evaluación juzgan calidad, no solo duración.
Una llamada a una tool exitosa no implica que el agente haya escogido la correcta ni que el resultado resuelva la tarea.
Un supervisor contacta inventario equivocado. Las métricas de errores HTTP están verdes, pero falló la decisión del agente.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A fleet-maintenance agent adds a new tool. The team wants to sample production interactions, score tool selection and argument quality, and apply company-specific safety criteria. There are no ground-truth answers for live sessions. Which TWO capabilities fit?
A. Create a custom evaluator with a safety rubric that uses available live traces without ground-truth placeholders.
B. Publish raw user PII to a public scoring dashboard.
C. Configure AgentCore online evaluations with percentage-based session sampling and suitable built-in tool evaluators.
D. Require an expected response for every live session before evaluation starts.
E. Evaluate the agent only once in development and never inspect production traces.
A factory uses an Amazon Bedrock multi-agent team to locate substitute components. A supervisor says the orchestration occasionally calls the wrong inventory tool. Which option gives engineers step-level evidence without replacing the agent?
A. Inspect only the final natural-language reply and CloudWatch billing totals.
B. Increase the FM temperature and infer failures from response variability.
C. Enable agent tracing for InvokeAgent requests and inspect orchestration, collaborator, action-group, and knowledge-base trace events.
D. Enable Amazon Macie to map tool invocation paths.
A manufacturing agent sends prompt_variant and invocation_id as Converse requestMetadata. Each Lambda tool execution records the same IDs. How should the team measure tool latency, errors and abnormal usage by prompt release?
A. Emit per-tool structured telemetry and correlate it with invocation metadata and trace IDs in CloudWatch.
B. Discard invocation IDs so no correlation is possible.
C. Group every tool event only by the company name.
D. Assume invocation logging automatically records each external tool’s duration.
Converse ofrece un formato de mensajes común para modelos compatibles; InvokeModel usa el contrato de inferencia del modelo concreto. Retrieve recupera fragmentos de una Knowledge Base sin generar texto. RetrieveAndGenerate combina recuperación e inferencia administradas. Ninguna de estas operaciones sustituye automáticamente la autorización del usuario sobre los documentos.
Consulta → [Retrieve] → filtro/redacción backend → [Converse] → respuesta. Alternativa gestionada: consulta → [RetrieveAndGenerate] → respuesta con citas.
Elige Retrieve + Converse cuando necesitas inspeccionar fragmentos, usar varios modelos o controlar las fases; RetrieveAndGenerate cuando priorizas el RAG integrado; InvokeModel si requieres una API nativa o una función no disponible en Converse.
Converse vs InvokeModel: forma de invocación; Retrieve vs RetrieveAndGenerate: recuperación sola vs recuperación y generación. Agent Runtime es otra capa distinta.
`toolUse` en Converse pide ejecutar una herramienta, no ejecuta el backend por arte de magia. Una respuesta con citas no garantiza verdad factual.
La plataforma hipotecaria exige anonimizar los pasajes recuperados antes de que un LLM extranjero los reciba: controlas Retrieve y después Converse.
AWS CDK permite definir infraestructura con código y sintetizar plantillas CloudFormation. `cdk synth` genera la plantilla; `cdk diff` muestra cambios previstos; drift detection busca diferencias entre estado real y declarado. CodeBuild ejecuta tests/builds; CodePipeline encadena etapas y aprobaciones; CodeDeploy gestiona despliegues en plataformas compatibles.
Git → CodeBuild test → CDK synth/diff → CloudFormation Change Set → aprobación → despliegue canary → métricas → rollback.
CDK para definir infraestructura; CodePipeline para quality gates; CodeDeploy para estrategias de despliegue compatibles; AppConfig para configuración/feature flags.
CDK modela infraestructura en código y sintetiza CloudFormation; CloudFormation gestiona stacks y rollback; CodeBuild compila/testea; CodePipeline coordina etapas; CodeDeploy puede gestionar despliegues según servicio objetivo.
`--hotswap` no es estrategia habitual de producción; `CAPABILITY_NAMED_IAM` admite creación de IAM nombrado, no otorga mínimo privilegio.
Una empresa quiere cambiar versión de prompt y Lambda con aprobación y revertir si crece el error rate.
Un embedding convierte un texto en un vector; k-NN busca los k vecinos próximos. ANN (Approximate Nearest Neighbors) acelera la búsqueda sacrificando parte de la exactitud. HNSW crea un grafo de vecinos a varias capas y permite explorar candidatos rápidamente. Cuanto más agresiva es la aproximación, más importante resulta medir recall@k contra una referencia exacta.
Documento → embedding → índice ANN/HNSW. Usuario autorizado + query → filtro de tenant en búsqueda → ANN candidatos → reranker → fragmentos.
Usa un índice ANN para grandes volúmenes y baja latencia; con corpus pequeño o exigencia de exhaustividad compara búsqueda exacta; ajusta construcción, memoria y búsqueda con un dataset held-out.
k-NN exacto = mejor exhaustividad, mayor coste de búsqueda; HNSW = baja latencia y mayor consumo de índice; reranker = reordenación de candidatos, no reconstrucción de los omitidos.
Subir top-K no aumenta automáticamente recall si el índice y sus filtros excluyen documentos; subir dimensions no equivale a mejorar chunking.
Una base de 40 millones de cláusulas reduce latencia con HNSW, pero empieza a omitir excepciones. Mide recall@10 antes de aprobar el cambio.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A hotel chain has acceptable semantic recall at 1024 embedding dimensions. Memory must be reduced substantially, but a 256-dimension pilot failed acceptance. Which next model setting is the reasonable trade-off?
A. Test the Amazon Titan Text Embeddings V2 output at 512 dimensions, measuring recall on the actual corpus.
B. Double dimensions to 2048 without checking model support.
C. Cut dimensions to 64 and assume semantic quality never changes.
D. Use a text-generation temperature of 0 to compress stored vectors.
A digital archive produces unusually high-dimensional vectors for caption search. It needs keyword + semantic retrieval with nested rights conditions and rapid document visibility. Which TWO decisions matter?
A. Use an append-only static JSON file and rebuild retrieval results manually each week.
B. Choose an OpenSearch configuration/engine that explicitly supports the embedding dimension and required vector index settings.
C. Assume every low-cost vector service accepts arbitrarily high dimensions.
D. Use hybrid lexical/vector search with indexable rights metadata and validate ingestion refresh/index capacity.
E. Store rights only in an LLM system prompt rather than indexed attributes.
A product-search platform has 40 million dense embeddings. Exact nearest-neighbor scans violate the p95 latency target. A small accuracy reduction is acceptable if measured. Which indexing approach is most appropriate?
A. Run exhaustive k-NN on every query and increase the response timeout.
B. Use an approximate-nearest-neighbor index such as HNSW, and evaluate recall@k against a ground-truth set.
C. Lower the foundation model temperature to accelerate vector distance calculations.
D. Enable CloudTrail for every search request to reduce query latency.
La búsqueda lexical usa palabras del texto (por ejemplo BM25); la semántica usa embeddings. Hybrid search combina ambas señales para atender sinónimos e identificadores exactos. Como las puntuaciones pueden tener escalas distintas, la combinación requiere normalización, un procesador o técnicas de fusión como Reciprocal Rank Fusion (RRF) cuando el motor lo soporta.
Consulta → validar identidad y tenant → BM25 + búsqueda vectorial con filtros tenant → fusionar scores/RRF → rerank → fragmentos autorizados → FM.
Si el usuario pregunta por «cláusula CAT-1845» y también por «cobertura de daños por agua», hybrid search suele encajar mejor que búsqueda semántica sola.
OpenSearch puede ofrecer búsqueda lexical, vectorial y hybrid; S3 Vectors usado directamente como vector store de Bedrock KB admite búsqueda semántica, no HYBRID; pgvector añade similitud al ecosistema SQL.
La búsqueda HYBRID no puede resolver permisos; aplicar `tenant_id` solo después de recuperar contenido confidencial puede exponer datos al modelo.
Un broker necesita buscar por nombre de producto y número exacto de póliza; configura índices textuales y vectoriales adecuados más filtrado previo.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A museum search index contains exhibit descriptions and exact catalog numbers. Pure semantic similarity misses exact catalog numbers, but the vector store has a text field searchable by keywords. Which Bedrock retrieval setting fits?
A. Replace all vectors with a single DynamoDB table scan.
B. Use Knowledge Bases retrieval with HYBRID search, assuming the backing store supports it.
C. Increase temperature in the generation step.
D. Disable keyword fields and rely exclusively on cosine similarity.
A service desk searches manuals containing equipment IDs and descriptive fault text. Pure semantic matching misses exact IDs, and users always know the appliance family. What retrieval improvement keeps both precision and contextual matches?
A. Return hundreds of unrelated chunks to increase recall regardless of latency.
B. Use hybrid lexical/vector retrieval with explicit equipment-family metadata filters.
C. Use similarity scoring alone and ignore exact identifiers.
D. Remove metadata filters so every product appears in results.
A contract researcher looks up both formal clause codes and semantically related obligations in a single OpenSearch-backed search service. What retrieval design lets lexical exactness and vector similarity contribute to ranking?
A. Increase text generation temperature to recover missing exact clause IDs.
B. Filter solely by document upload date and ignore query meaning.
C. Replace lexical lookup with one dense-vector match for every query.
D. Use a hybrid query combining keyword/BM25 and vector k-NN signals, with a suitable search pipeline for score combination.
Un vector store no es una marca: S3 Vectors, OpenSearch y Aurora PostgreSQL pgvector resuelven patrones distintos. Amazon Kendra se orienta a búsqueda empresarial y relevancia documental, con controles de acceso adecuados cuando están configurados. Amazon Neptune Analytics destaca cuando la pregunta trata relaciones y grafos, no solo similitud semántica.
Necesidad → ¿SQL/joins? Aurora pgvector; ¿búsqueda mixta y tuning? OpenSearch; ¿escala con consultas ocasionales y foco coste? S3 Vectors; ¿grafo de relaciones? Neptune Analytics; ¿búsqueda empresarial con ACL? Kendra.
