Servicios y subservicios de IA de AWS para AIF-C01: qué hace cada uno y cómo usarlo

El examen AIF-C01 no te pide construir nada. Te pregunta si puedes elegir el servicio de AWS correcto para un problema y explicar qué hace. Eso suena fácil hasta que te das cuenta de que AWS tiene una docena de servicios de IA, y los dos grandes - Amazon Bedrock y Amazon SageMaker AI - contienen cada uno una docena de subservicios propios. La mayoría de la gente estudia los nombres principales y se ve sorprendida por un escenario que depende de Knowledge Bases frente a fine-tuning, o de Ground Truth frente a Data Wrangler.

Esta es la versión profunda: cada servicio y cada subservicio dentro del alcance de AIF-C01, con qué es, por qué existe y cómo lo usarías en la práctica. Es largo a propósito - trátalo como una referencia que ojeas por sección, no como una historia que lees de principio a fin. Si primero quieres el mapa más corto de "qué servicio corresponde a qué dominio del examen", lee la publicación complementaria Todos los servicios de AWS en el examen AIF-C01, y luego vuelve aquí para el detalle de los subservicios.

El modelo mental: cinco formas de usar la IA en AWS

Antes de la lista de servicios, ten presente este marco. Cada pregunta de IA del examen en realidad está preguntando "¿cuál de estas cinco capas encaja?"

• API de IA administradas (Comprehend, Rekognition, Textract, etc.) - preentrenadas, de propósito único. Envías datos, obtienes un resultado. Sin elección de modelo, sin entrenamiento.
• Amazon Bedrock - acceso administrado a modelos fundacionales más las herramientas para crear aplicaciones de IA generativa (RAG, agentes, guardrails). Eliges un modelo y compones el comportamiento; no administras servidores.
• Amazon SageMaker AI - la plataforma completa para construir tu propio modelo. Preparas datos, entrenas, ajustas, despliegas y monitoreas modelos personalizados.
• Amazon Q - productos de asistente de IA terminados. No eliges un modelo ni conectas un almacén vectorial; AWS ya lo hizo.
• PartyRock - un entorno de pruebas sin código para aprender y prototipar aplicaciones de IA generativa.

El examen prueba constantemente los límites entre estos. Ten la capa en mente mientras lees cada servicio a continuación.

Amazon Bedrock

Qué es. Un servicio totalmente administrado que te da una API para llamar a modelos fundacionales de muchos proveedores, más un conjunto de herramientas integradas para crear aplicaciones de IA generativa sobre ellos. Sin infraestructura, sin alojamiento de modelos - envías prompts, obtienes respuestas.

Por qué existe. Las aplicaciones de IA generativa necesitan más que un modelo en bruto: necesitan fundamentación en datos privados, controles de seguridad, orquestación y evaluación. Bedrock agrupa todo eso detrás de API serverless para que construyas la aplicación, no la fontanería.

Cómo usarlo. Elige un modelo, pruébalo en un playground, luego agrega los subservicios que necesites (Knowledge Bases para RAG, Guardrails para seguridad, Agents para acciones) y llámalo todo desde tu aplicación a través de la API o el SDK.

Foundation models

El catálogo de modelos que puedes llamar. No estás atado a un solo proveedor - seleccionar el modelo adecuado por costo, latencia y capacidad es una habilidad central del examen.

• Amazon Titan - los modelos propios de Amazon: Titan Text, Titan Text Embeddings (para búsqueda vectorial RAG), Titan Image Generator y Titan Multimodal Embeddings.
• Amazon Nova - la familia de modelos más reciente de Amazon (cubierta en su propia sección más abajo).
• Anthropic Claude - modelos sólidos de razonamiento de propósito general y de contexto largo.
• Meta Llama, Mistral, Cohere, AI21 Labs (Jamba), Stability AI (generación de imágenes) y otros.