Pesa latencia, patrón de consultas, ACL, consistencia, coste por capacidad, necesidad de joins y compatibilidad exacta con Knowledge Bases.
Aurora = relacional+vectorial; OpenSearch = motor de búsqueda y análisis; S3 Vectors = almacenamiento/consulta vectorial administrado; Neptune = grafos; Kendra = búsqueda empresarial.
Kendra no hereda mágicamente permisos de toda fuente: hay que configurar el conector y las identidades. S3 Vectors no sirve como motor SQL ni lexical hybrid en KB.
Una financiera relaciona empresas, administradores y proveedores para detectar redes de fraude. Un grafo puede ser más adecuado que solo embeddings.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A research KB requires hierarchical chunks and binary vector representations. Engineering must create its own Bedrock knowledge-base configuration but avoid operating OpenSearch clusters. Which vector technology supports this combination?
A. Use a compatible Amazon OpenSearch Serverless vector collection with appropriate indexes and chunk metadata.
B. Configure S3 Vectors and assume every hierarchical parent/child setting is supported without constraints.
C. Use DynamoDB global tables as a drop-in k-NN binary vector engine.
D. Choose a store that only supports float vectors while requesting binary embeddings.
A biotech company has an approved OpenSearch index in its data account. A separate AI account may invoke Titan embedding models, but policy forbids copying research documents into a new index. What should the implementation do?
A. Replace all embedding generation with a text-summary prompt.
B. Use Bedrock for embeddings and access the existing OpenSearch vector index through approved cross-account roles and network permissions.
C. Create a second vector store in the AI account and replicate every source file.
D. Turn on automatic replication between unrelated OpenSearch domains without IAM or network design.
A retailer already stores orders and customer transactions in Aurora PostgreSQL. It needs SQL joins and semantic similarity search over a modest vector column without operating a separate search cluster. Which approach best meets the requirements?
A. Move all relational data into Amazon Neptune Analytics.
B. Use Aurora PostgreSQL with the pgvector extension, verifying scale and query performance.
C. Use AWS CloudTrail as the vector database.
D. Require Amazon Q Business for all SQL joins.
OpenSearch utiliza índices divididos en shards y puede replicarlos para disponibilidad. OpenSearch Serverless factura capacidad en OCU según colección y configuración. En búsqueda vectorial, cuantización FP16, product quantization (PQ) o vectores binarios pueden reducir memoria en motores compatibles, con trade-off de calidad y compatibilidad.
Datos → shards/replicas → embeddings en índice → motor ANN → resultados. Coste = almacenamiento + capacidad de index/search + cómputo asociado.
Ajusta shards/replicas según volumen, carga y resiliencia; cuantización tras medir recall; decide Serverless frente a managed domains según operaciones, coste mínimo y tuning.
OpenSearch managed usa nodos/shards/réplicas administrados por ti; OpenSearch Serverless usa OCU y colecciones; FP16 y cuantización comprimida reducen memoria/precisión; HNSW cambia estrategia de índice, no es un algoritmo de compresión.
Binary embeddings no son compatibles con todos los vector stores ni con S3 Vectors directo; 32× menos memoria teórica frente a float32 no garantiza 32× menos coste total.
La compañía reduce memoria del índice con compresión y cae la recuperación de identificadores raros. Evalúa recall y filtros.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A distributor maintains terabytes of embeddings, separated into product families. Every query includes the family key and some families grow much faster than others. What index organization best supports predictable p95 latency?
A. Combine everything into a single unfiltered index without measuring p95.
B. Place vectors exclusively in CloudWatch Logs and compute nearest neighbors by text search.
C. Scatter documents randomly and scan all embeddings on each request.
D. Shard or partition search indexes by product family and size each OpenSearch k-NN workload to its growth and query pattern.
An Amazon OpenSearch Serverless vector search collection has traffic spikes. Finance wants auto-scaling search capacity but a ceiling on spend. Which managed capacity concept should be configured?
A. SageMaker Serverless concurrency only.
B. Minimum and maximum OpenSearch Compute Units (OCUs) for the relevant collection group/search workload.
C. Lambda provisioned concurrency as the OpenSearch index size.
D. A larger Bedrock model temperature.
An OpenSearch managed cluster stores a rapidly growing document index. Engineers need parallel indexing/search and resilience if a data node fails. Which pair of index settings should they evaluate?
A. Prompt caching and maxTokens.
B. CloudTrail trails and AWS Organizations OUs.
C. Primary shards for data partitioning and replica shards for redundancy/read scaling.
D. S3 Object Lock and EventBridge rules.
Chunking es dividir material antes de indexarlo; overlap es el solape para no cortar contexto. Hierarchical chunking recupera primero piezas pequeñas y devuelve piezas padre más amplias. Semantic chunking intenta respetar límites de significado. Los metadatos identifican sección, versión, tenant y clasificación para recuperar de forma más precisa.
Documento → parsing → chunks + metadata → embeddings → índice. Query → filtros + búsqueda → hijos relevantes → padres/contexto → generación.
Usa chunking jerárquico para documentos donde una excepción cercana cambia la cláusula; fixed-size para corpus uniforme; semantic para temas independientes; transformación custom para delimitadores de negocio.
Chunk size altera la indexación; top-K altera cantidad recuperada; rerank altera orden; maxTokens altera generación. Son cuatro botones distintos.
Retroceder a la fuente original y reindexar al cambiar estrategia de fragmentación. Parent chunk no garantiza hallar excepciones ubicadas en otro parent.
Una aseguradora parte una póliza justo entre la cobertura y una excepción. Experimenta con parent-child y evalúa ContextCoverage.
Query decomposition divide una pregunta con varias necesidades; query expansion genera variantes o sinónimos. Reranking reevalúa la relevancia de candidatos ya encontrados. Metadata filters eliminan documentos fuera de criterios como tenant o región antes de alimentar el contexto. Ninguna optimización de ranking sustituye la autorización de recursos.
Pregunta compuesta → subconsultas → recuperación con filtros → pool de candidatos → reranker → LLM.
Usa decomposition si la pregunta combina cláusulas, fechas y excepciones; expansion si faltan sinónimos; reranker si los documentos correctos aparecen mal ordenados; filtros para segmentar por datos autorizados.
Decomposition = varias consultas; expansion = variantes; top-K = volumen; rerank = orden; metadata = restricción; scope de permisos = backend y políticas.
No confundas «top-k» del sampling de tokens con top-K del retrieval. El reranker jamás crea documentos que la búsqueda inicial no recuperó.
El cliente pregunta si una hipoteca es viable y qué excepciones hay para autónomos. Divide requisitos y recupera documentación por producto.
BDA analiza documentos, imágenes, audio y vídeo y puede producir salida estructurada. Textract se especializa en extraer texto, formularios y tablas documentales; Transcribe convierte audio a texto; Comprehend analiza texto, entidades y PII. Un Blueprint de BDA define campos de extracción y un Project configura el procesamiento; su API habitual es asíncrona.
Archivo S3 → BDA Project+Blueprint → JSON/Markdown/CSV → normalización/PII → KB o base relacional.
Elige BDA para entrada multimodal y campos de negocio; Textract para OCR/tablas; Transcribe para ASR y vocabularios técnicos; Comprehend para clasificación/NER/sentimiento.
BDA = orquestación de extracción multimodal; Textract = documento; Transcribe = voz→texto; Comprehend = NLP sobre texto. Glue prepara datos tabulares y ETL.
Un LLM no sustituye automáticamente una extracción verificable; revisa confidencialidad y precisión de los campos. Blueprint no es una Knowledge Base.
Una gestora recibe nóminas escaneadas, extractos bancarios y audios de atención. ¿Qué servicio usarías en cada etapa y por qué?
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A construction inspection assistant receives dozens of images, PDFs and voice memos per inspection. Some packages exceed a model request’s attachment limits; the spoken language is unknown. Which TWO safeguards belong in preprocessing?
A. Send all attachments in one message regardless of modality limits.
B. Use automatic language identification in the transcription stage before adding text to the FM.
C. Assume every audio clip is English without detection.
D. Drop source-file references to reduce processing time.
E. Split attachments into supported per-request groups and combine structured findings.
A warehouse insurer receives scans, damage photos and short clips in S3. It needs structured fields with an exception queue for uncertain extraction and an auditable retry path. Which managed architecture minimizes bespoke media parsers?
A. Pass every binary as unvalidated plain text to a chat model.
B. Use managed multimodal extraction such as Bedrock Data Automation where supported, orchestrated by Step Functions with a human-review branch.
C. Use only Amazon Athena SQL to interpret video frames.
D. Drop failed packets silently and attempt the same step manually each evening.
A delivery hotline receives short driver voice notes in S3. Unsafe language must be detected while preparing transcripts and no unsafe transcript may reach Bedrock. The team cannot train a custom toxicity classifier. Which pipeline fits?
A. Send all raw notes directly to Bedrock and run safety checks after dispatch.
B. Apply only IAM action permissions to classify toxic speech.
C. Train a custom SageMaker speech moderation model from scratch.
D. Use supported Amazon Transcribe Toxicity Detection during speech transcription, gate on the toxicity result, then invoke Bedrock only for accepted text.
Glue Crawler descubre esquemas y particiones; Glue Data Catalog registra metadatos, no copia necesariamente los datos de S3. AWS Glue ETL transforma los conjuntos; Glue Data Quality valida reglas con DQDL. Athena consulta datos de S3 con SQL usando esquemas del catálogo. Si la estructura de origen está mal, los embeddings posteriores también lo estarán.
S3 CSV/Parquet → Glue Crawler → Data Catalog → Glue ETL + Data Quality → S3 limpio → KB / Athena.
Para validar archivos tabulares masivos y construir un data lake consultable usa Glue + Data Catalog; para preguntas RAG documentales no crees un ETL complejo sin necesidad.
Glue Crawler descubre esquema; Data Catalog publica metadatos; Athena consulta datos en S3 mediante SQL; Glue Data Quality evalúa reglas DQDL; Lake Formation gobierna permisos de datos.
Un crawler no convierte por sí solo un PDF en chunks de calidad ni evita registros erróneos. Particionar S3 por consulta dominante afecta coste de lectura.
Una entidad ingiere millones de filas Parquet con fechas ausentes; exige impedir la publicación de datos que no superen reglas de calidad.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A compliance ingestion pipeline reads Parquet contract records every night. It must validate mandatory columns, duplicate limits and numeric ranges and publish quality results without custom validation functions. Which AWS service feature fits?
A. Write an independent Lambda condition for every field despite a no-custom-code requirement.
B. Apply AWS Glue Data Quality rulesets in the ingestion pipeline and publish evaluation results and metrics.
C. Check only S3 object size and assume every row is semantically correct.
D. Use the FM’s top_p setting to identify duplicate input records.
A product team receives thousands of small JSONL files with labels, locale and reference responses. Analysts need visual profiling while a CI workflow must reject invalid data and emit quality metrics. Which TWO managed choices fit?
A. Use a managed visual data preparation/profiling environment such as AWS Glue DataBrew for analyst exploration.
B. Use AWS Glue Data Quality rules in an ingestion workflow with thresholds and published metrics.
C. Trust that files are valid solely because they have .jsonl extensions.
D. Ask analysts to manually inspect every object before daily ingestion.
E. Run model evaluation on malformed datasets and hide schema failures.
A podcast search system ingests CSV files from S3 with text in one transcript column and various speaker, date, series and language columns. Editors frequently add new metadata columns. What ingestion design minimizes upkeep?
A. Configure supported CSV ingestion so the transcript field is treated as content and other eligible fields become retrieval metadata under the connector rules.
B. Convert the CSV to a single binary blob and skip parsing.
C. Turn every CSV cell into a standalone unrelated document and lose row relationships.
D. Put all metadata in the model system prompt but never index it.
Lake Formation administra permisos sobre recursos de un data lake; los Data Filters restringen columnas y filas para motores compatibles. ABAC (Attribute-Based Access Control) aplica atributos como department o tenant a decisiones de autorización. No confundas estos controles con los filtros de metadatos de una Knowledge Base: uno protege consultas analíticas, otro restringe candidatos de retrieval.
Identidad/rol → IAM + Lake Formation grants → Athena/Redshift → filas y columnas permitidas. Camino RAG: identidad → backend → filtros por tenant en Retrieve.
Lake Formation para gobierno de tablas del lago; IAM/ABAC para permisos sobre acciones y recursos; metadata filters + backend para RAG multitenant.
Lake Formation aplica permisos a datos/tablas y filtros por filas o columnas en motores compatibles; IAM decide quién puede invocar operaciones AWS; S3 bucket policies controlan objetos; Bedrock Guardrails filtra contenido del LLM, no consultas SQL.
Lake Formation data filters ≠ Bedrock Guardrails ≠ IAM. Guardrails no autorizan SELECT en Athena.
Una app no puede leer datos médicos de otra filial: coloca la restricción antes de la consulta, no en el resumen generado.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A company has thousands of AWS Glue Data Catalog tables. Access rules depend on classification and department, and new tagged tables must inherit the appropriate Lake Formation grants. Which mechanism reduces per-table permission maintenance?
A. Lake Formation LF-Tag-based access control for Data Catalog resources.
B. Giving every analyst s3:GetObject on the entire data lake.
C. Using prompt instructions to hide restricted tables.
D. Enabling CloudWatch dashboards for each table.
Regional analysts query a shared Amazon Athena table. They must see only rows for their region and must not see the personal-identifier columns. Which control should the data owner configure?
A. A Bedrock prompt that requests not to mention other regions.
B. S3 object versioning and a longer retention period.
C. Lake Formation data filters and appropriate SELECT permissions with row and column restrictions.
D. AWS X-Ray sampling rules on Athena queries.
An AWS Glue crawler discovers table schemas from S3. The team mistakenly assumes that registration in Glue Data Catalog automatically grants safe row-level access to all consumers. What is the correct architectural distinction?
A. Glue crawlers enforce user-specific row-level permissions by default.
B. Glue Data Catalog stores metadata; Lake Formation governs granular permissions when configured for the supported query path.
C. Amazon Textract replaces the table permissions required by Athena.
D. Amazon SQS applies the required SQL row filters.
Los modelos multimodales combinan texto, imágenes, audio o vídeo, pero cada API admite un conjunto específico de tipos, tamaños y formatos. Los nombres de archivo, metadatos e instrucciones incluidas en documentos pueden ser maliciosos. Preprocesa, valida MIME real, tamaño, procedencia y sanitiza el contenido antes de permitir herramientas o generación.
Upload → validación técnica/antivirus → BDA/Textract/Transcribe → clasificación/PII → contexto autorizado → FM.
Para alto volumen documental utiliza un pipeline de ingestión y validación; para entrada interactiva corta, validación de contrato en API + controles Bedrock compatibles.
BDA extrae información multimodal; Textract/OCR lee documentos; Comprehend detecta entidades PII textuales; Guardrails controla salidas y entradas compatibles; Lambda/backend verifica permisos, formato y políticas sobre contenido multimodal.
Poder recibir un PDF en una API no significa que el FM lea documentos; puede exigir extracción previa o una API de contenido diferente.
Un fichero `policy.pdf` contiene una instrucción incrustada «ignore system prompt»: trátalo como dato de baja confianza.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
An adjuster app accepts TIFF scans and HEIC photos, plus PDFs and spreadsheet reports. The chosen Converse model accepts a limited set of content formats. Some filenames contain user-supplied instructions. Which TWO safeguards should be applied?
A. Convert unsupported image formats to an accepted input type, validating size and content before the call.
B. Send every HEIC/TIFF as a supported Bedrock image type without conversion.
C. Discard every document with a filename containing spaces.
D. Treat filenames and other metadata as untrusted data; sanitize them and avoid placing hostile instructions in the prompt.
E. Promote filenames to system instructions so the model can parse them better.
Government case files cannot leave a private facility in their original form. An AWS-managed on-premises compute footprint must remove identifiers and send only transformed inputs to a regional FM over private connectivity. Which pattern matches?
A. Run sanitization on AWS Outposts and access regional Bedrock through a private network design.
B. Upload all files unredacted to an S3 bucket before removing identifiers.
C. Send every raw record directly to a public FM endpoint from user devices.
D. Expose the sensitive data processor publicly behind an internet-facing load balancer.
A claims assistant receives scanned receipts, PDFs, and photographs from customers. One scanned receipt contains a text instruction telling the AI to ignore safety rules and export all customer data. What is the safest design?
A. Treat extracted text as trusted system instructions because it came from an image.
B. Turn off content type validation once image OCR works.
C. Rely only on model temperature to reduce malicious behavior.
D. Validate file types and sizes, treat extracted content as untrusted data, enforce authorization and output checks.
SageMaker Data Wrangler prepara y transforma datos para ML; permite tratar valores ausentes, outliers, reducir dimensiones con PCA y balancear clases. SMOTE crea ejemplos sintéticos de la clase minoritaria para algunos problemas supervisados. Son herramientas útiles para datasets, pero no una solución automática para mejorar embeddings RAG.
Fuente S3/SQL → Data Wrangler (limpieza, balanceo) → training dataset → SageMaker Pipeline/Training → evaluación.
Usa Data Wrangler y SMOTE para problemas de clasificación con desbalance, no para reparar permisos de una KB ni generar respuestas citadas.
SageMaker Data Wrangler prepara características y permite transformaciones; AWS Glue realiza ETL a escala e integra catálogo; SageMaker Clarify ayuda con análisis de sesgo; SMOTE sobremuestrea clases minoritarias en entrenamiento, no valida resultados en test.
SMOTE ≠ generación aumentada RAG; PCA ≠ dimensiones de embeddings Titan elegidas en API; no usar datos de test para preparar entrenamiento.
Un detector de fraude tiene 0,2 % positivos y muchos campos incompletos; prepara datos y separa correctamente train/test.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A fraud dataset has 1% fraud cases. Before training a classical classifier in SageMaker, the team wants to generate synthetic minority samples from existing minority neighbors rather than simply duplicate them. Which Data Wrangler operation matches this?
A. Principal component analysis (PCA).
B. SMOTE under Balance data.
C. A Bedrock Guardrail content filter.
D. Glue Data Catalog crawler.
A SageMaker Data Wrangler dataset has a numeric income field with missing values and a few extreme outliers. The team needs repeatable preprocessing before model training. Which approach directly addresses those data problems?
A. Add more model response tokens.
B. Enable CloudTrail management events.
C. Use Data Wrangler transformations for missing-value imputation and outlier handling, fitted only on training data where applicable.
D. Replace every missing value with a new IAM access key.
A tabular ML dataset has hundreds of correlated numeric features. The team wants a lower-dimensional representation for downstream training, accepting some information loss while preserving as much variance as feasible. Which technique is most appropriate?
A. PCA with validation of downstream model quality.
B. OpenSearch replica shards.
C. Bedrock prompt caching.
D. SQS dead-letter queues.
S3 almacena objetos y puede versionarlos. Object Lock soporta retención WORM en escenarios compatibles; Lifecycle cambia clases o elimina versiones conforme a reglas. SSE-KMS cifra objetos usando KMS; la autorización necesita políticas IAM/S3 y permisos KMS adecuados. Los Access Points simplifican políticas por aplicación o red.
Objeto + versión → Bucket/Access Point → política S3 + KMS key policy → lectura permitida → ingesta KB.
Usa Object Lock si la evidencia debe ser inmutable durante retención; versioning para recuperar versiones; lifecycle para reducir costes de datos antiguos.
S3 Versioning mantiene versiones; Object Lock impone retención WORM en modos definidos; Lifecycle automatiza transición/expiración; SSE-KMS cifra con claves KMS; Access Points separan puntos de acceso y políticas.
Object Lock no es backup multi-region por sí mismo; SSE-KMS no garantiza que IAM permita descifrar; cambiar un documento no sincroniza KB automáticamente.
Una auditoría exige que la versión aprobada de una política de crédito no pueda modificarse durante siete años.
Agents for Amazon Bedrock ofrece orquestación administrada con action groups y knowledge bases. AgentCore ofrece piezas gestionadas para ejecutar, identificar, registrar, guardar memoria y publicar herramientas de agentes propios. Strands Agents es un SDK para construir agentes con código. Amazon Q Business es un asistente empresarial y Amazon Q Developer está enfocado a desarrolladores.