Ten claro que un "foundation model" es un modelo grande preentrenado que adaptas mediante prompting, RAG o fine-tuning - no algo que entrenas desde cero.

Bedrock playgrounds

Qué/por qué. Consolas de chat, texto e imagen en la consola para probar modelos y prompts sin código. Aquí es donde comparas modelos y ajustas los parámetros de inferencia (temperature, top-p, max tokens) antes de conectar nada.

Cómo usar. Abre el playground, elige un modelo, itera sobre un prompt y luego lleva el modelo ganador y su configuración a tu aplicación.

Knowledge Bases

Qué/por qué. La capacidad administrada de generación aumentada por recuperación (RAG). Conecta un foundation model a tus documentos privados para que las respuestas estén fundamentadas en tus datos - sin fine-tuning.

Cómo usar. Apúntalo a una fuente de datos (por ejemplo S3), y fragmenta los documentos, genera embeddings, los almacena en un almacén vectorial y recupera los pasajes relevantes para inyectarlos en el prompt en el momento de la consulta. Rastrea las citas automáticamente. La respuesta canónica del examen a "fundamentar un modelo en datos privados sin reentrenar" es Knowledge Bases (RAG).

Agents

Qué/por qué. Dar a un foundation model la capacidad de realizar acciones - llamar a API, ejecutar flujos de trabajo de varios pasos, consultar una Knowledge Base - en lugar de solo devolver texto.

Cómo usar. Define "action groups" (las herramientas y API que el modelo puede llamar, a menudo respaldadas por Lambda), y Agents ejecuta el ciclo de razonar-actuar-observar. Si un escenario necesita que el asistente busque algo y luego haga algo (revisar un pedido, actualizar un registro), la respuesta es Agents, no la inferencia simple.

Guardrails

Qué/por qué. Una capa de políticas configurable entre el usuario y el modelo que hace cumplir los requisitos de seguridad y de IA responsable.

Cómo usar. Activa las protecciones que necesites: filtros de contenido (odio, violencia, etc.), temas denegados que definas, filtros de palabras, redacción de información sensible (PII) en entradas y salidas, y comprobaciones de fundamentación contextual para reducir la alucinación. Es declarativo - sin código personalizado. Guardrails se aplica a los modelos, Agents, Knowledge Bases y Flows.

Flows

Qué/por qué. Un constructor visual de bajo código para encadenar piezas de Bedrock en un solo flujo de trabajo con nombre.

Cómo usar. Arrastra prompts, Knowledge Bases, Agents, Guardrails, funciones Lambda y lógica condicional a un flujo, y luego invoca todo con una sola llamada a la API. Úsalo cuando quieras orquestación sin escribir el código de pegamento.

Prompt Management

Qué/por qué. Un catálogo versionado para prompts, de modo que los equipos los reutilicen y comparen en lugar de pegar cadenas en el código.

Cómo usar. Almacena los prompts como recursos versionados, prueba variantes y referéncialos desde las aplicaciones y Flows. Se combina con Model Evaluation para medir qué versión rinde mejor.

Model Evaluation

Qué/por qué. Evaluación integrada de la calidad del modelo y del RAG, para que la elección del modelo se mida en lugar de adivinarse.

Cómo usar. Ejecuta evaluaciones automáticas (métricas como precisión, robustez, toxicidad) o incorpora revisores humanos, y compara modelos o versiones de prompts con tus propios datos.

Custom models (fine-tuning y continued pre-training)

Qué/por qué. Cuando el prompting y el RAG no bastan, adapta un modelo a tu dominio.

Cómo usar. El fine-tuning enseña a un modelo a partir de ejemplos etiquetados; el continued pre-training lo adapta a un gran cuerpo de texto de dominio sin etiquetar. El resultado es un modelo personalizado privado que sirves a través de Bedrock. El examen quiere que sepas que el fine-tuning cambia el modelo, mientras que el RAG deja el modelo intacto y aporta contexto en el momento de la consulta.

Provisioned Throughput

Qué/por qué. Un modo de precios y capacidad. El precio bajo demanda cobra por token sin compromiso; Provisioned Throughput reserva capacidad dedicada para cargas de trabajo constantes, de alto volumen o de modelos personalizados.

Cómo usar. Elige Provisioned Throughput cuando necesites rendimiento garantizado o servir un modelo personalizado; de lo contrario, bajo demanda es el valor predeterminado.

Otras características de Bedrock que hay que reconocer

• Batch inference - ejecuta trabajos grandes sin conexión a menor costo.
• Cross-Region inference - enruta solicitudes entre Regiones para capacidad y resiliencia.
• Model invocation logging - envía registros de prompts y respuestas a CloudWatch o S3 para auditoría.
• Bedrock Data Automation - extrae y transforma contenido no estructurado (documentos, imágenes, audio, video) en salida estructurada.
• Bedrock Marketplace - accede a modelos especializados y emergentes más allá del catálogo principal.

Amazon Bedrock AgentCore

Qué es. Un conjunto de servicios más reciente para ejecutar agentes de IA en producción, sin importar qué framework o modelo los construyó. Bedrock Agents te ayuda a construir un agente; AgentCore te ayuda a operar uno a escala.

Por qué existe. Los agentes prototipo fallan en producción - carecen de memoria, acceso seguro a herramientas, identidad y observabilidad. AgentCore proporciona eso como bloques de construcción administrados que adoptas de forma independiente.

Cómo usar. Elige los componentes que necesites:

• Runtime - alojamiento serverless para el código del agente o la herramienta, con aislamiento de sesiones.
• Memory - contexto persistente entre sesiones para que el agente recuerde.
• Gateway - expone tus API y funciones Lambda al agente como herramientas invocables.
• Identity - da a cada agente una identidad de carga de trabajo y administra su acceso a servicios externos (se integra con Cognito, Okta, Entra ID).
• Code Interpreter - un sandbox para que el agente ejecute código.
• Browser - navegación web sin interfaz para el agente.
• Observability - trazado y monitoreo del comportamiento del agente.

Para AIF-C01, reconoce AgentCore como la capa de "llevar un agente a producción"; no necesitas construir uno.

Amazon Nova

Qué es. La propia familia de modelos fundacionales de Amazon, servida a través de Bedrock.

Por qué existe. Para ofrecer una capacidad sólida a un precio y latencia bajos y predecibles a través de texto, imagen y video.

Cómo usar. Elige el nivel que se adapte a la tarea:

• Nova Micro - solo texto, el menor costo y latencia.
• Nova Lite - multimodal de bajo costo (entrada de texto, imagen, video).
• Nova Pro - modelo multimodal equilibrado para la mayoría de las tareas.
• Nova Premier - el más capaz, y un buen "profesor" para destilar modelos personalizados más pequeños.
• Nova Canvas - generación de imágenes.
• Nova Reel - generación de video.
• Nova Sonic - voz a voz; Nova Act - acciones agénticas en el navegador.

Amazon SageMaker AI

Qué es. La plataforma de extremo a extremo para construir, entrenar, desplegar y monitorear tus propios modelos de machine learning. Esta es la capa de "construir un modelo personalizado" - el extremo opuesto a las API administradas.

Por qué existe. Algunos problemas necesitan un modelo entrenado con tus datos, con control total del ciclo de vida. SageMaker AI proporciona cada etapa como una capacidad administrada para que los equipos no tengan que ensamblar su propia infraestructura de ML.

Cómo usar. Para AIF-C01 usas SageMaker conceptualmente: sabe qué hace cada subservicio y cuándo se aplica. No se espera que escribas código de entrenamiento.

SageMaker Studio

El IDE basado en web y centro de control - notebooks, experimentos y acceso a todas las demás capacidades de SageMaker en un solo lugar.