Agent propio Strands/FastAPI → AgentCore Runtime → Gateway (tools MCP) + Identity + Memory + Observability. Alternativa: Bedrock Agent → Action Groups + Knowledge Bases.
Si quieres un agente personalizado en Python sin operar infraestructura, AgentCore Runtime; si quieres un agente Bedrock administrado con action groups, Agents for Bedrock; si necesitas búsqueda corporativa con UX hecha, evalúa Amazon Q Business.
Agents for Bedrock = orquestación administrada; AgentCore Runtime = ejecución de agentes desarrollados en frameworks como Strands; Gateway = exposición de tools; Memory = estado persistente; Q Business = asistente empresarial listo para integrar fuentes.
AgentCore no es «una función única que hace todo»; Runtime, Gateway, Memory e Identity tienen responsabilidades separadas. Strands no es un servicio de hosting.
La compañía quiere usar Python, herramientas REST internas y modelo seleccionable, manteniendo aislamiento por sesión.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A lesson-planning agent must maintain context within the current tutoring session, summarize completed sessions and reuse a learner preference next week. Infrastructure staff want the memory service managed. Which design fits?
A. Use AgentCore Memory with a session-scoped short-term store and a long-term memory strategy for extracted preferences/summaries.
B. Keep the entire conversation only in a local process variable.
C. Rely on the model context window to persist between independent sessions automatically.
D. Write all learners into one global shared memory key.
A billing agent has three existing REST operations implemented behind one Lambda: read, annotate and approve a refund. Only refund approval needs explicit user confirmation. The contract must stay in OpenAPI. Which setup fits?
A. Configure one Agent action group from the OpenAPI schema with a Lambda executor and per-operation confirmation for the sensitive action.
B. Give the model direct administrator credentials for all billing systems.
C. Ask for confirmation before every read but never before refund approval.
D. Put a plaintext list of endpoint names in the system prompt instead of a tool schema.
A platform team spans several IDEs and repeatedly edits tests, handlers and API clients. Engineers want consistent project instructions and code improvement across files, without assuming past chat state is available. Which TWO practices help?
A. Allow generated changes to bypass all test and review gates.
B. Depend on undocumented memory from prior assistant conversations.
C. Document project-level guidance and share it with supported Amazon Q Developer workflows.
D. Use Amazon Q Developer code generation/review/refactoring with CI tests and human verification.
E. Restrict optimization to a yearly manual rewrite of every file.
Amazon Q Business es un asistente empresarial que conecta fuentes internas y puede respetar controles documentales configurados. Kendra es un motor de búsqueda inteligente con conectores y mecanismos de relevancia/ACL. Construir KB+OpenSearch a mano ofrece más control, pero exige asumir la integración de identidad, permisos, evaluación y la interfaz.
Workforce IdP → Q Business → conectores/citas + control documental. Alternativa custom: API → backend ACL → Kendra/KB → FM.
Para asistente corporativo listo y conectores evalúa Q Business; para buscador integrado en producto evalúa Kendra/Knowledge Bases según requisitos; para máxima personalización orquesta componentes.
Q Business = búsqueda/asistente corporativo con conectores e identidad; Kendra = recuperación empresarial e índice de búsqueda; Bedrock Knowledge Bases = RAG sobre fuentes e índices; IAM Identity Center = identidad empresarial, no sustituto de ACL de documento.
La existencia de un conector SharePoint no prueba que cualquier configuración haga security trimming correcto: inspecciona mapping de identidades y ACL.
Un empleado de RR. HH. y otro de ingeniería consultan el mismo índice, pero reciben documentos diferentes según sus permisos originales.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
An enterprise assistant indexes SharePoint pages. Each page has group-based permissions, and users must only get answers grounded in documents they can access. What is the best managed approach?
A. Use Amazon Q Business data-source connectors with document ACL and identity/group mappings, and keep synchronization current.
B. Copy every page into a single public S3 bucket and rely on a system prompt for privacy.
C. Use CloudWatch log retention as the document permission system.
D. Turn off document ACL crawling to simplify ingestion.
Employees need a managed conversational assistant over enterprise repositories, with connectors, user identities, permission-aware answers, and optional enterprise actions. They do not want to build a custom RAG application. What is the closest AWS fit?
A. Amazon Rekognition.
B. Amazon Athena.
C. Amazon Q Business.
D. Amazon S3 Batch Operations.
A team wants an enterprise document search engine with ranking, indexed connectors, and permission-aware retrieval to integrate into its existing application. The team will build its own conversation layer. Which AWS service directly targets the search engine requirement?
A. Amazon Inspector.
B. Amazon Kendra.
C. Amazon Polly.
D. Amazon EventBridge.
En AgentCore Memory, `actorId` representa quién interactúa; `sessionId` identifica una conversación. La memoria a corto plazo registra eventos de esa conversación. Una estrategia de largo plazo extrae resúmenes o preferencias en Memory Records. Un namespace como `/actors/{actorId}/` mantiene conocimiento entre sesiones y separa identidades; no debe ser un sustituto de autenticación y autorización.
IdP/OIDC → backend valida identidad → actorId estable → CreateEvent(actorId, sessionId) → Memory Strategy → namespace /actors/{actorId}/.
Prefiere namespace por actor para idioma/preferencias persistentes entre sesiones; actor+session para aislamiento de resúmenes conversacionales; añade tenant y comprobación de permisos para SaaS.
Eventos = historial puntual; estrategia = extracción; Memory Records = conocimiento durable; namespace = partición lógica; IAM = permiso de acceso.
Namespace global `/` usado sin control por cliente mezcla memorias. SessionId nuevo no significa usuario nuevo. Las barras inicial/final importan en políticas de namespace.
El usuario habla en catalán hoy y español mañana, pero las conversaciones deben tener historiales separados y nunca mezclar datos de clientes.
Step Functions orquesta estados auditables. Standard es adecuado para workflows largos y duraderos; Express para ejecuciones breves y de gran volumen con semánticas distintas. El patrón callback task token permite pausar un flujo hasta que una acción externa devuelve `SendTaskSuccess` o `SendTaskFailure`. La aprobación humana requiere identidad, vencimiento e idempotencia.
Step Functions Standard → tarea → WAIT_FOR_CALLBACK(token) → autorización/aprobación → SendTaskSuccess → acción idempotente → fin.
Elige Standard para aprobación 72 h o procesos largos; Express para tareas breves con elevado throughput. Si solo hay eventos simples, EventBridge+Lambda puede ser suficiente.
Step Functions Standard soporta ejecuciones largas y patrones callback para HITL; Express prioriza alto volumen y corta duración con semántica distinta; SQS guarda trabajos; EventBridge enruta eventos, no mantiene el estado del workflow.
No presumas semántica exactamente una vez ni permisos heredados entre servicios; contrasta los requisitos de persistencia, reintentos, cuotas y autorización.
Una timeout del proveedor de pagos no demuestra que el cobro haya fallado: reconcilia usando una idempotency key estable antes de reintentar.
EventBridge enruta eventos según reglas y puede integrar SaaS mediante API Destinations; SNS distribuye mensajes a suscriptores; SQS almacena trabajo para consumidores y permite absorber picos. Una DLQ recibe mensajes que no se pudieron procesar tras reintentos. Backpressure significa limitar producción/consumo para que una sobrecarga no derribe el sistema.
S3/EventBridge → SQS → Lambda(worker) → Bedrock; errores → DLQ; métricas de cola → autoescalado/alarma.
Elige EventBridge para reglas y eventos múltiples; SNS para fan-out push; SQS para desacoplar trabajadores y reintentar; Step Functions para flujo de estados.
EventBridge enruta eventos por reglas; SNS distribuye mensajes a suscriptores; SQS conserva trabajos hasta consumo; SQS FIFO ofrece deduplicación y orden dentro de límites; DLQ aísla mensajes fallidos.
No presumas semántica exactamente una vez ni permisos heredados entre servicios; contrasta los requisitos de persistencia, reintentos, cuotas y autorización.
La misma tarea puede ejecutarse dos veces: diseñar por `jobId` y usar backoff exponencial con jitter ante throttling.
MCP (Model Context Protocol) normaliza cómo un agente descubre e invoca tools. AgentCore Gateway publica APIs/Lambda/servidores MCP como herramientas. El LLM solicita tool use; un ejecutor debe validar identidad, permiso, parámetros, ámbito y límites antes de llamar al sistema. El contenido devuelto por la herramienta es dato no confiable.
Usuario/OIDC → agente → tool_use → Gateway → Policy/IAM/backend → API real → toolResult → LLM.
Usa Gateway cuando tienes muchas APIs heterogéneas que quieres ofrecer mediante un contrato MCP común; aplica autorización de recurso en la última capa antes de la operación.
OpenAPI describe la API; MCP describe el intercambio de herramientas; IAM delimita recursos AWS; OIDC autentica usuario; Guardrails filtra contenido.
«El modelo ha decidido llamar a deleteCustomer» no autoriza la operación; evita pasar credenciales privilegiadas a todos los tenants.
Una plataforma bancaria expone consultar saldo y aprobar transferencias mediante MCP. El agente puede solicitar transferir, pero el backend comprueba titularidad y límites.
Model Cards documentan propósitos, limitaciones, riesgos y resultados conocidos de modelos en herramientas compatibles. AWS Well-Architected Generative AI Lens guía revisiones según los seis pilares: Operations, Security, Reliability, Performance, Cost, Sustainability. Governance también exige control de cambios, linaje y responsables humanos cuando hay decisiones de alto impacto.
Requisitos → catálogo de riesgos → selección de FM → controles/model card → revisión Well-Architected → despliegue → evaluación continua.
Usa Model Cards para evidencia de modelos; Lens para análisis global de arquitectura; aprobaciones y datasets/versiones para auditoría.
Model Cards documentan uso previsto, límites y evaluación; Well-Architected Generative AI Lens estructura decisiones de arquitectura; CloudTrail evidencia actividad; Guardrails ejecuta algunos controles técnicos de seguridad de contenido.
Un guardrail no equivale a cumplimiento normativo completo; un panel de costes no sustituye un informe de fairness.