SageMaker JumpStart

Un catálogo de modelos fundacionales preentrenados y modelos específicos de tareas con despliegue en un clic y notebooks de fine-tuning. Piénsalo como desplegar un modelo listo para usar en tu propia cuenta y endpoint - distinto de llamar a una API alojada a través de Bedrock.

SageMaker Canvas

ML sin código para analistas. Sube un conjunto de datos, elige un objetivo, y Canvas construye un modelo y genera predicciones. También puede aprovechar los foundation models de Bedrock para tareas generativas - todo sin escribir código.

Data Wrangler

Preparación visual de datos. Importa desde muchas fuentes, aplica cientos de transformaciones integradas, analiza y exporta los datos preparados a una canalización de entrenamiento. Este es el paso de "limpiar y dar forma a los datos".

Feature Store

Un repositorio central para las características (entradas del modelo) que tus equipos diseñan, con un almacén en línea para inferencia de baja latencia y un almacén fuera de línea para entrenamiento. Evita que cada equipo recompute las mismas características.

Ground Truth (y Ground Truth Plus)

Etiquetado de datos. Ground Truth administra flujos de trabajo de etiquetado humano y automatizado para construir conjuntos de datos de entrenamiento; Ground Truth Plus es la versión totalmente administrada, gestionada por AWS con una fuerza de trabajo experta. Los datos etiquetados son lo que necesita el entrenamiento supervisado.

Clarify

Detección de sesgos y explicabilidad. Mide el sesgo en los datos y en las predicciones del modelo entre grupos, y calcula atribuciones de características (qué entradas impulsaron una predicción, usando SHAP). Esta es la respuesta con nombre para "detectar sesgos" y "explicar el modelo" en escenarios de IA responsable.

Model Monitor

Monitoreo continuo de modelos en producción. Detecta deriva de datos, deriva de calidad del modelo, deriva de sesgo y deriva de atribución de características, y lanza alertas - para que detectes un modelo que se degrada antes de que lo hagan los usuarios.

Autopilot

Machine learning automatizado (AutoML). Apúntalo a un conjunto de datos y explora algoritmos, entrena y ajusta modelos candidatos automáticamente, y luego muestra el mejor. El camino sin esfuerzo pesado hacia un modelo entrenado.

Pipelines

Orquestación de MLOps. Define el flujo de trabajo repetible - preparar, entrenar, evaluar, registrar, desplegar - como una canalización para que la entrega del modelo sea automatizada y reproducible.

Model Registry y Model Cards

Model Registry versiona los modelos entrenados y administra la aprobación para el despliegue. Model Cards documentan el propósito, los datos, el rendimiento y las limitaciones de un modelo para la gobernanza. Ambos apoyan un ML responsable y auditable.

Opciones de inferencia

Cómo sirves un modelo entrenado, según el patrón de tráfico:

• Real-time endpoints - servicio persistente, de baja latencia, siempre activo.
• Serverless inference - escala a cero para tráfico intermitente; sin capacidad que administrar.
• Asynchronous inference - pone en cola solicitudes grandes o de larga duración.
• Batch transform - puntúa todo un conjunto de datos sin conexión, sin necesidad de endpoint.

Saber qué opción de inferencia encaja en un escenario (tráfico constante frente a irregular frente a masivo) es un patrón recurrente del examen.

Los servicios de IA administrados (API específicas de tareas)

Servicios preentrenados que resuelven un tipo de problema sin entrenamiento ni administración de modelos. El examen pone a prueba la elección del correcto para un caso de uso.

Amazon Comprehend

Qué/por qué/cómo. Procesamiento de lenguaje natural sobre texto: sentimiento, entidades, frases clave, detección de idioma, modelado de temas y detección de PII, más clasificación personalizada y reconocimiento de entidades personalizado. Envía texto, obtén resultados estructurados. La respuesta para "analizar los comentarios de los clientes" o "encontrar PII en texto".

Amazon Textract

Qué/por qué/cómo. Comprensión de documentos más allá del OCR básico - extrae texto, pares clave-valor, tablas y campos de PDF y escaneos, con análisis especializado para facturas, recibos y documentos de identidad. La respuesta para "extraer datos estructurados de formularios".

Amazon Rekognition

Qué/por qué/cómo. Visión artificial para imágenes y video: detección de objetos y escenas, análisis y comparación facial, moderación de contenido, texto en imágenes y Custom Labels para tus propias categorías. La respuesta para "analizar imágenes sin un equipo de ML".

Amazon Transcribe

Qué/por qué/cómo. Voz a texto automática con identificación de hablantes, vocabulario personalizado, modelos de lenguaje personalizados, redacción de PII, transmisión en tiempo real y una variante médica. A menudo combinada con Comprehend: transcribe una llamada, luego analiza el sentimiento.

Amazon Polly

Qué/por qué/cómo. Texto a voz con voces neuronales y generativas en muchos idiomas, controladas con SSML para la pronunciación y el ritmo. La respuesta para "convertir texto en voz natural".

Amazon Translate

Qué/por qué/cómo. Traducción automática neuronal entre muchos idiomas, con terminología personalizada para la fraseología de dominio, en tiempo real y por lotes. La respuesta para "traducir contenido sin entrenar un modelo".

Amazon Lex

Qué/por qué/cómo. Construye bots conversacionales con reconocimiento automático de voz y comprensión del lenguaje natural: define intenciones y slots, cúmplelos con Lambda, responde por voz a través de Polly. Es el framework de chatbot estructurado y basado en intenciones - contrástalo con Bedrock Agents para asistentes abiertos que usan herramientas.

Amazon Personalize

Qué/por qué/cómo. Recomendaciones y personalización administradas en tiempo real, construidas a partir de la misma tecnología detrás de Amazon.com. Aliméntalo con datos de interacción; obtén recomendaciones, clasificación personalizada y segmentos de usuarios - sin ningún modelo de recomendación que construir.

Amazon Q

Qué es. Los productos de asistente de IA terminados de AWS. La idea clave para el examen: Q es un producto, no un kit de herramientas. No seleccionas un modelo, ni administras prompts, ni construyes un almacén vectorial - AWS lo hizo.

• Amazon Q Developer - un asistente de codificación y de AWS en tu IDE y la consola: generación de código, depuración, seguimiento de referencias, preguntas sobre recursos de AWS y ayuda con costos o CLI (antes CodeWhisperer).
• Amazon Q Business - un asistente empresarial que responde preguntas fundamentadas en los datos de tu empresa (por ejemplo SharePoint, Confluence, Salesforce), con respuestas que respetan los permisos.
• Variantes integradas que puedes ver nombradas: Q in QuickSight (inteligencia de negocios), Q in Connect (centro de contacto) y Q Apps.

Cómo usar / enfoque del examen. Elige Q cuando el requisito es "usar IA sin construir nada"; elige Bedrock cuando necesitas personalizar y construir tu propia aplicación.

PartyRock

Qué es. Un entorno de pruebas sin código, basado en web (impulsado por Bedrock) para crear aplicaciones de IA generativa describiéndolas en lenguaje llano. Se ejecuta fuera de la consola de AWS y no requiere una cuenta de AWS.

Por qué existe. Para que cualquiera pueda aprender IA generativa e ingeniería de prompts de forma práctica, y para prototipar ideas de aplicaciones rápidamente.

Cómo usar. Compones una aplicación a partir de widgets - entrada de usuario, texto estático y widgets de generación de texto, generación de imágenes o chatbot impulsados por IA. Los encadenas referenciando la salida de un widget dentro del prompt de otro con el signo @ (variables dinámicas), de modo que las salidas fluyen de widget a widget. Excelente para construir intuición antes de tocar Bedrock propiamente dicho.