Una empresa cambia de modelo sin documentar limitaciones, pero mantiene el mismo endpoint: funcionalidad y gobierno son dimensiones distintas.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
Architecture groups in six accounts want the same GenAI review questions and their organization-specific control recommendations, with centralized updates. Which AWS Well-Architected construct is appropriate?
A. Copy a Word checklist separately into every account whenever it changes.
B. Replace the AWS Well-Architected review with only IAM Access Analyzer findings.
C. Publish a custom lens and share it with the relevant AWS Organizations organizational unit.
D. Share a single CloudWatch dashboard as the architecture review methodology.
A model release pipeline needs durable documentation of intended use, risk rating, testing outcomes and reviewer decisions. The evidence must be versioned and exportable to PDF via AWS tooling. Which service feature fits?
A. Enable CloudTrail and assume it automatically creates a risk-assessment model card.
B. Put only the model name in an unversioned README file.
C. Use VPC Flow Logs as the sole source of model governance claims.
D. Use SageMaker Model Cards APIs with card versions and PDF export in the release workflow.
A regulator requires a record of model purpose, known risks, test observations and review state. The package must be exportable for legal teams, and each changed approval record must remain identifiable. Which SageMaker feature applies?
A. Use a CloudWatch alarm as the approval document.
B. Store just a model endpoint ARN as evidence of fairness and suitability.
C. Record all model governance as a single mutable README with no versions.
D. Use SageMaker Model Cards with controlled version updates and the supported export workflow.
OIDC/SAML certifican identidades, IAM autoriza acciones AWS y STS emite credenciales temporales mediante flujos de confianza. Las SCP de AWS Organizations ponen límites máximos a permisos de las cuentas, no conceden permisos por sí mismas. Las resource policies y key policies pueden ser necesarias además de permisos IAM, especialmente entre cuentas.
IdP(OIDC/SAML) → federación/STS → rol asumido → IAM policy ∩ SCP ∩ resource policy → acceso al recurso.
En backend de API Gateway valida issuer/audience/scopes; después aplica autorización por tenant, pedido o documento. Para acceso cross-account evalúa tanto el llamador como la política del recurso.
Authentication ≠ authorization; STS ≠ acceso permanente; SCP = límite; IAM allow = posibilidad, no garantía; explicit deny prevalece.
Un JWT válido no permite leer cualquier hipoteca; una SCP no arregla una key policy KMS que deniega acceso.
Un empleado inicia sesión con OIDC y necesita acceder temporalmente a un recurso S3 en otra cuenta bajo controles de organización.
Un Interface VPC Endpoint crea interfaces de red privadas para servicios soportados, generalmente mediante PrivateLink. Un Gateway Endpoint permite rutas privadas hacia S3 y DynamoDB. NAT Gateway permite salida IPv4 a servicios externos, pero no es lo mismo que conexión privada por endpoint. KMS cifra datos, no sustituye controles de red.
Lambda(VPC privada) → Interface Endpoint Bedrock Runtime; Lambda → Gateway Endpoint S3; SDK AWS firma peticiones con IAM.
Elige Interface Endpoint para servicios Bedrock disponibles en la región; Gateway Endpoint para S3/DynamoDB cuando encaje; NAT solo si necesitas otros destinos externos.
Interface Endpoint = ENI+SG+DNS; Gateway Endpoint = route table; KMS = key policy+cifrado; endpoint policy restringe acciones/red.
Endpoint privado no vuelve seguro un dato que el código envía a un servicio no autorizado. Verifica Private DNS, SG, rutas y endpoint policy.
Una fintech quiere S3 y Bedrock sin acceso público desde subred privada; diseña endpoints concretos y roles mínimos.
Los inference profiles de Bedrock pueden distribuir inferencia entre regiones compatibles. La residencia de datos y los controles de organización obligan a distinguir región de entrada, regiones de destino y requisitos de soberanía. Las SCP pueden bloquear acciones en regiones de destino, aunque la petición inicial se origine en una región autorizada.
App región A → inference profile → región destino permitida → FM; AWS Organizations SCP + IAM + políticas de residencia.
Usa perfiles geográficos cuando el requisito es permanecer en una geografía admitida, no necesariamente en una sola región; un requisito de procesamiento en una región concreta limita opciones.
In-region endpoint = región fijada; Geographic profile = conjunto de regiones geográfico; Global profile = alcance más amplio según soporte. Revisar permisos y disponibilidad.
«La API se invoca desde Frankfurt» no demuestra por sí mismo que la inferencia se ejecute únicamente en Frankfurt.
Una empresa europea prohíbe procesar fuera de la UE. ¿Basta con configurar endpoint en eu-central-1 si hay cross-region inference?
Bedrock Guardrails puede filtrar contenido, temas, PII y grounding con sus configuraciones compatibles. Automated Reasoning Checks evalúa afirmaciones frente a políticas expresadas como reglas formales; no sustituye la revisión de seguridad. Prompt injection aparece cuando texto no confiable intenta convertirse en instrucciones de mayor privilegio. Un filtro no debe tener autoridad para ejecutar operaciones.
Entrada → validación/Guardrails → Retrieval autorizado → FM → validaciones de groundedness/reglas → revisión/acción backend.
Usa Automated Reasoning para políticas formales con condiciones; Contextual Grounding para comparar respuesta con fuentes; reglas de permisos deterministas para operaciones.
Guardrails = control de contenido; Automated Reasoning = lógica de una política; IAM/backend = autorización; KMS = protección criptográfica.
No todas las comprobaciones Automated Reasoning se ejecutan solo por activar el guardrail: revisa qualifiers/guardContent según API y tipo de entrada. Revisa `automatedReasoningPolicyUnits`.
Un agente financiero redacta una respuesta sobre requisitos de préstamo y debe demostrar que cumple una política formal, sin decidir concesiones de forma autónoma.
PII son datos que identifican personas; PHI es información médica protegida en los marcos aplicables. Amazon Macie descubre datos sensibles en S3. Secrets Manager protege y puede rotar secretos. Guardrails/Comprehend ayudan a detectar datos en texto. Hay que minimizar información antes de inferencia, logs, herramientas y salidas.
S3 sensible → clasificación/Macie → autorización → redacción PII → inferencia → validación → logs sin datos personales.
Usa Macie para inventario y detección en S3; Secrets Manager para tokens de terceros; KMS para cifrado; Guardrails y Comprehend para detección/redacción en el flujo.
Macie no es filtro de tokens del LLM; KMS no anonimiza; quitar PII del prompt no elimina PII en trazas previas.
No registrar texto íntegro solo para depurar latencia si contiene datos de pacientes.
Un resumidor de llamadas bancarias no debe enviar NIF al modelo y tampoco debe guardar el NIF en los logs.
SageMaker AI permite elegir inferencia según SLA y carga. Real-time mantiene endpoints para latencia baja y tráfico sostenido; Serverless sirve patrones intermitentes compatibles sin gestionar instancias; Asynchronous Inference encola trabajos largos con entrada en S3 y posible scale-to-zero; Batch Transform procesa conjuntos completos offline sin endpoint persistente.
Interactivo → Real-Time/Serverless. Payload grande + espera aceptable → Async + S3. Millones de registros nocturnos → Batch Transform.
Usa Real-Time con GPU para chat a baja latencia, Async para grandes documentos o minutos de procesamiento, Batch para scoring masivo nocturno.
Bedrock Batch Inference y SageMaker Batch Transform son servicios distintos. SageMaker Serverless no equivale a un endpoint GPU arbitrario.
No marques Async si el usuario exige streaming palabra a palabra; scale-to-zero puede implicar cold start.
Una empresa procesa un vídeo de 800 MB y admite respuesta diferida, pero el chatbot de atención necesita segundos.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A document analytics service uses a custom GPU model. Jobs take minutes; arrivals happen in bursts and customers accept an S3-delivered result later. The team wants to avoid idle GPU charges. Which serving pattern fits?
A. Use SageMaker Asynchronous Inference with S3 input/output notifications and autoscaling that can scale instance count down to zero when supported.
B. Keep an always-on maximum-size real-time GPU endpoint for hours without work.
C. Use synchronous API Gateway requests that hold browser connections for several minutes.
D. Use SageMaker Serverless Inference and assume it supports GPU instances.
A policy assistant must answer interactively with predictable latency during office hours, while millions of independent nightly summaries can finish tomorrow. The batch jobs need no tool calls. Which TWO strategies fit their different service levels?
A. Provision peak real-time capacity around the clock solely for nightly burst traffic.
B. Move interactive user chats into a 12-hour batch submission.
C. Use Amazon Bedrock batch inference for the asynchronous nightly document summaries.
D. Use an appropriately sized Provisioned Throughput or compatible managed latency/capacity plan for the interactive model when justified by predictable demand.
E. Run every overnight record through Lambda with unbounded interactive concurrency.
A publishing API handles interactive comments and long document creation. The chosen long-running FM supports asynchronous invocation with S3 results. The public interface must reject invalid JSON before Lambda runs. Which design fits?
A. Send all chat requests through nightly batch jobs.
B. Use API Gateway request validation and Lambda for synchronous Converse; initiate Bedrock asynchronous jobs and expose job status for reports.
C. Place a DynamoDB scan in front of every prompt and remove JSON validation.
D. Keep every HTTP request open until a multi-minute report finishes.
Inference Components permiten asignar recursos y desplegar modelos en endpoints SageMaker compatibles con sus restricciones. Model Registry registra versiones, aprobación y trazabilidad. Model Monitor detecta variaciones de datos/outputs respecto a baselines; Clarify analiza explicabilidad y sesgos. Canary o shadow testing compara variantes bajo control sin asumir que rollback revierte efectos externos.
Train → Model Registry → aprobación → SageMaker Endpoint/Inference Component → canary/shadow → Model Monitor + Clarify → promoción/rollback.
Inference Components cuando necesitas gestionar asignación de memoria/CPU/GPU y múltiples modelos en una infraestructura; Registry cuando necesitas gobierno de versiones.
Registry = artefactos y aprobación; Pipelines = workflow ML; Monitor = drift/quality; Clarify = fairness/explainability; CodeDeploy = despliegues de aplicaciones AWS compatibles.
GPU utilization del host no basta para dimensionar LLM: observa tokens/s, cola, memoria GPU y TTFT. Model Monitor no certifica que la respuesta sea jurídicamente válida.
Un endpoint GPU sirve dos modelos con cargas diferentes y el comité exige un canary medido antes de reemplazar el modelo aprobado.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A research institute serves several warm GPU LLMs with independent usage patterns. It wants to share a pool of accelerators while changing capacity per model independently. Which TWO ideas are useful?
A. Use cold-start serverless CPU endpoints for every GPU model.
B. Configure scaling policies/instance capacity planning around individual inference components and GPU resource needs.
C. Assume one endpoint invocation-count alarm independently optimizes every model.
D. Deploy each model as a SageMaker Inference Component on compatible endpoint infrastructure.
E. Deploy all models in one monolithic container with identical fixed concurrency.
A marketing team fine-tunes an open-weight model and serves it behind a SageMaker endpoint. An approved model package must be used. Deployment permits 10% traffic to the candidate during bake time, then full cutover if alarms stay healthy. Which approach is appropriate?
A. Use Batch Transform to route live synchronous traffic.
B. Approve and register the model package, then use SageMaker endpoint deployment guardrails with a canary traffic shift and CloudWatch rollback alarms.
C. Implement routing percentages only in each mobile client.
D. Replace the production endpoint instantly before model package approval.
A SageMaker GPU endpoint serves interactive code explanations. Two requests can consume drastically different token counts even when the request rate is unchanged. What is the best direction for automatic scaling?
A. Keep maximum GPU capacity provisioned at all hours regardless of demand.
B. Scale exclusively on invocations per instance and ignore input length.
C. Use capacity indicators reflecting concurrent requests, token throughput or resource saturation rather than only call count.
D. Move a synchronous IDE feature to nightly batch transform.
Evaluar RAG exige separar retrieval de generación. ContextRelevance mide si los fragmentos recuperados guardan relación con la pregunta; ContextCoverage si cubren la evidencia esperada (requiere ground truth); Faithfulness si la respuesta se apoya en el contexto recuperado; Correctness si responde con exactitud. Completeness y métricas de citas miden otras dimensiones.
Golden dataset (query + reference context + reference answer) → RAG → eval retrieval y eval generación → métricas → quality gate.
Para «encuentra el documento correcto» prioriza ContextRelevance/Coverage; para «no inventes» Faithfulness; para «respuesta factual correcta» Correctness; evalúa todas antes de desplegar.
Context Relevance = contexto pertinente para la pregunta; Context Coverage = presencia del contexto necesario; Faithfulness = respuesta respaldada por pasajes; Correctness = comparación con verdad de referencia; Completeness = respuesta cubre todos los aspectos.
Faithfulness alta puede acompañar respuesta incorrecta si la fuente es falsa; Correctness alta puede llegar sin citar; relevancia alta no garantiza cobertura.
El modelo cita una cláusula válida pero ignora la excepción: quizá Faithfulness no detecta que falta la mitad; revisa Completeness/Coverage.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
Two search-backed assistants use different retrieval systems. Before a release, reviewers want relevance measurements and human preference signals on the same benchmark questions, without developing an evaluator model. What should they adopt?
A. Compare two random live chats without an aligned evaluation dataset.
B. Compare only total HTTP request counts for the two assistants.
C. Train a new FM from scratch solely to judge each retrieved passage.
D. Use managed RAG evaluation capabilities where supported, with a common test dataset and human evaluation where required.
An audit RAG team wants to score relevance of passages before the FM generates an answer. Experts provide reference answers, and the test must use a managed evaluation flow. Which mode is appropriate?
A. Train a new retriever every time one test fails instead of measuring context.
B. Use CloudTrail API count as the sole retrieval quality score.
C. Measure fluency of the generated answer without inspecting retrieved passages.
D. Run Knowledge Bases retrieval-only evaluation with context relevance and, when ground truth exists, context coverage.
A customs guidance assistant retrieves a paragraph matching a regulation but omits the immediately following exception. The organization does not want bespoke document preprocessing. Which change improves the context returned?
A. Answer by guessing exception text from model memory.
B. Lower retrieved chunk size until every exception is separate from its rule.
C. Recreate the knowledge base as a plain key-value lookup without source context.
D. Use hierarchical chunking with parent passages encompassing the exception and relevant matching children.
LLM-as-a-Judge usa un modelo evaluador para aplicar rúbricas sobre respuestas. ROUGE mide solapamiento lexical con referencia, especialmente en resúmenes. BERTScore compara representaciones semánticas. SageMaker Clarify analiza métricas de sesgo y explicabilidad en escenarios compatibles. Una nota automática no es prueba absoluta de imparcialidad.
Dataset held-out → variantes de modelo → métricas automáticas + rúbrica juez + revisión humana → informe por cohortes → decisión.
Elige ROUGE si importa similitud textual al resumen esperado; juez con rúbrica para calidad subjetiva; Clarify para análisis de sesgos/modelos; humanos para decisiones sensibles.
ROUGE/BLEU = solapamiento textual; BERTScore = proximidad semántica de tokens; LLM-as-a-Judge = evaluación con rúbrica y posible sesgo del juez; SageMaker Clarify = métricas de sesgo/explicabilidad para modelos adecuados.
BLEU/ROUGE basados en coincidencia textual pueden penalizar paráfrasis válidas. «Hallucination» no es el mismo eje que «bias».
Un asistente de admisiones funciona bien globalmente, pero ciertas cohortes reciben respuestas menos útiles; audita resultados por segmentos y con reglas de privacidad.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A careers information assistant must be assessed for demographic stereotypes and biased output across several categories before each release. The review must be automated and repeatable. What testing practice is appropriate?
A. Run only a toxicity filter and claim all bias risks are covered.
B. Infer demographic fairness from low average response latency.
C. Ask the model once whether it considers itself fair.
D. Use a fixed bias/stereotyping evaluation dataset with suitable automated Bedrock or FMEval metrics and release gates.
A public college compares two release candidates for an advising assistant on a fixed suite of diverse prompts. It needs automatic scores and short justifications against a custom five-level fairness rubric, without hiring human reviewers. What should the release team use?
A. Track CloudWatch invocation count as a fairness score.
B. Hire an external labeling workforce even though the workflow forbids human review.
C. A managed Bedrock model evaluation with an LLM-as-a-judge and a custom evaluation metric/rubric.
D. Use only model cards with no prompt-level experiments.
A legal-tech team evaluates two writing models with custom prompts but no reference answer. Approved domain experts must choose preferred responses and rate clarity. Which managed evaluation process fits?
A. Ask the models to assign all human preferences to themselves without reviewer input.
B. Use an Amazon Bedrock human-based model evaluation with a custom prompt dataset and an authorized reviewer workforce.
C. Run only lexical exact-match scoring against missing ground-truth answers.
D. Treat CloudWatch tokens per call as quality preferences.
RAG consulta una fuente externa, no cambia pesos del modelo. Supervised fine-tuning ajusta comportamientos con pares entrada/salida; continued pre-training amplía adaptación mediante datos no etiquetados; LoRA actualiza matrices pequeñas en vez de reentrenar todos los pesos. Custom Model Import permite servir ciertos modelos externos compatibles en Bedrock, pero no significa importar cualquier checkpoint.
Pregunta → ¿datos frescos y citables? RAG; ¿formato/estilo/tarea? SFT; ¿lenguaje del dominio a gran escala? CPT; ¿entrenamiento eficiente? LoRA; ¿modelo propio compatible? Import.
Elige RAG para documentación contractual frecuente; fine-tuning para conducta especializada; SageMaker para control de entrenamiento y PyTorch custom.
RAG = índice y fuente recuperada; SFT/CPT = pesos modificados; LoRA = adaptación eficiente; Custom Model Import = hosting compatible.
No prometas que fine-tuning garantizará memorizar hechos exactos ni que Custom Model Import acepte cualquier arquitectura.
Una aseguradora cambia sus pólizas cada semana y debe citar versión y fecha: evita usar fine-tuning como repositorio de hechos.
Abre Nubilandia por HTTPS en Safari para responder y recibir corrección en el momento.
A bioscience lab has model weights trained elsewhere that are compatible with Bedrock Custom Model Import. Reviewers need synchronous inference through an existing Bedrock adapter; requests arrive sporadically. What deployment route minimizes operational burden?
A. Import the compatible model to Amazon Bedrock and invoke it using the supported managed inference deployment mode for imported models.
B. Re-train the model from scratch inside every request.
C. Run a permanently provisioned self-managed ECS GPU cluster for occasional requests.
D. Move the model into S3 static website hosting for text generation.
A role-playing application already calls a customized Bedrock model with native provider JSON via InvokeModel. Launch demand is stable and the product needs reserved predictable model capacity. Which TWO choices preserve the existing contract?
A. Continue compatible native InvokeModel calls targeting the provisioned model resource.
B. Replace the customized model with an arbitrary base FM at deployment.
C. Use Provisioned Throughput for the supported customized model capacity.
D. Expect on-demand capacity to guarantee a fixed reservation with no quota planning.
E. Force the application to use RetrieveAndGenerate although it has no knowledge base.
A proprietary 70 GB GPU model uses native CUDA libraries in a custom serving container. Requests must return immediately in business hours; traffic nearly disappears at night. The organization already manages autoscaling. Which strategy preserves compatibility?
A. Move interactive requests to nightly batch transform.
B. Replace the custom container with an unrelated hosted text model without validating features.
C. Keep a SageMaker real-time GPU endpoint with the custom container and schedule/minimum capacity appropriately.
D. Use a CPU-only serverless endpoint for CUDA inference.
El coste de una aplicación GenAI incluye tokens, extracción e ingesta, almacenamiento, búsqueda, reranking, cómputo y observabilidad. CountTokens permite estimar tokens en modelos compatibles. Prompt caching reutiliza prefijos repetidos, explícita o implícitamente según modelo/API. Batch inference procesa cargas diferidas y Intelligent Prompt Routing selecciona entre modelos soportados según sus reglas.
Input estático → cache prefix; petición simple → routing modelo eficiente; RAG → filtrar/rerank → tokens; nocturno → batch.