Servicios de apoyo dentro del alcance

No son específicos de la IA, pero se prueban en escenarios de seguridad, gobernanza, costos y datos. Sabe para qué sirve cada uno; no necesitas detalles profundos de configuración.

• Seguridad, identidad y cumplimiento: IAM (acceso con privilegios mínimos, por ejemplo restringir qué modelos de Bedrock puede invocar un rol), KMS (claves de cifrado para datos, artefactos de modelos y registros), Macie (descubrimiento de datos sensibles y PII basado en ML en S3), Amazon Inspector (análisis de vulnerabilidades), Secrets Manager (secretos administrados), AWS Artifact (informes de cumplimiento bajo demanda).
• Administración y gobernanza: CloudTrail (registro de auditoría de API), CloudWatch (métricas, registros, alarmas; registros de invocación de Bedrock y métricas de endpoints), AWS Config (configuración de recursos y cumplimiento), Trusted Advisor (comprobaciones de mejores prácticas), AWS Well-Architected Tool (revisar cargas de trabajo frente al marco).
• Almacenamiento: Amazon S3 (el data lake para datos de entrenamiento, documentos y artefactos), S3 Glacier (archivado).
• Cómputo: Amazon EC2 (incluidas las familias de instancias con GPU y aceleradores; AWS Trainium para entrenamiento y AWS Inferentia para inferencia), AWS Lambda (pegamento serverless para canalizaciones y acciones de agentes).
• Contenedores: Amazon ECS y Amazon EKS para cargas de trabajo en contenedores.
• Bases de datos y almacenes vectoriales: Amazon OpenSearch Service (búsqueda vectorial k-NN para RAG), Amazon Aurora y Amazon RDS (relacionales, con pgvector para embeddings), Amazon DynamoDB (clave-valor), Amazon Neptune (grafos), Amazon DocumentDB, Amazon ElastiCache.
• Analítica y preparación de datos: AWS Glue y Glue DataBrew (ETL y preparación), Amazon EMR (procesamiento de big data), AWS Lake Formation (gobernanza de data lake), Amazon Redshift (almacén de datos), AWS Data Exchange (datos de terceros), Amazon Quick / QuickSight (inteligencia de negocios).
• Redes: Amazon VPC (incluidos los patrones de PrivateLink para mantener el tráfico fuera de internet), Amazon CloudFront (entrega de contenido).
• Costos: AWS Budgets y AWS Cost Explorer (seguir y prever el gasto - relevante porque la gestión de costos de la IA generativa está en el examen).

Nuevas incorporaciones dentro del alcance que hay que reconocer

AWS actualizó la lista dentro del alcance, así que algunos nombres son más recientes que la mayoría del material de estudio:

• Amazon Bedrock AgentCore y Amazon Nova (cubiertos arriba).
• Kiro - un entorno de desarrollo agéntico, impulsado por especificaciones (IDE y CLI) que convierte prompts en especificaciones, código y documentación.
• Strands Agents - un SDK de código abierto para construir y orquestar agentes de IA en AWS.
• AWS Transform - un banco de trabajo agéntico para la migración a la nube y la modernización de aplicaciones.
• La guía del examen ahora escribe Amazon SageMaker AI (no solo "SageMaker"). La misma plataforma, con el nombre actualizado.

Explícitamente fuera de alcance: sáltate estos

AWS enumera estos como fuera del alcance de AIF-C01, así que no dediques tiempo de estudio a ellos:

• Machine learning: AWS DeepComposer, AWS HealthImaging, AWS HealthOmics, Amazon Monitron, AWS Panorama.
• Seguridad y redes: Amazon GuardDuty, AWS Security Hub, Amazon Cognito, AWS WAF, AWS Shield, Amazon Route 53.
• Administración: AWS Control Tower, AWS Organizations.
• Además, la mayoría de los servicios de Internet de las cosas, Medios, y Migración y Transferencia.