Prompt caching para prefijos repetidos; batch para trabajos no interactivos; provisioning para capacidad sostenida según servicios y cuotas; routing para modelos compatibles y variación de complejidad.
CountTokens estima el tamaño de entrada; prompt caching reutiliza prefijos estables donde el modelo lo admita; Intelligent Prompt Routing decide entre modelos soportados del mismo grupo; batch sacrifica inmediatez a cambio de procesamiento offline.
Cache hit no está garantizado; el coste de escribir caché puede ser diferente del de leerla. Prompt Routing nativo no es un selector arbitrario entre cualquier familia de FMs.
Un agente repite 20 KB de instrucciones y herramientas cada turno. Mide tasas de cache hit antes y después de reorganizar prefijos.
Incluye las 129 palabras originales y ampliaciones. Todas son consultables sin JavaScript.
Patrón de integración de Step Functions para esperar respuesta de un proceso externo.
Comparación de variantes ante tráfico o conjuntos de evaluación controlados.
Attribute-Based Access Control: autorización según atributos del sujeto/recurso.
Access Control List: lista de permisos sobre recursos o documentos.
Conjunto de funciones/API ofrecidas a un Agent for Amazon Bedrock.
Identificador de actor/usuario/agente en AgentCore Memory.
Registro estructurado del procesamiento por etapas de un agente cuando está habilitado.
Herramienta de navegación gestionada para ciertos workflows de agentes.
Servicio para exponer APIs y servicios como herramientas MCP.
Capacidad AgentCore para integrar credenciales e identidades de agentes.
Almacenamiento/estrategias de memoria de agentes entre invocaciones.
Hosting gestionado de agentes y herramientas compatibles.
Bus de eventos administrado para enrutar eventos con reglas.
Búsqueda empresarial inteligente y recuperación documental.
Asistente empresarial GenAI que busca en contenido conectado con controles de acceso.
Servicio pub/sub que distribuye mensajes a múltiples suscriptores.
Approximate Nearest Neighbor: búsqueda aproximada de vecinos cercanos.
Grado de pertinencia de una respuesta frente a la pregunta.
Automatic Speech Recognition: reconocimiento automático de voz.
SageMaker: cola de inferencia diferida con S3 y posible scale-to-zero.
Una entrega puede repetirse; el consumidor debe soportar duplicados.
Servicio de consulta SQL sin administrar servidores para datos compatibles.
Filtro por atributos como tenant, producto, fecha o clasificación.
Base relacional PostgreSQL administrada con extensión de vectores.
Comprobación de afirmaciones frente a políticas en lógica formal.
Mecanismo para frenar o amortiguar producción cuando el consumidor se satura.
Ejecución offline de predicciones a partir de conjuntos de datos.
Amazon Bedrock Data Automation: extracción multimodal estructurada.
Recurso BDA que organiza configuraciones y blueprints.
Cliente del SDK AWS que expone invocación de agentes y recuperación en Knowledge Bases.
Cliente del SDK AWS usado para inferencia en modelos Bedrock.
Métrica semántica basada en embeddings contextualizados.
Vector representado con bits, útil en escenarios de almacenamiento compacto.
Definición de campos que BDA intenta extraer del archivo.
Método lexical de ranking basado en términos de consulta y documentos.
Rectángulo que localiza un elemento detectado en un documento o imagen.
Despliegue gradual a una pequeña parte de tráfico antes de ampliarlo.
Cloud Development Kit: código que sintetiza plantillas de CloudFormation.
Comparación del estado propuesto frente a una pila/despliegue.
Generación de plantillas CloudFormation desde AWS CDK.
Estado guardado de entrenamiento que puede usarse para recuperar o exportar un modelo.
Fragmentación de documentos antes de embeddings/indexación.
Medida de la calidad de las referencias que acompañan a una respuesta RAG.
Métrica de distribución desigual entre grupos o clases usada en análisis de sesgo.
Vista previa de operaciones previstas sobre una pila.
Diferencia entre estado real y declarado en infraestructura.
Conjunto de recursos AWS administrados juntos mediante una plantilla.
Auditoría de llamadas API y actividad de recursos AWS.
Servicio AWS para métricas, logs, alarmas y observabilidad.
Regla que cambia de estado cuando una métrica cruza un umbral o condición.
Retardo inicial al crear un entorno de ejecución Lambda; afecta especialmente a latencia.
Control de acceso a columnas concretas de un conjunto de datos.
Grado en que una respuesta aborda todos los aspectos requeridos.
AWS NLP: entidades, sentimientos, PII y clasificación de texto.
Cambio en la relación entre entradas y objetivo, distinto del cambio de distribución de datos.
Análisis de contenidos potencialmente inapropiados según reglas aplicables.
Cobertura de la evidencia esperada por el retrieval; suele requerir ground truth.
Relevancia de textos recuperados respecto a consultas.
Comparación entre una respuesta y el contexto aportado para detectar falta de fundamento.
Entrenamiento adicional, generalmente con datos sin pares instrucción-respuesta.
API Bedrock de mensajes unificados para modelos compatibles.
API de Bedrock Runtime que emite la respuesta en fragmentos cuando el modelo lo soporta.
Exactitud de una respuesta respecto a la pregunta y referencias.
Identificador de negocio propagado entre componentes para unir logs y peticiones.
Distancia derivada del ángulo entre vectores; depende de la fórmula implementada.
Similitud basada en ángulo entre dos vectores.
API Bedrock para estimar tokens de una solicitud compatible antes de inferencia.
Continued Pre-Training: preentrenamiento adicional con datos sin etiquetar.
Capacidad de enrutar inferencia a varias regiones permitidas mediante perfil.
Modelo de Comprehend para localizar entidades específicas del dominio empresarial.
Capacidad de Bedrock para importar ciertos modelos compatibles previamente entrenados.
Salida de BDA diseñada con campos concretos en lugar de extracción estándar.
Vocabulario especializado que ayuda a reconocer términos en Transcribe.
Metadato de esquema y ubicación; no implica copiar datos del origen.
Cambio en distribución de datos respecto a referencia.
Arquitectura que conserva datos de distintos tipos y orígenes, frecuentemente en S3.
Contaminación de entrenamiento/evaluación por información que no debería estar disponible.
Prácticas y controles que buscan prevenir exposición o salida no autorizada de datos.
Tratar solo los datos personales necesarios para una finalidad concreta.
Regla de validación de datos, como nulos, rangos o unicidad.
Restricción de dónde pueden procesarse o almacenarse ciertos datos.
Acción que el backend no permite, independientemente de la petición del modelo.
Vector con componentes numéricas densas que representa información semántica.
Dead Letter Queue: cola para mensajes que fallaron repetidas veces.
Lista de control de acceso asociada a un documento o recurso.
Extracción, clasificación o transformación de datos desde documentos.
Difference in Proportions of Labels: medida comparativa de proporción de etiquetas entre grupos.
Data Quality Definition Language de AWS Glue.
Parámetro de búsqueda de HNSW que influye en exhaustividad y latencia.
Representación numérica en vector de un texto, imagen u otro contenido.
Política que restringe acciones permitidas a través de un VPC endpoint compatible.
Elastic Network Interface: interfaz de red virtual en una VPC.
Extract Transform Load: extraer, transformar y cargar datos.
Búsqueda exacta de los vecinos más cercanos; puede ser costosa a escala.
Denegación explícita de acceso que prevalece en la evaluación de políticas IAM.
Incrementar progresivamente el tiempo de espera entre reintentos.
Alineación de la respuesta con contexto recuperado.
Transformación o generación de variables de entrada útiles para entrenamiento.
Entrenamiento adicional para adaptar un modelo preentrenado a una tarea o comportamiento.
Representación de punto flotante de 16 bits.
Endpoint de gateway para rutas privadas a S3/DynamoDB.
Perfil de inferencia restringido a una geografía compatible.
Descubre esquemas y particiones de fuentes para Glue Data Catalog.
Metadatos y definiciones de tablas, sin copiar el origen automáticamente.
Proceso administrado de preparación o transformación de datos.
Memoria de acelerador utilizada para pesos, cachés y ejecución de modelos.
Recuperación que aprovecha nodos y relaciones entre entidades.
Referencia de respuesta o contexto con la que comparar resultados.
Grado de apoyo de una respuesta en las fuentes o contexto que recibió.
Controles Bedrock para contenido, topics, PII, grounding y checks compatibles.
Dataset reservado fuera del proceso de ajuste/tuning.
Divide en hijos pequeños y aporta contexto de padres mayores al recuperar.
Human in the Loop: intervención humana en un flujo.
Hierarchical Navigable Small World: índice grafo ANN multinivel.
Valoración humana de cualidades difíciles de medir automáticamente.
Combina señales lexicales y semánticas/vectoriales.
Servicio AWS que centraliza acceso de workforce a aplicaciones y cuentas.
Identificador estable que permite repetir una solicitud sin duplicar efecto.
Permisos ligados a identidad IAM como usuario o rol.
Intelligent Document Processing: procesamiento inteligente documental.
Sustitución razonada de valores ausentes en un dataset.
Unidad desplegable de asignación de recursos/modelo en endpoints SageMaker compatibles.
Recurso Bedrock para seleccionar o distribuir invocación entre regiones soportadas.
Definición y despliegue reproducible de infraestructura mediante plantillas/código.
Trabajo para sincronizar y preparar datos de una Knowledge Base.
Bedrock: enrutamiento gestionado entre modelos soportados según calidad/coste.
ENI privada en VPC para acceder a servicios compatibles.
Índice que asocia términos a documentos; base de motores lexicales.
API de Bedrock Agent Runtime para invocar un agente administrado.
Operación asíncrona de API de BDA para procesar archivos con configuración de proyecto.
API Bedrock de inferencia con formato específico de modelo.
Variación aleatoria de las esperas para evitar reintentos simultáneos.
Formato en el que cada línea contiene un objeto JSON independiente.
Lenguaje declarativo para restringir forma, tipos y campos de JSON.
Protocolo de llamadas RPC con mensajes JSON usado en implementaciones MCP.
k Nearest Neighbors: búsqueda de los k vecinos más próximos.
Servicio AWS para claves criptográficas y autorizaciones asociadas.
Gobierno y permisos granulares sobre datos de un data lake.
Recuperación por términos o coincidencias, útil para referencias y códigos exactos.
Etiqueta administrada por Lake Formation usada para permisos basados en etiquetas.
Regla de transición o expiración de objetos S3 según condiciones.
Evaluación de respuestas por otro modelo usando criterios/rúbrica.
Conjunto lógico de streams de logs de CloudWatch Logs.
Secuencia de eventos de un origen dentro de un log group.
Recuerdos y preferencias persistentes que pueden usarse entre sesiones.
Low-Rank Adaptation: fine-tuning eficiente de un subconjunto de pesos.
Servicio que descubre datos sensibles dentro de S3.
Límite configurado para tokens generados; no equivale a la ventana de contexto.
Model Context Protocol: intercambio normalizado entre agentes y herramientas.
Separación lógica donde se organizan registros; no es un control de autorización por sí misma.
Dato persistido mediante estrategia de memoria a largo plazo de AgentCore.
Configuración que extrae y mantiene recuerdos duraderos desde eventos.
Identificador que establece el ámbito de orden en colas FIFO.
Identificador de formato de contenido de un archivo o respuesta HTTP.
Documento que describe objetivos, límites y resultados de un modelo.
Trazabilidad entre datos, artefactos, entrenamientos y versiones.
Detección SageMaker de cambios/anomalías frente a baselines.
Artefacto/versionado que contiene información de modelo aprobable para despliegue.
Catálogo con modelos/versiones y estados de aprobación.
Mean Reciprocal Rank; mide la posición del primer resultado relevante.
Vector compatible para comparar contenidos de diferentes modalidades según modelo.
Ruta lógica para agrupar y aislar registros de memoria.
Servicio para salida desde subredes privadas hacia destinos compatibles, con coste y rutas.
Normalized Discounted Cumulative Gain; evalúa relevancia respetando posiciones del ranking.
Analítica de grafos y relaciones; soporta escenarios vectoriales.
Named Entity Recognition: detección de entidades en texto.
Control S3 de retención/inmutabilidad de versiones de objetos.
Optical Character Recognition: reconocimiento de texto en imágenes.
OpenSearch Compute Unit: unidad de capacidad de OpenSearch Serverless.
Unidad de capacidad para cargas de OpenSearch Serverless.
OpenID Connect: capa de autenticación sobre OAuth 2.0.
Especificación declarativa de contratos de APIs HTTP.
Motor de búsqueda/análisis que admite índices vectoriales y búsqueda textual.
Estándar abierto de instrumentación y exportación de métricas, logs y trazas.
Coordinación de decisiones, herramientas y pasos para cumplir una tarea.
Valor alejado de la distribución habitual; puede afectar a modelos y estadísticas.
Configuración de salida de Converse que puede incluir formato estructurado según compatibilidad.
Solapamiento de contenido entre chunks adyacentes.
Percentil 95: 95% de observaciones no supera el valor indicado.
Percentil 99 de una distribución de tiempos u otras magnitudes.
Fragmento grande devuelto para proporcionar contexto de un child hit.
Formato columnar habitual en data lakes.
Unidad interna de almacenamiento columnar que ayuda a lecturas selectivas.
Transformación de un documento a unidades de contenido interpretables.
Evitar leer particiones innecesarias al filtrar por claves particionadas.
Principal Component Analysis: reducción de dimensionalidad.
Parameter-Efficient Fine-Tuning; adaptar un modelo actualizando una pequeña fracción de parámetros.
Límite máximo de permisos efectivo para entidades IAM compatibles.
Protected Health Information: información de salud protegida según marco aplicable.
Personally Identifiable Information: datos personales identificativos.
Product Quantization: técnica de compresión de vectores.
Proporción de los k resultados devueltos que son relevantes.
Conectividad privada a servicios soportados mediante endpoints de interfaz.
Compresión aproximada de vectores mediante cuantización por bloques.
Reutilización de prefijos de prompt con políticas/modelos compatibles.
Ataque en que contenido no confiable intenta imponer instrucciones privilegiadas.
Filtración de instrucciones internas o información sensible a través de una interacción.
Parte inicial estática de un prompt que puede beneficiarse de caché.
Capacidad de inferencia reservada de Bedrock para cargas compatibles.
Representación de vectores o pesos usando menos precisión para reducir recursos.
División de una pregunta compuesta en subconsultas.
Creación de variantes/sinónimos de una consulta.
Restricción de ritmo de peticiones o tokens en una ventana temporal.
Modalidad de SageMaker para servir peticiones sincrónicas en un endpoint persistente.
Fracción de resultados verdaderamente relevantes/vecinos esperados hallados entre los k primeros.
Combina rankings usando posiciones, sin exigir puntuaciones en la misma escala.
Ocultar o eliminar información sensible en datos o respuestas.
Copia de una shard para disponibilidad y, según configuración, lectura.
Modelo o método que ordena candidatos ya recuperados por relevancia contextual.
Reordenación de un conjunto ya recuperado según relevancia.
Política asociada a un recurso, como un bucket o clave, cuando se admite.
Condición aplicada en recuperación para limitar resultados por metadatos.
API de Knowledge Bases que recupera documentos sin generar respuesta.
API Bedrock que combina retrieval con generación y puede devolver citas.
Registro de riesgos, mitigaciones, responsables y seguimiento.
Restauración controlada a un estado o versión anterior tras un fallo.
Métrica de similitud lexical con texto de referencia.
Control que restringe filas visibles para una identidad o contexto.
Reciprocal Rank Fusion: combinación de resultados en función de sus posiciones.
Conjunto explícito de criterios para evaluar salidas de un modelo.
Punto de acceso de S3 con configuración y políticas específicas para consumidores.
Servicio Amazon S3 de almacenar y consultar vectores a escala.
Procesamiento offline de grandes datasets con modelos SageMaker sin endpoint persistente.
Análisis de explicabilidad y sesgo en modelos.
Estándar de federación de identidad con assertions.
Propiedad de una salida que coincide estructuralmente con un esquema.
Comprobación de que un objeto cumple tipos, claves y restricciones definidas.
Permiso delegado declarado en un token de acceso.
Lleva puntuaciones heterogéneas a escalas comparables antes de fusionarlas.
Service Control Policy: límite de permisos por AWS Organizations.
Actualización controlada de credenciales sin exponerlas ni romper aplicaciones.
Cortafuegos virtual stateful aplicado a interfaces o recursos compatibles.
Filtrado de resultados según permisos documentales del usuario.
Representación en X-Ray de un recurso que participa en una petición.
Agrupa o separa texto atendiendo a cambios temáticos.
Inferencia SageMaker sin mantener instancias, con límites y compatibilidades específicos.
Visualización de las dependencias y tiempos entre servicios instrumentados.
Identificador de conversación o sesión en AgentCore Memory.
Supervised Fine-Tuning: ajuste mediante ejemplos etiquetados.
Enviar tráfico copiado a una alternativa sin usar sus respuestas ante los usuarios.
Partición de un índice de OpenSearch utilizada para distribuir datos y consultas.
Contexto de conversación o eventos de sesión cercano a la ejecución actual.
Synthetic Minority Oversampling Technique: balanceo de datasets de clasificación.
Unidad temporal de una operación dentro de una traza.
Atributo clave-valor de una operación OTel; útil para filtrar trazas sin almacenar secretos.
Vector con muchas componentes cero, típico de ciertas representaciones lexicales.
Asignación de fragmentos de una transcripción a hablantes diferenciados.
Cola con garantías de orden por grupo y deduplicación sujeta a condiciones.
Cola de gran escala con entrega al menos una vez y sin garantía estricta de orden.
Cifrado del lado del servidor con claves administradas por AWS KMS.
Tipo de workflow para ejecuciones de alto volumen y menor duración.
Tipo de workflow duradero con historial de ejecución y funciones para trabajos largos.
Campo de respuesta que indica por qué terminó la generación del modelo.
SDK AWS open-source para desarrollar agentes mediante código.
Framework abierto para diseñar agentes con herramientas y bucles de ejecución.
Validación del esquema de parámetros de tools en implementaciones compatibles.
Capacidad para generar respuestas con cumplimiento de esquema en APIs/modelos soportados.
Security Token Service: credenciales AWS temporales.
Operación interna o llamada downstream dentro de un segmento X-Ray.
Token de Step Functions para reanudar callback de una tarea.
AWS para extraer OCR, tablas y formularios de documentos.
Familia de ponderación de términos basada en frecuencia documental e inversa.
Limitación o rechazo cuando se alcanzan cuotas/rate limits.
Capacidad de peticiones o tokens procesados por unidad de tiempo.
Límite o presupuesto de tokens, relacionado con contexto, salida, coste y latencia.
Velocidad de procesamiento/generación de tokens en una carga medida.
Duración de la ejecución de una herramienta dentro de un workflow de agentes.
Resultado de una herramienta enviado al modelo tras una solicitud de tool use.
Descripción de entradas y salidas de una herramienta para su invocación.
Cantidad solicitada de candidatos devueltos por una búsqueda.
Límite de tokens candidatos en muestreo de generación; distinto a retrieval.
Time Per Output Token: tiempo por token de salida según convención usada.
Conjunto de spans/segments relacionados con una petición de extremo a extremo.
Identificador para correlacionar operaciones de una misma petición en un sistema distribuido.
AWS ASR: conversión de audio a transcripción.
Límite donde entradas menos fiables deben validarse y autorizarse.
Política IAM que determina qué principal puede asumir un rol.
Time To First Token: demora hasta primer token recibido.
Recurso de S3 Vectors para almacenar y consultar índices vectoriales.
Número de componentes del embedding; afecta a tamaño y a recuperación.
Estructura de vectores preparada para búsqueda de similitud y filtros compatibles.
Periodo temporal durante el cual un mensaje de SQS recibido no se ofrece a otro consumidor.
Guía AWS de arquitectura GenAI según el ciclo de vida y seis pilares.
Write Once Read Many: retención sin modificación durante un periodo.
AWS: servicio de trazas distribuidas. Rastrea una petición entre componentes mediante segments/subsegments.
Algoritmo de boosting basado en árboles; habitual en ML tabular. No es un sistema de trazas.