Si una pregunta de práctica depende de uno de estos, casi con certeza es un distractor.

Una nota sobre la nomenclatura y la deriva del alcance

Un puñado de servicios aparece en material de estudio más antiguo de AIF-C01 (y en algunos bancos de preguntas) pero no está en la lista oficial actual dentro del alcance. Aún puedes verlos referenciados; aquí está para qué sirve cada uno, brevemente:

• Amazon Q - los productos de asistente de IA de arriba; omnipresentes en la práctica aunque no estén en la tabla formal de servicios dentro del alcance.
• Amazon Kendra - búsqueda empresarial impulsada por ML (solo recuperación, frente a Knowledge Bases que recupera y genera).
• Amazon Augmented AI (A2I) - añade revisión humana para predicciones de IA de baja confianza.
• AWS Audit Manager - automatiza la recopilación de evidencia de cumplimiento.
• AWS Fargate, Amazon EventBridge, Amazon API Gateway - cómputo serverless, eventos y fontanería de API sobre los que a menudo se construyen las aplicaciones de IA.

Entiende qué hacen a nivel de una frase y sigue adelante.

La guía de decisión de 30 segundos

Dado un escenario, asócialo a una capa:

• Llamar a un foundation model por API -> Bedrock
• Fundamentar un modelo en datos privados, sin reentrenar -> Bedrock Knowledge Bases (RAG)
• Dejar que el modelo realice acciones -> Bedrock Agents
• Agregar controles de seguridad y de PII -> Bedrock Guardrails
• Ejecutar agentes en producción (memoria, herramientas, identidad) -> Bedrock AgentCore
• Usar IA sin construir nada -> Amazon Q
• Aprender o prototipar sin código -> PartyRock
• Entrenar o ajustar un modelo personalizado -> SageMaker AI
• Desplegar tú mismo un modelo listo para usar -> SageMaker JumpStart
• Etiquetar datos -> Ground Truth; preparar datos -> Data Wrangler; almacenar características -> Feature Store
• Detectar sesgo o explicar un modelo -> SageMaker Clarify
• Monitorear un modelo en producción -> SageMaker Model Monitor
• Analizar texto / imágenes / documentos / voz / traducción / chatbots / recomendaciones -> la API administrada correspondiente
• Proteger, cifrar, escanear, auditar o monitorear -> IAM / KMS / Macie / CloudTrail / CloudWatch

Certificaciones relacionadas

Esta guía corresponde a varias certificaciones de AWS - aparece bajo Guías de estudio relacionadas en cada uno de sus hubs:

• AWS Certified AI Practitioner (AIF-C01) - el objetivo principal; cada servicio aquí está dentro de su alcance.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - profundiza en SageMaker AI, la preparación de datos y MLOps.
• AWS Certified Generative AI Developer Professional (AIP-C01) - se basa en Bedrock, Agents, Knowledge Bases y Guardrails.
• AWS Certified Cloud Practitioner (CLF-C02) - fundacional; toca estos servicios de IA de forma ligera.
• AWS Certified Data Engineer Associate (DEA-C01) - los servicios de preparación de datos y analítica (Glue, Data Wrangler, Feature Store) se superponen directamente.

Cómo estudiar esto

No memorices cada característica. El examen premia el reconocimiento de patrones: lee un escenario, identifica la capa, nombra el servicio. Practica preguntas con la guía de decisión de 30 segundos abierta, y cada vez que falles una, vuelve a la sección de ese servicio aquí y lee el qué-por qué-cómo hasta que el límite quede claro. Ten claros los subservicios de Bedrock y los subservicios de SageMaker - ahí es donde el examen separa a quienes ojearon de quienes entendieron.

Fuente: guía del examen AWS Certified AI Practitioner (AIF-C01) (listas de servicios dentro y fuera del alcance) y documentación de servicios de AWS, a fecha de septiembre de 2026.